Regex 如何在nutch中设置正则表达式来过滤techcrunch的URL？

我想抓取2013年1月1日之后上传的Techcrunch页面。该网站遵循这种模式

             http://www.techcrunch.com/YYYY/MM/DD

因此，我的问题是如何在nutch中设置urlfilter中的正则表达式，以便只抓取我想要的页面

             +^http://www.techcrunch.com/2013/dd/dd/([a-z0-9\-A-Z]*\/)*

---

我不知道nutch，但你会尝试：

+^http://www.techcrunch.com/2013/[0-9]{2}/[0-9]{2}.*$

或

---

以下表达式将匹配您需要的URL：

没有分组

http:\/\/www.techcrunch.com\/\d{4}\/\d{2}\/\d{2}\/\w+

http:\/\/www.techcrunch.com\/(\d{4})\/(\d{2})\/(\d{2})\/(\w+)

与组一起

http:\/\/www.techcrunch.com\/\d{4}\/\d{2}\/\d{2}\/\w+

http:\/\/www.techcrunch.com\/(\d{4})\/(\d{2})\/(\d{2})\/(\w+)

我没有放置锚点（

^$

），但是如果过滤需要，可以放置锚点

试试看是否有任何一种有效

我不知道nutch是如何工作的，但是有几个关于您的正则表达式的建议可能适用：regexp中的

/

应该转义；

dd

部分应为

\d\d

，以便匹配两位数字

关于设置正则表达式，请查看它是否有帮助