DEDECMS之九 文章采集

DEDECMS之九 文章采集

到很多网友都为织梦（DEDECMS）的采集教程头疼，的确，官方出的教程太笼统了，什么都没说，换个网站你什么都做不了，这个教程是最详尽的教程，让你一看即会！

一、列表采集

第一步、我们打开织梦后台点击采集——采集节点管理——增加新节点

第二步、这里我们以采集普通文章为例，我们选择普通文章，然后确定 第三步、进入了采集的设置页面，填写节点名称。

第四步、打开你想要采集的文章列表页。

这里以这个网站为例，http://www.nanmafan.com/xunyicao/打开这个页面， 右键——查看源文件找到目标页面编码，就在charset后面）   第五步、填写页面的基本信息，填完后如图 第六步、填写列表网址获取规则看看文章列表第一页的地址。

http://www.nanmafan.com/xunyicao/list_49_1.html 对比第二页的地址http://www.nanmafan.com/xunyicao/list_49_2.html 我们发现了他们除了49_后面的数字不一样，其他的都一样，所以我们可以这样写 http://www.nanmafan.com/xunyicao/list_49_(*).html 就是把1换成了(*)因为这里只有2页，所以我们就填从1到2每页递增当然是1了，2-1...是等于1吧 这里我们就填写完了   可能大家采集的有些列表没有规则，那就只有手工指定列表网址了，如图 每行写一个页面地址

第七步、填写文章网址匹配规则了,回到文章列表页

右键查看源文件找到区域开始的HTML，就是找文章列表开始的标志。

我们很容易的找到了如图中的“新闻列表”。

从这里开始，后面就是文章列表里，再找文章列表结束的HTML

就是这个了，一个很容易找到的标志
如果链接中含有图片：
不处理采集为缩略图这里根据自己的需要选择

 

二、内容页采集

第八步、对区域网址进行再次筛选：

(使用正则表达式)必须包含：(优先级高于后者)

不能包含：打开源文件，我们可以很清楚的看到，文章链接都是以.html结束的所以，我们在必须包含后面填.html如果遇到有些列表很麻烦，还可以填写后面的不能包含

点击保存设置进入下一步，可以看到我们获得的文章网址
看到这些就是对的了，我们保存信息进入下一步设置内容字段获取规则
我们看看文章有没有分页，随便进入一篇文章看看。

。

我们看到这里的文章没有分页
所以这里的我们就默认了

我们现在来找文章标题等等随便进入一篇文章，右键查看源文件
看看这些

依照源码填写

第九步、填写文章内容的开始，结束和上面的一样，找到开始和结束标志.

开始部分如图

结束部分如图

最后填写如图

 

第十步、你想过滤文章中的什么内容就到过滤规则里写吧，比如要过滤文章中的图片，

选择常用规则，如图

再勾选IMG，如图

然后确定

这样我们就把正文中的图片过滤了

第十一步、设置完毕后点保存设置并预览，如图

这样一个采集规则就写好了，很简单吧有些网站很难写，可要多下点功夫了哦
我们点保存并开始采集——开始采集网页一会的功夫就采集完了

看看我们采集到的文章

最后、导出数据

首先选择要导入到的栏目，按“请选择”那里即可在d出的窗口中选择你需要导入的栏目发布选项这里一般默认即可，除非你不想马上发布。

每批导入默认是30条，这里修改与否都无所谓，附带选项一般选“排除重复标题”，至于自动生成HTML那个选项建议先别生成，因为我们还要去批量提取摘要和关键字。

文章标题
匹配规则：<title>[内容]</title>
过滤规则：{dede:trimreplace=""}_XXX网站{/dede:trim}

 

来自百度http://jingyan.baidu.com/article/642c9d34ab179b644a46f782.html

三、采集规则补充 （一）文字过滤与替换的方法

1.去除超链接，这种最常用。

{dede:trim replace=”}<a([^>]*)>{/dede:trim}
{dede:trim replace=”}</a>{/dede:trim}
如果填成这样，那就把链接的文本也一起去掉了

{dede:trim replace=”}<a([^>]*)>(.*)</a>{/dede:trim}

2.过滤JS调用广告，比如GG的广告，就加个这样的：

{dede:trim replace=”}<script([^>]*)>(.*)</script>{/dede:trim}

3.过滤div标签。

这个很重要，如果没过滤干净则可能使发布出来的文章版面错位， 目前大多数遇到采集后错位的原因在此。

{dede:trim replace=”}<div([^.]*)>{/dede:trim}
{dede:trim replace=”}</div>{/dede:trim}

有的时候也需要这样子过滤：

{dede:trim replace=”}<div 选择器>(.*)</div>{/dede:trim}

4.其它的过滤规则可以照以上规律进行推出。

5.过滤摘要和关键字使用，经常要用到。

{dede:trim replace=”}{/dede:trim}

6.简单替换。

{dede:trim replace=’替换后的词语’}要替换的词语{/dede:trim}
7.去掉src

{dede:trim replace=""}src="([^"]*)"{/dede:trim}

（二）内容页指定作者、来源

指定value值即可实现：

{dede:item field='writer' value='小军' isunit='' isdown=''}
{dede:match}{/dede:match}

{dede:function}{/dede:function}
{/dede:item}

{dede:item field='source' value='军事网' isunit='' isdown=''}
{dede:match}{/dede:match}

{dede:function}{/dede:function}
{/dede:item}

（三）内容页分页采集

在“内容分页导航所在的区域匹配规则：”，填写规则，如 <ul class="pages>[内容]</ul>，然后选择“全部列出的分页列表”。

遭遇情景：如果选择“上下页形式或不完整的分页列表”，列表页的所有文章内容全部一起写入