先做一個小調(diào)研：爪子們在日常采集中會經(jīng)常用到正則表達式嗎？比如調(diào)整網(wǎng)頁既定格式；剔除多余符號等…..

正則表達式的強大毋庸置疑，但使用門檻也確實存在。

即便是采集熟手，想要通過正則匹配準確拿到想要的信息，有時也要經(jīng)過多次嘗試，更不用說剛剛接觸八爪魚采集器的小白了。

正則匹配前

正則匹配后

正則表達式是什么？

正則表達式是一種字符串匹配的模式，用于描述一類字符串的集合。它可以用來匹配、搜索、替換、驗證等操作，廣泛應用于文本處理、編程語言、數(shù)據(jù)庫等領域。

具體來說，正則表達式可以用特定的符號和字符組合來匹配不同的字符串模式。如：

– \d 表示任意一個數(shù)字字符
– * 表示重復零次或多次
– + 表示重復一次或多次
– ? 表示重復零次或一次
– \w 表示任意一個字母、數(shù)字或下劃線字符- . 表示任意一個字符
– [] 表示一個字符集，例如 [abc] 匹配任意一個字符 a、b 或 c
– () 表示一個分組，可以對其中的內(nèi)容進行引用或者重復

當然以上這些只是正則表達式最基礎的使用方式，通過這些符號和字符的組合，我們可以靈活構建各種各樣的正則表達式來匹配不同的字符串模式，最終實現(xiàn)采集數(shù)據(jù)的調(diào)整。如：

表達式?\\s*(?=:\\s)?用于字段中刪除冒號后的空格。
在這個表達式中，`\\s`表示任何空白字符，`*`表示零個或多個，`(?=…)`表示一個正向預查，它匹配括號中的表達式，但不將其包含在匹配結(jié)果中。
這個表達式用于匹配在冒號和空格之間的任何空格，意味著它不會刪除字段值中的任意空格，只有在冒號后面有一個空格的情況下才會刪除空格。

看到這里你是不是已經(jīng)開始想放棄？

撰寫正則表達式規(guī)則對新手來說確實會有較高的門檻，雖然八爪魚也提供了正則工具輔助編寫，但有時也需要多次嘗試才能拿到最準確的信息。

但是??！現(xiàn)在有了ChatGPT，一切問題迎刃而解！

無須再自己編寫，我們可以直接通過提問對話的方式獲取所需規(guī)則！

如何用ChatGPT輔助采集？

本文小八將以豆瓣讀書為例，講解如何利用ChatGPT輔助八爪魚實現(xiàn)數(shù)據(jù)采集。

舉個栗子：
在采集過程中，我們只想要定價這個單獨的數(shù)據(jù)，但選擇元素時發(fā)現(xiàn)無法單獨提取，只能和作者、出版社等數(shù)據(jù)合并選中，這種情況要如何用正則表達式實現(xiàn)？

Step 1 : 選中要格式化的文本

整個字段提取完成以后，鼠標移動到目標字段上，然后點擊 【…】按鈕，選擇【格式化數(shù)據(jù)】，就會進入【格式化數(shù)據(jù)】配置頁面。點擊【添加步驟】，選擇【正則匹配】。

Step 2 : 用ChatGPT獲取正則表達式

我們可以直接向ChatGPT提問：如何利用正則表達式提取出其中的部分信息？

在添加步驟中直接輸入表達式，但匹配結(jié)果顯示為空，效果不佳。

沒關系，我們可以再次提問ChatGPT，此刻你就是硬氣的甲方爸爸

再次嘗試新公式，成功提取出想要的結(jié)果：

Step 3 : 利用正則表達式修改數(shù)據(jù)格式

按這個流程，我們可以依次提取出出版年份，裝幀方式等文本內(nèi)容，成功拿到我們想要的數(shù)據(jù)啦~

除了正則匹配，ChatGPT也可以應用至正則替換等功能來剔除不符合規(guī)范的數(shù)據(jù)。

相比簡單的【替換】，【正則表達式替換】更為強大

當然，這個只是ChatGPT在八爪魚采集器中的一個場景，小八也正在探索把ChatGPT功能集成進八爪魚采集器來輔助大家做好正則表達式，xpath等功能。

文末點贊讓PM們看看大家對新功能期待程度，點贊越多，上線越快哦~