[問題] 抓取網頁資訊

[MrAshan (一輩子)]

<li class=g><h3 class=r><a
href="http://mi.nou.edu.tw/workshop/workshop_910718.htm"

以上是我想要抓取的 條件是有class=g 跟 class=r時 才抓取網頁

我表示式寫成

(?s)class=g><a\\s+href\\s*=\\s*\"?(.*?)[\"|>]

沒辦法抓取我要的網頁

但若我改成

(?s)class=r><a\\s+href\\s*=\\s*\"?(.*?)[\"|>]

是有辦法 可是在google網頁中 它會連庫存網頁也會抓進來

我只要單一乾淨的主網頁 不要子網頁

有沒有 辦法??

--
※ 發信站: 批踢踢實業坊(ptt.cc) 
◆ From: 202.132.194.89
→ MrAshan:沒人回答我的問題-_-
→ giacch:最後那表示式, 前面想辦法把class=g的條件加上去試試...
→ MrAshan:試了目前在第一頁擷取網頁是正常但在第二頁一樣會有子網頁
→ MrAshan:又會跟之前一樣 相同性的問題又出現?
→ giacch:可以提供樣本作測試嗎..? 我找的google連一行都出不來...
→ MrAshan:找Crawler相關資訊 會對你有幫助:)