中国DOS联盟

Originally posted by zh159 at 2007-12-6 12:19 AM:
估计是要处理成这样：

是的，希望处理成类似那样的格式。

Originally posted by junchen2 at 2007-12-6 01:08 AM:
awk "NF>0{sub(/省 市/,\",\");sub(/房　　型:/,\",\");sub(/万元\/套/,\",\");sub(/备　　注:/,\",\");sub(/房　　龄:/,\",\") ...

谢谢，

只是你这个也是先识别出来之后，在写语句来实现替换得到最终格式的。

我现在的问题是如何自动的识别出来。比如识别出“省 市”是一个每行都重复的词。

Originally posted by lxmxn at 2007-12-6 01:02 AM:
重复的部分是不是固定格式的？

如果不是固定的，你的意思是不是要让程序来找到这些重复的部分，然后替换成（,）？

是的，就是想要让程序来找出这些重复的部分，比如找出“省 市”、“物业名称”……

Originally posted by everest79 at 2007-12-6 02:43 AM:

静态的html，你在导入任一页的WEB数据时只需要先将那个查询保存下来，本来就是文本格式，查询内容除了web地址有变化外其它是一样的，这样你可以 ...

查询结果是由部分信息，我需要的是全部信息，所以：
1，先抓取查询结果网页，
2，然后提取出其中的详细情况的URL列表，
3，依次下载每一个详细情况的网页，（每一个都类似http://www.fangduo.com/listsell.asp?id=33664）
4，目前的问题点：怎么有效的提取每个详细情况网页中的这些信息？

Originally posted by honghunter at 2007-12-6 09:25:
是的，就是想要让程序来找出这些重复的部分，比如找出“省 市”、“物业名称”……

你这样的要求有点像是人工智能哈。

看看下面被标记的部分，是不是也要剔除呢？如果也要剔除，那也好办了。

上海华泾新村二手房出售(地址:徐汇区华泾路880弄1楼)详情####房产编号: F52532828##省 市: 上海 物业名称: 华泾新村##所在区县: 徐汇 物业地址: 徐汇区华泾路880弄1楼##房　　型: 2室1厅1卫 房　　龄: 年##产权说明: 个人产权 业主报价: 55 万元/套##建筑面积: 57.2平方米 使用面积: 平方米##面积说明: ##房屋朝向: 南 所在楼层: 1层(共6层)##物业类型: 普通住宅 物业费用: 元/平方米·月##装修情况: 简装修##周边设施: ##交通说明: 770,718,714,804等##中介服务: ##看房时间: 提前联系##登记日期: 2007-12-3 有效期: 不限##备　　注: 赠送维修基金,煤气等设备####>>>联系方式 ( 好年华上中西路店 )##联 系 人: 请恰值班人员##联系电话: 54816012 54816013##手机: ##QQ: ##email: ##

不是提出同一行中重复的部分，是要找出不同行中重复的部分。