请求帮忙看一下怎样采集，太有难度了！

牵扯到外语相当难采集，请帮忙看一下，只说一下列表区域识别规则和文章内容识别规则就行，谢谢！
列表页：
<span class="mw-headline">а</span></h2>
<pre>
<a href="/wiki/%D0%B0" title="а">а</a>
<a href="/wiki/%D0%B0-" title="а-">а-</a>
</pre>
<p><a name=".D0.B0.D0.B0" id=".D0.B0.D0.B0"></a></p>
<h2><span class="editsection">[<a href="/w/index.php?title=%D0%98%D0%BD%D0%B4%D0%B5%D0%BA%D1%81:%D0%A0%D1%83%D1%81%D1%81%D0%BA%D0%B8%D0%B9_%D1%8F%D0%B7%D1%8B%D0%BA/%D0%90&amp;action=edit&amp;section=2" title="Править секцию: аа">прав.</a>]</span> <span class="mw-headline">аа</span></h2>
衔接从这里开始或者从上面什么地方开始都行。（中间略）
<a href="/wiki/%D0%90%D1%8F%D1%85%D1%82%D0%B0" title="Аяхта">Аяхта</a>  
</pre>
<p><br /></p>
<table style="padding:8px;" cellpadding="8" width="100%">

内容页：
<span class="mw-headline">Морфологические и синтаксические свойства</span></span></h3>
中间是内容
<p><a name=".D0.9F.D1.80.D0.BE.D0.B8.D0.B7.D0.BD.D0.BE.D1.88.D0.B5.D0.BD.D0.B8.D0.B5" id=".D0.9F.D1.80.D0.BE.D0.B8.D0.B7.D0.BD.D0.BE.D1.88.D0.B5.D0.BD.D0.B8.D0.B5"></a></p>
<h3><span class="editsection">

怎么测试都不成功，真崩溃了，采集过别的网页都没问题。谢谢！