快眼看书(booksky.org) booksky, org

pcxg

1. #exd#*booksky.org*#<p align="?center"?>[\s\S]*?<\/p>###<!--AD/TW2-->

复制代码

搜书的页面过滤的应该非常干净了，但是看书页面又个 动画 不会过滤。但是基本过滤已经过滤掉了。。呵呵 ~！


   非常感谢 elkay 大大的帮助~！！

[ 本帖最后由 pcxg 于 2007-12-28 19:43 编辑 ]

pcxg

自己顶一下~！

elkay

还是那个问题。你在选择过滤部分的时候尽量不要用这种没有唯一性的标识，我看了下这个网站，你要过滤的部分其实是这个
<iframe frameborder=0 src='http://www.booksky.org/qihoo1.htm' width='760' height='112' scrolling=no marginwidth=0 marginheight=0></iframe>

另外还有一点，假如必须选择</table>这种标识的话为了代码的严谨，过滤完之后也一定要补上的，不然页面可能会出问题

elkay

我先移到这里，等你改好了再移动到主版

pcxg

</table>  怎么补啊？？下载就是补知道怎么补啊？还有论坛上面的教程相对简单了点啊~！没有一个可以完全的教程供大家学习。。

elkay

可以在替换串里加上你先前过滤掉的需要补上的内容。

教程只能是这样啊，只是一个参考，大多数还是要自己试的

其实只要多试几次，慢慢的就有经验了

pcxg

有一句是这样的：<p align="center">  但是有时候又是<p align=center>那我怎么去些啊~！

pcxg

也就是把：
#exd#*booksky.org*#<p align="center">[\s\S]*?<\/p>###<!--AD/TW2-->
#exd#*booksky.org*#<p align=center>[\s\S]*?<\/p>###<!--AD/TW2-->
这2句合成一句???

elkay

ok，你看这2个有什么区别？
<p align="center">
<p align=center>

实际上就是一个有"号，一个没有对吗？

再看一下正则表达式里?号的作用

? 匹配前面的子表达式零次或一次。? 等价于 {0,1}。

明白应该如何了么？
(答案在下面，全选文字就能看到，建议你先不要看，自己先试试看)

只需要在"后面加上?就会变成同时匹配有"号或者没有"号的情况
即：<p align="?center"?>

[ 本帖最后由 elkay 于 2007-12-28 19:30 编辑 ]

pcxg

呵呵 。搞定。。谢谢指导~！

elkay

晕～
你还是没明白我的意思。

通常情况下<p></p>是表示一个段落，页面中很可能不止一个，如果有其他的选择一般是不建议使用这个来过滤的。

你要过滤的那个网站首页，你要过滤的就是下面的内容

1. <p align="center"><iframe frameborder=0 src='http://www.booksky.org/qihoo1.htm' width='760' height='112' scrolling=no marginwidth=0 marginheight=0></iframe><br></p>

复制代码

通常的作法是选择过滤这一段

1. <iframe frameborder=0 src='http://www.booksky.org/qihoo1.htm' width='760' height='112' scrolling=no marginwidth=0 marginheight=0></iframe>

复制代码

这个iframe就是广告部分，而且里面的height='112' 指定了这个部分的高度，看一下这个页面的源文件，这个是唯一的，所以用这个来过滤，其实也可以选择src='http://www.booksky.org/qihoo1.htm'这个来过滤，这些都是不会对其他内容造成影响的

同一个页面的下面也有这么一段广告代码

1. <iframe frameborder=0 src='http://code.comuce.com/bdcode/275.html?userid=6793' scrolling=no marginwidth=0 marginheight=0 width='760' height='110'></iframe>

复制代码

也就是这个页面中，这2个iframe就是广告，只要过滤掉这2个iframe就可以了
下面的正则表达式就可以匹配到所有的iframe，因为这个网页上只有2个iframe，下面的是可以的

1. <iframe[^>]*?></iframe>

复制代码

但是如果有2个以上，并且其他的iframe都是正常内容的情况下，这个正则表达式就会有误杀现象。

所以必须要找一些有代表性的并且是唯一的东西来匹配，就像一开始说的，可以用高度，或者是链接的地址来匹配。
加入这里选择高度，那就是下面2条分别匹配到我们要过滤的部分。

1. <iframe[^>]*?height='112'[^>]*?></iframe>
   
2. <iframe[^>]*?height='110'[^>]*?></iframe>

复制代码

如何合并上面的2条呢？还是我前面帖子里说的，找一下他们的区别，这2条区别就在height后面的数值不一样，看一下教程里提供的正则表达式

1. |
   
2. "或"分隔符, 分隔多个表达式, 只须匹配其中一个.
   
3. 例: th(is|at|ese|ose) 可以匹配 this, that, these 或 those.

复制代码

只要我们用"|"隔开2个不同的数字，其他部分就可以合并到一起了，你试试看能不能写出最后的规则。
(答案附在下面，一样建议不要看，先自己试试)
<iframe[^>]*?height='(?:112|110)'[^>]*?></iframe>

285900537

1. #exd#*booksky.org*#<p align="center">[\s\S]*?<\/p>###<!--AD/TW2-->
   
2. #exd#*booksky.org*#<p align=center>[\s\S]*?<\/p>###<!--AD/TW2-->

复制代码

这两句话其实是存在巨大的误杀风险的(我们的原则是，宁可漏杀不可误杀，宁可少杀不可滥杀)，<p>标签是表示文章段落，因此使用<p>标签也会增加过滤所需的时间。所以，我们一般针对<p>标签内的信息进行过滤。

一般的，广告分为iframe广告、JS广告、带有<a>标签的超级链接广告（文本或图片）和包含在<object>标签内的flash广告，所以可以使用<p>标签内的信息进行过滤。

1. <p align="center"><iframe frameborder=0 src='http://www.booksky.org/qihoo1.htm' width='760' height='112' scrolling=no marginwidth=0 marginheight=0></iframe>
   
2. </p>

复制代码

请看，这段HTML代码中，包含在<p>标签内的iframe，一般的我们会针对这个iframe过滤，（很多情况下iframe被用来放广告，除了一些特别情况，如17K.com上的iframe被用来方网站的头部）

所以我们可以写如下的规则：

1. #exd#*booksky.org*#<iframe[^>]*?qihoo\d[^>]*?><\/iframe>###<!--AdCodeFilterTest-->[001_iframe]<!--TheWorld2-->

复制代码

BTW，上面的replace部分“><!--AdCodeFilterTest-->[001_iframe]<!--TheWorld2-->”其实是我写完规则后测试时的习惯，使用这种办法可以知道过滤是否生效等信息，然后实际使用时去除这段replace。

呵呵，养成好的习惯可以让你在写规则时效率大增。