火车头采集器C#小技巧提取h2、h3标签添加到内容头部作为文章导航-SEO模板

查找所有的 <h2> 或 <h3> 标签，并为它们统一、连续地添加带编号的 span 锚点。

先给对应的 C# 代码：

//将内容中所有的h2或h3标签，添加span并顺序编号，成为li内容导航的锚点
using System;
using System.Collections.Generic;
using System.Text.RegularExpressions;
using SpiderInterface;

class LocoyCode
{
    public string Run(string content, ResponseEntry response)
    {
        // 使用正则表达式查找所有的<h2>或<h3>标签
        // 修改点：将 <h2> 改为 <h(2|3)>，并使用 RegexOptions.IgnoreCase 以兼容大小写
        var regex = new Regex(@"<h(2|3)>(.*?)</h\1>", RegexOptions.IgnoreCase | RegexOptions.Singleline);
        int count = 1;

        // 使用MatchEvaluator委托进行匹配项的处理
        string resultContent = regex.Replace(content, match =>
        {
            // 获取匹配到的完整标签，例如 "<h2>标题</h2>"
            string fullTag = match.Value;
            
            // 从完整标签中提取出开头的标签名，例如 "h2" 或 "h3"
            // match.Groups[1].Value 对应正则中的 (2|3)
            string tagType = "h" + match.Groups[1].Value;

            // 提取标签内的文本内容
            string tagContent = match.Groups[2].Value;

            // 构造新的<h2>或<h3>标签，其中包含编号的<span>
            string newTag = "<" + tagType + "><span name=\"" + count + "\" id=\"" + count + "\"></span>" + tagContent + "</" + tagType + ">";
            
            count++; // 更新编号
            
            return newTag;
        });

        return resultContent;
    }
}

代码说明：

正则表达式修改：
- 正则：@"<h(2|3)>(.*?)</h\1>"
- h(2|3)：这部分会匹配 h2 或 h3。括号 () 创建了一个捕获组，我们可以在后续代码中引用它。
- </h\1>：\1 是一个反向引用，它会引用第一个捕获组 (2|3) 匹配到的内容。如果开头是 <h2>，这里就会匹配 </h2>；如果开头是 <h3>，这里就会匹配 </h3>。这确保了开始和结束标签的配对。
- RegexOptions.IgnoreCase：添加了这个选项，使得正则表达式可以匹配 <H2>、<h3> 等大小写混合的标签，增强了代码的健壮性。
标签重建逻辑：
- match.Groups[1].Value：获取第一个捕获组的内容，即 2 或 3。
- string tagType = "h" + match.Groups[1].Value;：通过拼接，我们得到了完整的标签名 h2 或 h3。
- string newTag = "<" + tagType + "..." + "</" + tagType + ">";：使用动态获取的 tagType 来构建新的开始和结束标签，确保无论是 h2 还是 h3 都能被正确处理。
编号逻辑：
- count 变量在 MatchEvaluator 委托外部定义，并在每次匹配成功后递增。这意味着 <h2> 和 <h3> 标签会共享同一个连续的编号序列（例如，第一个 h2 是 1，第一个 h3 是 2，第二个 h2 是 3，以此类推）。这个修改后的版本完全符合您的要求，能够统一处理 <h2> 和 <h3> 标签，并为它们生成连续的导航锚点。

效果

maodian

使用说明

1. 功能概述

本C#插件是为火车采集器设计的一个内容处理脚本。它的核心功能是：

自动扫描文章内容中的所有 <h2> 和 <h3> 标签。
顺序编号：为每一个找到的标题标签分配一个从1开始的连续数字编号（例如，第一个标题是1，第二个是2，以此类推，无论它是h2还是h3）。
插入锚点：在每个标题标签的内部，自动插入一个带有 name 和 id 属性的 <span> 标签。这个 <span> 就是一个锚点，可以被页面内的链接引用。 最终效果：
原始内容：<h2>第一章：简介</h2><h3>1.1 背景</h3><h2>第二章：核心内容</h2>
处理后内容：<h2><span name="1" id="1"></span>第一章：简介</h2><h3><span name="2" id="2"></span>1.1 背景</h3><h2><span name="3" id="3"></span>第二章：核心内容</h2>

2. 主要用途

此插件是实现**页面内容导航（Table of Contents）**的关键第一步。通过为标题添加唯一的锚点，您可以：

在文章顶部自动生成一个可点击的目录列表。
用户点击目录中的链接，页面会平滑滚动到对应的标题位置，极大地提升了长篇文章的用户体验。

3. 如何在火车采集器中使用

前提： 您的火车采集器版本需要支持C#脚本处理。 步骤如下：

复制代码：将下面提供的完整C#代码复制到火车头C#。
进入内容处理规则设置：在火车采集器中，打开您的任务，进入 “内容规则” 或 “发布模块” 的设置界面。
添加C#处理：在内容处理流程中，找到 “C#处理” 或类似的选项，点击添加。
粘贴代码：在弹出的C#代码编辑框中，将第1步复制的代码粘贴进去。
选择处理标签：
- 标签内容：这是最关键的一步。您需要选择一个包含文章正文内容的标签，通常是 内容 或 body 等自定义标签。请确保您选择的是完整的HTML内容，而不是某个字段。
- 不选择标签：如果您选择此项，脚本将处理整个页面的原始HTML，这通常不是您想要的。
保存并测试：保存您的规则设置。然后运行采集任务，测试一条数据。检查采集到的内容，确认 <h2> 和 <h3> 标签是否已按预期插入了 <span name="1" id="1"></span> 这样的锚点。

4. 配合生成目录（高级用法）

此脚本只完成了第一步（添加锚点）。要生成可点击的目录，您还需要另一个脚本或处理步骤。 思路：

第一步（本脚本）：为 <h2> 和 <h3> 添加锚点。
第二步（新脚本）：
- 再次扫描内容，提取出所有 <h2> 和 <h3> 标签的文本和它们的锚点 id。
- 根据这些信息，动态生成一个 <ul> 和 <li> 列表，例如：
```
<ul class="toc">
    <li><a href="#1">第一章：简介</a></li>
    <li><a href="#2">1.1 背景</a></li>
    <li><a href="#3">第二章：核心内容</a></li>
</ul>
```
- 将这个生成的目录HTML插入到文章内容的最前面。通过这样两步处理，您就可以实现一个完全自动化的、带有可点击目录的文章发布功能。

5. 注意事项

标签顺序：count 变量是连续递增的，它会按照 <h2> 和 <h3> 在文章中出现的先后顺序进行编号。
兼容性：脚本使用了 RegexOptions.IgnoreCase，可以处理 <H2> 或 <h3> 等大小写不规范的标签。
性能：对于非常长的文章，正则表达式处理可能会有轻微的性能开销，但对于绝大多数网站文章来说，影响可以忽略不计。
ID唯一性：由于是顺序编号，在同一篇文章内，生成的锚点 id 是唯一的。但如果一页显示多篇文章，可能会有ID冲突的风险，请根据您的网站架构评估。希望这份详细的说明能帮助您顺利使用这个插件！