织梦教程-采集功能的使用方法 --- 含有分页的普通文章之二

Dedecms采集功能的使用方法 --- 含有分页的普通文章的采集(二)

前言:本文是含有分页的普通文章的采集方法的第二节,在前一节的基础上,这一节会对新增采集节点中的第二步:设置字段获取规则做详细的介绍。为了与前文保持一致,本文将延续使用前文的章节标记。

上接第一节。

2.1新增采集节点:第二步设置内容字段获取规则

单击保存信息并进入下一步设置后,便可进入新增采集节点:第二步设置内容字段获取规则页面,如(图14)所示,

织梦教程-采集功能的使用方法 --- 含有分页的普通文章之二

图14-设置内容字段获取规则

系统将会自动指定一个预览网址,一般是文章列表页的第一篇文章的网址。但是,由于第一篇文章中没有涉及到分页的部分,所以在这里手动更改为,第二篇文章的网址:http://www.bitscn.com/network/protocol/201105/193110.html,更改后,如(图15)所示,

织梦教程-采集功能的使用方法 --- 含有分页的普通文章之二

图15-更改后的预览地址

下面来设定分页部分的匹配规则。其具体操作步骤为:

打开文章内容页面,在网页上单击右键,在弹出的对话框中单击查看源文件。在源代码中,找到分页代码的开始部分和结束部分,如(图16)所示,

织梦教程-采集功能的使用方法 --- 含有分页的普通文章之二

图16-分页代码

经过观察可知,分页代码位于div class=page next-page和/div之间。因此,在内容分页导航所在的区域匹配规则中,应填写div class=page next-page[内容]/div 。对于分页代码的样式,一共有三种可供选择,这里应选择第一种 全部列出的分页列表。填写后,如(图17)所示,

织梦教程-采集功能的使用方法 --- 含有分页的普通文章之二

图17-设置后的网页内容获取规则

对于固定采集项目中的内容摘要、关键字和缩略图三个部分,系统会用正则进行自动匹配,这里仅需配置过滤内容即可。下面主要介绍如何获取文章标题、文章作者、文章来源、发布时间和文章内容的采集规则,过滤规则仅简单涉及。

2.1.1 获取文章标题的采集规则

首先,打开预览网址的页面并单击右键,选择查看源代码,找到文章标题 OpenFlow网络是空谈吗?,如(图18)所示,

织梦教程-采集功能的使用方法 --- 含有分页的普通文章之二

图18-在源代码中的文章标题

这里的文章标题处在h1 class=title/h1之间,因此这里应该填写h1 class=title[内容]/h1作为文章标题的匹配规则。如果在文章标题中含有相关链接等,可使用过滤规则加以处理,这里无需设置。填写后,如(图19)所示,

织梦教程-采集功能的使用方法 --- 含有分页的普通文章之二

图19-文章标题的采集规则

2.1.2 获取文章作者的采集规则

经过查找源代码和对比原文的标题部分,可发现本文没有涉及到文章作者,所以这里不用填写,空着即可。

2.1.3 获取文章来源的采集规则

在上图19中,可发现来源的内容介于span来源:和/span之间,因此这里应填写span来源:[内容]/span作为文章来源的采集规则。同样,这里也不需要使用过滤规则。填写后,如图20所示,

织梦教程-采集功能的使用方法 --- 含有分页的普通文章之二

图20-文章来源的采集规则

2.1.4 获取文章发布时间的采集规则

再次回到图17,可找到时间:2011-05-13 11:47,因此这里应把时间:[内容]span作为发布时间的采集规则。同样,这里也不需要使用过滤规则。填写后,如图21所示,

织梦教程-采集功能的使用方法 --- 含有分页的普通文章之二

图21-文章发布时间的采集规则

2.1.5 获取文章内容的采集规则

这个部分是编写采集规则的重点,也是难点。需要特别注意。