CMS采集规则编写教程，正则表达式提取内容
很多站长在用CMS搭建内容站时，都会遇到批量导入文章的需求。手动复制粘贴效率太低，用采集工具配合自定义正则表达式，就能把目标页面的标题、正文、图片等字段自动提取出来。这篇教程面向零基础用户，讲清楚采集规则怎么编写、正则表达式如何写、怎么验证提取结果，跟着操作就能完成一套可用的采集规则。
## 先理清采集规则里的几个核心概念
在动手写正则之前，需要先明白采集工具处理页面的基本流程：**列表页抓取链接 → 进入内容页 → 用正则匹配字段 → 入库到CMS**。
采集规则通常包含三部分：
- **列表页规则**：从栏目页提取文章详情页的URL，常用正则或XPath定位 `` 标签。
- **内容页规则**：在详情页里分别提取标题、正文、发布时间、作者等字段。
- **替换与过滤**：去掉广告代码、多余标签、站外链接等。
正则表达式在这里的作用是“按特征定位内容”。比如标题一般在 `` 里，正文在 `
` 里，正文在 `` 里，用正则把标签之间的文字抠出来即可。
需要提醒的是，采集前应确认目标站点的版权声明和robots协议，仅采集允许转载或自己有权使用的内容，避免法律风险。
## 准备工作和环境确认
开始前先准备好以下条件：
1. 一个可用的CMS站点，比如织梦、帝国、WordPress，确保数据库连接正常。
2. 安装采集工具，常见的有火车头采集器、蓝天采集器，或CMS自带的采集插件。本文以通用采集器界面为例，具体按钮名称可能略有差异，以你使用的工具实际显示为准。
3. 准备一个目标页面URL，用于测试正则是否匹配成功。
4. 浏览器打开目标页面，按 `F12` 查看源码，找到标题、正文对应的HTML结构。这一步最关键，正则写不对通常是没看清源码特征。
确认源码特征后，把关键片段的HTML复制出来，作为编写正则的参照。
## 编写正则表达式提取标题与正文
### 提取文章标题
假设源码中标题结构为：
```html
这里是文章标题
```
对应的正则写法：
```regex
]*>(.*?)
```
说明：`[^>]*` 表示h1标签内可能有class等属性，`(.*?)` 是捕获组，非贪婪匹配标签之间的内容。在采集器的“标题”字段里填入这段正则，捕获组选第1组。
### 提取正文内容
正文通常包裹在 `` 或 `` 里：
```html
正文段落一
正文段落二
```
正则写法：
```regex
([\s\S]*?)
```
这里用 `[\s\S]*?` 而不是 `.*?`，因为正文里包含换行，`.` 默认不匹配换行符。捕获组选第1组，就能拿到正文HTML。
如果正文外层有多个嵌套div，正则容易提前截断，建议改用更精确的结束特征，例如：
```regex
([\s\S]*?)
```
### 提取发布时间
源码示例：
```html
2024-05-20 10:30
```
正则：
```regex
(\d{4}-\d{2}-\d{2} \d{2}:\d{2})
```
`\d` 匹配数字，`{4}` 表示重复4次，这样能精确匹配日期格式。
### 列表页URL提取
列表页里文章链接一般长这样：
```html
标题
```
正则：
```regex
` 就停止。改用 `[\s\S]*?` 并加上更独特的结束标记，或者用“从开始特征到结束特征”的区间提取模式。
**采集后出现乱码**：目标页面编码可能是GBK，采集器里要把编码设置为GBK或自动识别，入库前统一转成UTF-8。
**图片不显示**：正文里的图片是相对路径，需要在采集规则里开启“图片本地化”或“补全URL”，把 `src="/uploads/..."` 替换为完整域名。
**正则贪婪导致匹配过多**：把 `*` 改成 `*?` 启用非贪婪模式，是解决这类问题最直接的办法。
正则表达式提取内容的核心思路就是“找唯一特征 + 非贪婪捕获 + 精确结束标记”。只要特征选得准，规则稳定性会明显提高。
## 验证采集结果是否可用
写完规则不要直接批量采集，先做小范围测试：
1. 在采集器里填入一条测试URL，点击“测试采集”或“预览”。
2. 检查标题、正文、时间字段是否完整，有没有多余HTML标签。
3. 把提取结果和原页面内容对比，确认没有漏段或串行。
4. 测试通过后，先采集5到10条，发布到CMS草稿箱，检查排版和图片是否正常。
5. 确认无误后再开启批量采集，并设置合理的采集间隔，避免给目标站造成压力。
如果采集器支持，把规则导出备份，换站点或换模板时方便复用和修改。
## 几个常见疑问
**正则里的捕获组和替换规则有什么区别？**
捕获组负责“抠出内容”，替换规则负责“清理内容”。比如正文里带广告代码，可以在替换规则里用正则把广告片段删掉，两者配合使用。
**不会写正则怎么办？**
很多采集器内置了可视化提取或XPath模式，点选页面元素就能生成规则。正则适合处理结构不规整的页面，可以先从简单字段练手。
**采集的内容能直接发布吗？**
建议二次编辑，补充内链、调整排版，并确认内容授权。纯采集发布容易产生重复内容，对SEO不利。
掌握CMS采集规则编写和正则表达式提取内容的方法后，批量建站和内容迁移的效率会明显提升。建议先拿一个测试栏目跑通流程，再逐步扩展到全站采集。
这里是文章标题
``` 对应的正则写法： ```regex` 或 `` 里：
```html
```
正则写法：
```regex
正文段落一
正文段落二
([\s\S]*?)
```
这里用 `[\s\S]*?` 而不是 `.*?`，因为正文里包含换行，`.` 默认不匹配换行符。捕获组选第1组，就能拿到正文HTML。
如果正文外层有多个嵌套div，正则容易提前截断，建议改用更精确的结束特征，例如：
```regex
([\s\S]*?)
```
### 提取发布时间
源码示例：
```html
2024-05-20 10:30
```
正则：
```regex
(\d{4}-\d{2}-\d{2} \d{2}:\d{2})
```
`\d` 匹配数字，`{4}` 表示重复4次，这样能精确匹配日期格式。
### 列表页URL提取
列表页里文章链接一般长这样：
```html
标题
```
正则：
```regex
` 就停止。改用 `[\s\S]*?` 并加上更独特的结束标记，或者用“从开始特征到结束特征”的区间提取模式。
**采集后出现乱码**：目标页面编码可能是GBK，采集器里要把编码设置为GBK或自动识别，入库前统一转成UTF-8。
**图片不显示**：正文里的图片是相对路径，需要在采集规则里开启“图片本地化”或“补全URL”，把 `src="/uploads/..."` 替换为完整域名。
**正则贪婪导致匹配过多**：把 `*` 改成 `*?` 启用非贪婪模式，是解决这类问题最直接的办法。
正则表达式提取内容的核心思路就是“找唯一特征 + 非贪婪捕获 + 精确结束标记”。只要特征选得准，规则稳定性会明显提高。
## 验证采集结果是否可用
写完规则不要直接批量采集，先做小范围测试：
1. 在采集器里填入一条测试URL，点击“测试采集”或“预览”。
2. 检查标题、正文、时间字段是否完整，有没有多余HTML标签。
3. 把提取结果和原页面内容对比，确认没有漏段或串行。
4. 测试通过后，先采集5到10条，发布到CMS草稿箱，检查排版和图片是否正常。
5. 确认无误后再开启批量采集，并设置合理的采集间隔，避免给目标站造成压力。
如果采集器支持，把规则导出备份，换站点或换模板时方便复用和修改。
## 几个常见疑问
**正则里的捕获组和替换规则有什么区别？**
捕获组负责“抠出内容”，替换规则负责“清理内容”。比如正文里带广告代码，可以在替换规则里用正则把广告片段删掉，两者配合使用。
**不会写正则怎么办？**
很多采集器内置了可视化提取或XPath模式，点选页面元素就能生成规则。正则适合处理结构不规整的页面，可以先从简单字段练手。
**采集的内容能直接发布吗？**
建议二次编辑，补充内链、调整排版，并确认内容授权。纯采集发布容易产生重复内容，对SEO不利。
掌握CMS采集规则编写和正则表达式提取内容的方法后，批量建站和内容迁移的效率会明显提升。建议先拿一个测试栏目跑通流程，再逐步扩展到全站采集。
1
系统公告
泽御云中秋国庆双节活动上线：新购8折，拼团3.99元起
尊敬的用户：泽御云“月满中秋·礼贺国庆”双节活动现已开启，活动时间为2026年9月23日至10月10日。 活动期间可享以下福利：
1. 常规云服务器新购使用优惠码“泽御中秋国庆同乐”，符合条件的订单享8折优惠。
2. 香港精品云服务器5人拼团低至3.99元，部分4核4G套餐3人拼团年付388元，续费同价。
3. 新用户购买年付云服务器，符合活动规则可赠送2个月使用时长。
4. 老用户续费季度赠15天，续费年度赠2个月；活动期间升级配置免收配置迁移手续费。
5. 推荐好友成功下单，符合条件的推荐人可获赠7天服务器使用时长。
6. 活动期间享宕机补偿标准翻倍、简单网站迁移协助及技术工单优先处理权益。
温馨提示：优惠码不适用于拼团套餐、活动轻量产品、年付订单及续费订单；拼团套餐为独立特价活动，不与赠时类福利叠加。赠送时长不可折现、退款或跨账户转移，具体规则以活动页面说明为准。
服务中心
联系我们
联系我们，为您的业务提供专属服务。
24/7 技术支持
如果您遇到寻求进一步的帮助，请过工单与我们进行联系。
24/7 即时支持
泽御云
售前客服
泽御云
售后客服
泽御云
技术支持