AI辅助写CMS采集正则，快速提取网页内容
如果你正在用CMS建站，需要批量采集网页内容，但手动写正则表达式又慢又容易出错，那么让AI辅助生成采集正则是一个省时省力的办法。这篇文章面向零基础用户，讲清楚如何借助AI快速写出能用的采集正则，并把它配置到CMS采集规则里，最终实现标题、正文、图片等内容的自动提取。整个过程不需要你精通正则，只要会复制粘贴和简单验证就能完成。
## 采集前需要准备什么
开始之前，先确认你的环境满足以下条件，避免中途卡住：
- **CMS后台**：以宝塔面板搭配常见CMS（如WordPress、帝国CMS、织梦等）为例，确保你有采集插件或采集功能的使用权限。
- **目标网页**：确定要采集的页面URL，最好准备2-3个同结构的页面用于测试。
- **AI工具**：任意支持文本对话的AI助手即可，不需要特殊版本。
- **浏览器开发者工具**：按 `F12` 或右键“检查”打开，用来查看网页源码结构。
这里的关键是**不要急着让AI直接生成完整规则**，先自己看一眼目标网页的HTML结构，知道标题、正文、图片分别放在哪个标签里，AI才能给出更准确的正则。
## 让AI写出可用的采集正则
很多人用AI写正则效果差，原因是提问太笼统。正确的做法是把网页源码片段一起发给AI，并明确告诉它你要提取什么。
### 第一步：复制目标区域的HTML片段
在浏览器中右键“检查”，找到包裹标题、正文或图片的HTML代码，复制其中一小段。例如正文可能长这样：
```html
```
### 第二步：向AI描述采集需求
把复制的HTML片段粘贴给AI，然后这样提问：
> 请帮我写一个正则表达式，从下面这段HTML中提取 `
这是正文第一段。
这是正文第二段。
` 到 `
` 之间的所有内容，包括内部的HTML标签。只输出正则表达式和简单说明。
AI通常会返回类似这样的正则：
```regex
([\s\S]*?)<\/div>
```
其中 `[\s\S]*?` 表示匹配任意字符（包括换行），`?` 表示非贪婪匹配，避免跨过多个div。
### 第三步：在CMS采集规则中填入正则
以宝塔面板中常见的采集插件为例，操作路径一般是：
`网站` -> `你的站点` -> `采集` -> `添加采集规则` -> `内容规则`
在“正文”或“内容”字段中，选择“正则匹配”，粘贴AI生成的正则。标题、图片等字段同理，分别让AI生成对应正则。
## 测试与验证提取结果
正则填好后不要直接全站采集，先用单页测试。
- 在采集规则页面找到“测试”或“预览”按钮，输入一个目标URL，点击测试。
- 检查返回结果中标题、正文、图片是否完整，有没有多出无关代码或缺少内容。
- 如果正文提取不完整，把测试结果和原始HTML再次发给AI，让它调整正则。
一个可验证的判断标准是：**采集到的正文在CMS编辑器中打开后，段落、图片、链接都正常显示，没有残留的div或script标签**。如果出现乱码，检查CMS和目标网站的编码是否一致，通常统一为UTF-8即可。
## 常见报错与避坑清单
新手用AI写采集正则，最容易在下面几个地方卡住：
- **正则匹配不到内容**：多数是HTML里有多余空格、换行或属性顺序不同。让AI生成时加上 `[\s\S]*?` 和转义字符，并在测试时逐步缩小范围。
- **匹配范围过大**：把整个页面都抓下来了。原因是用了贪婪匹配 `.*`，改成非贪婪 `.*?` 或 `[\s\S]*?` 通常能解决。
- **图片链接不完整**：如果采集到的图片是相对路径，需要在CMS采集规则中开启“补全URL”或手动拼接域名。
- **采集频率过高被封IP**：在采集设置中把并发数调低，间隔时间调大，建议不低于3秒。
- **AI生成的正则包含多余转义**：复制到CMS前先去掉首尾的引号或代码块标记，只保留正则本身。
另外再看一点提醒一点：不同CMS对正则语法的支持略有差异，如果测试一直失败，可以查阅你所使用CMS的采集文档，或让AI按该CMS的语法重新生成。
## 如何判断采集规则可以正式使用
单页测试通过后，不要立刻全量采集。先选取5-10个同结构页面进行小批量测试，检查以下三点：
1. **内容完整度**：正文、标题、发布时间、来源等字段是否都能提取到。
2. **格式正确性**：采集后的内容在CMS中排版是否正常，图片能否显示。
3. **重复率**：如果CMS支持，开启“标题重复检测”，避免重复入库。
确认无误后，再逐步扩大采集范围。整个过程中，AI辅助写CMS采集正则只是帮你节省写规则的时间，最终的验证和调整仍然需要你亲自完成。遇到特殊页面结构时，把实际HTML和报错信息反馈给AI，通常两三轮就能得到可用的正则。
