关于信息采集中用到的一些点滴
在这里记录一下使用如下的正则表达式来抽取一个网页下的所有链接，并
<a[^>]+href=["']?(?'Url'[^"'>]+)['"]?[^>]*>
测试字符串
<a href=www.sina.com.cn>ddfa</a>
<a href=xx.aspx?id=11>ddfa</a>
<a href="www.sina.com.cn">ddfa</a>
<a href='www.sina.com.cn'>ddfa</a>
<a href=http://www.sina.com.cn>ddfa</a>
采集网页中所有图片的正则表达式
((http(s)?://)?)+(((/?)+[\w-.]+(/))*)+[\w-./]+\.+(jpg|jpeg|png|ico|bmp|gif)
注意在正则中勾选case insensitive选项
测试字符串
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN">
<HTML>
<HEAD>
<TITLE> New Document </TITLE>
<META NAME="Generator" CONTENT="EditPlus">
<META NAME="Author" CONTENT="">
<META NAME="Keywords" CONTENT="">
<META NAME="Description" CONTENT="">
</HEAD>
<BODY>
<!-- 对于<a href="http://www.sina.com.cn%22%3e2%3c/a>这样网址的识别的还有问题 -->
<a href=http://www.sina.com.cn>2</a>
<a href=/aa/.aspx>1<a>
<img src="ddd.gif" />
</BODY>
</HTML>
还可以有这样的链接http:// news.bjut.edu.cn/./newscontent.jsp?p=s&articleID=6769
效果和下面的是一样的
http://news.bjut.edu.cn/newscontent.jsp?p=s&articleID=6769
页:
[1]