作为一名站长，网站内容纯原创难度不小，一是需要坚持，二是要有知识储备，三是要持续输出内容，否则坚持不会太久。淘博客做站一直在经历这个痛苦的过程。有时使用火车头采集器借用一下他站内容进行充实未尝不可，但这个工具上手不易，有很多需要学习的地方。站长经过多年摸索，走过不少弯路，也收获不少知识。本文所讲常用正则表达式，是实践证明完全可行的，从站长本人火车采集器中使用的规则中摘录出来的。
所谓正则表达式，又称规则表达式。（英语：Regular Expression，在代码中常简写为regex、regexp或RE），计算机科学的一个概念。正则表达式通常被用来检索、替换那些符合某个模式(规则)的文本。正则表达式是对字符串（包括普通字符（例如，a 到 z 之间的字母）和特殊字符（称为“元字符”））操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。正则表达式是一种文本模式，该模式描述在搜索文本时要匹配的一个或多个字符串。
大白话的解释：正则表达式就是套用程序内部公式，匹配目标内容，进行采集。也就是让采集器知道，我需要什么内容，哪些内容采集，哪些内容不符合要求而加以丢弃。以下所列正则表达是从本人使用的v9.8版本中摘取的，供各位看官参考。
一、匹配采集网址、域名、URL正则表达式
（一）匹配闭合标签内网址正则表达式： (?<content>[\s\S]*?)
释义：可匹配闭合标签内做任意内容，不仅仅是网址。写法：<a href="(?<content>[\s\S]*?)" target="_blank" >，可以匹配形如<a href="https://www.taoboke.com/" target="_blank" >中的“https://www.taoboke.com/”字符串。
（二）匹配含http或https包括www.的网址：(?<content>(http(s)?:\/\/)(www\.)([a-z0-9--]{1,200})\.([a-z]{2,10})(\.[a-z]{2,10})?)
释义：匹配形如https://www.weblog.com.cn或http://www.weblog.com.cn网址，其中(http(s)?表示匹配http或https，(www\.)表示匹配www.字符串。([a-z0-9--]{1,200})\.([a-z]{2,10})(\.[a-z]{2,10})?表示匹配weblog.com.cn长后缀域名，或者weblog.com顶级短后缀域名。
（三）匹配含或不含www.的网址正则表达式：(?<content>(http(s)?:\/\/)(www\.)?([a-z0-9--]{1,200})\.([a-z]{2,10})(\.[a-z]{2,10})?)，可以匹配https://www.miaoshoulu.com.cn、https://www.miaoshoulu.com、https://miaoshoulu.com.cn、https://miaoshoulu.com等域名，灵活运用可以过滤掉二级域名网址。
（四）匹配域名正则表达式：(?<content>(www\.)?([a-z0-9--]{1,200})\.([a-z]{2,10})(\.[a-z]{2,10})?)
释义：匹配形如：
www.fawailian.com、miaoshoulu.com、weblog.com.cn三种域名，即带或不带www.和长后缀的域名，(www\.)?表示含或不含，([a-z0-9--]{1,200})\.([a-z]{2,10})表示匹配域名前缀.后缀的一部分如.com，(\.[a-z]{2,10})?表示匹配可能的长后缀第二部分如.cn（以weblog.com.cn为例）
（五）匹配长url表达式：(?<content>(http(s)?:\/\/)?(www\.)?[a-zA-Z0-9][-a-zA-Z0-9]{0,62}(\.[a-zA-Z0-9][-a-zA-Z0-9]{0,62})+(:\d+)*(\/\w+\.\w+)*([\?&]\w+=\w*)*)
释义：可以匹配形如https://www.taoboke.com/yuminggongju/12.html等各项带参数或目录的url。
接下来以采集内容为例，提供各块内容采集的常用表达式
二、匹配采集内容正则表达式（以title标签为例）
（一）匹配采集指定字符串之前的标题正式表达式：<title>[^\u4e00-\u9fa5a-zA-Z0-9]*(?<content>[\s\S]*?)[^\u4e00-\u9fa5a-zA-Z0-9]</title>
释义：<title>标签内[^\u4e00-\u9fa5a-zA-Z0-9]*表示排除任意一个或多个开头不是数字字母中文的字符串，紧接着(?<content>[\s\S]*?)表示匹配任意内容，最后[^\u4e00-\u9fa5a-zA-Z0-9]表示截取到不是数字字母中文的任意某个字符串为止，其作用是防止采集到标题中的乱码或者不规范文字，减轻处理工作量。
比如：使用这个表达式采集标题<title>全站秒收录 - 秒收录_自动秒收录_网站秒收录</title>，只采集到最开头“全站秒收录”三个字，因为紧接着“ - ”不属于数字字母中文的字符串，属排除范围，那么截取到此为止，后面的“ - 秒收录_自动秒收录_网站秒收录”站点品牌词、目录词就不采集，同样减轻工作量。
（二）匹配采集含指定关键词文章标题正则表达式：(?<content>[\s\S]*?[seo|SEO|搜索|优化|排名|目录|关键词|外链|友链|链接|收录|索引]+[\s\S]*?)
释义：只要标签内含“seo、SEO、搜索、优化、排名、目录、关键词、外链、友链、链接、收录、索引”等任意一个关键词，就可以匹配采集，其用途是从众多文章中找出符合自身网站主题的文章。
采集关键词、描述适用同样原理。其他的慢慢补充。使用过程有任何问题，也与站长本人联系。
（三）符合字数的字符串添加新内容
正则表达式：(<p>[^<]{100,})(?=</p>)
释义：分组(<p>[^<]{100,})，即<p>标签内容超过100个字符，且最后是</p>的闭合标签，(?=</p>)表示不捕获</p>
替换表达式：$1替换字符串</p>
释义：$1表示引用正则表达式分组1，即：(<p>[^<]{100,})内容，"替换字符串"即新增加的内容，由此实现根据原文长度判断，添加新的内容。
（四）字数不够的参加内容
正则表达式：(^[\s\S]{1,199}$)
释义：分组(^[\s\S]{1,199}$)，即^开头至结尾$之间的字符数不足200的情况，（）表示分组，供后面引用。
替换表达式：$1【替换字符串】，$1即引用^[\s\S]{1,199}$的内容，并加上【替换字符串】，作为随机插入的定位串，配合随机插入增加内容。由此实现根据原文长度判断，添加新的内容。
三、预查的解释与应用
预查又称环视（Lookaround）、属于零宽断言（Zero-Length Assertions）的一种，有 4 个语法：
| 语法 | 中文名 | 方便记忆 |
|---|---|---|
(?=regex) | 肯定性前瞻 | 匹配后面是什么，但不捕获 |
(?!regex) | 否定性前瞻 | 匹配后面不是什么，但不捕获 |
(?<=regex) | 肯定性后顾 | 匹配前面是什么，但不捕获 |
(?<!regex) | 否定性后顾 | 匹配前面不是什么，但不捕获 |
正则是从左往右匹配的，向前看（前瞻）就是右边、正向，向后看（后顾）就是左边、反向。
四、正则表达式(?!), (?:), (?=)的区别（正则预查）
注：令站长头痛的根据采集内容自动分类的问题，笔者基本已经解决，详见“火车头采集如何实现自动分类入库发布？”这篇文章，供大家参考。
转载请注明出处：淘博客，如有疑问，请联系（6677869）。
本文地址：https://www.taoboke.com/jishujiaocheng/82.html
