内容采集规则教程：标签编辑

标签编辑

对数据内容标签进行编辑定义，数据的获取方式有
A).从源码中获取数据
B).生成固定格式的数据
C).已有标签组合

A).从源码中获取数据：可精确地设置标签的来源是从默认页的源码、返回头信息和网页地址中，
                   或者是分页、循环分块、多页中。

                   其数据提取方式包括： 
                   A.a).前后截取
                   A.b).正则提取
                   A.c).正文提取
                   A.d).Xpath提取
                   A.e).JSON 提取

B).生成固定格式的数据：可生成固定的字符串、系统时间、随机字符串、随机数字、系统时间戳、随机抽取信息

C).已有标签组合：可通过组合已有的标签，来生成新的标签内容

A.a).前后截取

通过设置开始字符串和结束字符串，来获取中间的字符，可以在开始和结束字符串中设置通配符（*）

A.b).正则提取

支持两种正则，一个纯正则，一个参数正则。
先介绍纯正则，举个例子，
如：前字符串 (?<content>[\s\S]*?)后字符串，这个正则其实效果跟前后截取一样，
如需要获取全部代码，则为^(?<content>[\s\S]*?)$ ，此功能运用需有一定的正则基础。

关于参数正则，是通过参数组合，来生成内容。
比如说要匹配标题为“新用户注册”和作者“神秘嘉宾”，代码如下：
<div class="content">
                <h2>新用户注册</h2>
<div id="tools">【作者：神秘嘉宾】【字号：<a href="#" class="fontSize">大</a>

设置如图：

需要获取的字段用参数表示，不需要的字段或空格用星号代替；在组合结果里可以对多个参数进行组合。

A.c).正文提取

注意这种方式只适合格式较为规则的多文字数据提取，例如新闻文章。
它不需要设置复杂的规则，可智能分析提取文章正文，文章标题，以及发布时间。

A.d).Xpath提取

通过Xpath表达式来获取数据，比如//div[@id=’content’]，
就是获取id为content的div可指定要获取html节点的属性，
比如 Innerhtml、Outerhtml、Innertext、Href属性。
（注意：这种有一定的局限性，对于部分html标签不规范的页面无法解析。）

A.e).JSON提取

通过对JSON形式的数据格式化操作，写表达式来获取其节点数据。
详细教程后续分解。