解析織夢v5.3的分頁采集

2024-04-25 20:26:25

字體：大中小

供稿：網(wǎng)友

最近想做個(gè)技術(shù)型的網(wǎng)站，不知道用什么cms來做，在網(wǎng)上搜索了一大堆，看到織夢的采集功能還不錯，我也在想啊，做一個(gè)站如果所有的文章都需要站長一個(gè)一個(gè)的加，那不是要累死啊，所以就選著了織夢。

還好自己有點(diǎn)基礎(chǔ)，弄了一天就基本弄懂織夢的操作流程了，申請域名、空間，上傳程序。忙得是不亦樂乎，好了，開始采集文章了。好高興，一下就有了2000多篇文章。高興的打開來瞧瞧，哇，突然嚇了一跳，發(fā)現(xiàn)一個(gè)文章一看就只有一段沒有完整，打開源原址一看，原來有分頁，在網(wǎng)上找了N久，還是沒有結(jié)果，自己摸索摸索吧，搞了一天一夜幾乎沒有睡覺，我差點(diǎn)都沒有信心了，想著就是采集的文章只有一半，別人怎么看啊，都不想做了，也累了，還是好好睡一覺吧。

也許是老天看我太辛苦了吧，剛想睡覺，突然我一下睡意全無，我太興奮了，我看到了，看到了分頁被我采集了。好了，說了這么多，還是開始進(jìn)入正題了。直接看圖。如果看不懂請打開源網(wǎng)址，查看源文件，和我的教程比較。開始選著左邊的采集，然后打開采集節(jié)點(diǎn)管理，添加新節(jié)點(diǎn)，選著普通文章。1、文章列表頁采集節(jié)點(diǎn)名稱：自己根據(jù)你的網(wǎng)站目錄和采集內(nèi)容結(jié)合起來。網(wǎng)址：http://webdesign.chinaitlab.com/List_1399_(*).html 是有規(guī)則的網(wǎng)址列表。如果有不規(guī)則追加就好了。http://webdesign.chinaitlab.com/List_1399.html如果只有一頁或幾頁沒有規(guī)則就直接寫在下面手工指定網(wǎng)址就好了。

文章列表匹配規(guī)則。注意要多看幾頁找出相同的，列表頁大體相同，但有些有點(diǎn)小變化，所以要找出幾頁的共同html代碼。

區(qū)域開始的html ：

以下為引用的內(nèi)容：
<TBODY> <TR> <TD width="74%" height="796" align=left vAlign=top><BR> <table cellSpacing=0 cellPadding=0 width=490 align=center border=0> <tr> 區(qū)域結(jié)束的html ：</tr> <tr> <td class=zhi12 colSpan=2><BR>

建議寫上篩選，一般寫必須包含，這樣準(zhǔn)確點(diǎn)：chinaitlab.com/flashsl

保存進(jìn)入下一步設(shè)置。以看到下面的圖為準(zhǔn)。

3、分頁設(shè)置預(yù)覽網(wǎng)址可以更改。選擇有分頁的頁面來預(yù)覽，當(dāng)然最好多預(yù)覽幾頁，主要是和前面一樣代碼可能有小變化，選著相同的html代碼http://webdesign.chinaitlab.com/flashsl/775579.html分頁匹配規(guī)則這里只要做過一次就不難了。

看我的代碼，請和源網(wǎng)址，查看源文件對比。

以下為引用的內(nèi)容：
<p align='center'><b><font color='red'>[內(nèi)容]</b></p><div align=right style="margin:3px 0;">[內(nèi)容]為我們需要的內(nèi)容，這個(gè)我想大家都知道了同理做好文章標(biāo)題：(標(biāo)題有兩個(gè)地方有，當(dāng)然選簡單的個(gè))<B class=zhi25><FONT color=#003399><BR><BR></FONT></B><B class=zhi25><FONT color=#003399>[內(nèi)容]</FONT></B><br>文章作者：<IMG height=11 src="http://www.chinaitlab.com/cms/images/Author.gif" _fcksavedurl=""http://www.chinaitlab.com/cms/images/Author.gif"" width=11>[內(nèi)容]<IMG height=15 src="http://webdesign.chinaitlab.com/images/c3.gif" width=14>

文章來源：<IMG height=12 src="http://webdesign.chinaitlab.com/images/c1.gif" _fcksavedurl=""http://webdesign.chinaitlab.com/images/c1.gif"" width=17>[內(nèi)容]<IMG height=12 src="http://webdesign.chinaitlab.com/images/c2.gif" width=12>

這里有一個(gè)<a >中國教程網(wǎng)</a>（但是在我測試的有些里面又沒有，就是直接就是如中國教程網(wǎng) ）所以有些就采集不出來，我只有寫遠(yuǎn)點(diǎn)所以需要一個(gè)過濾規(guī)則，就是去掉不要的。規(guī)則是在需要的時(shí)候才有用，沒有<a></a>的時(shí)候就沒有用。下面的代碼就是去掉<a> </a>標(biāo)簽保留中間內(nèi)容。

你可以直接點(diǎn)擊常用規(guī)則選著超鏈接看哈有什么區(qū)別。

以下為引用的內(nèi)容：
{dede:trim replace=""}<a([^>]*)>{/dede:trim}{dede:trim replace=""}</a>{/dede:trim} 文章內(nèi)容：進(jìn)入網(wǎng)絡(luò)咨詢平臺</strong></a> <strong><span class="style1"> ◆</span></strong><br> <BR class=zhi14>[內(nèi)容]<span style="border:1px dashed #cccccc; margin:3px;">

同樣的需要過濾規(guī)則，你可以先不寫規(guī)則看哈，有什么區(qū)別就知道規(guī)則有什么用了。規(guī)則一定要根據(jù)實(shí)際文章來寫。

以下為引用的內(nèi)容：
{dede:trim replace=""}<style([^>]*)>(.*)</style>{/dede:trim}{dede:trim replace=""}<div([^>]*)>{/dede:trim}{dede:trim replace=""}</div>{/dede:trim}{dede:trim replace=""}<SPAN([^>]*)>{/dede:trim}{dede:trim replace=""}</SPAN>{/dede:trim}{dede:trim replace=""}<a([^>]*)>{/dede:trim}{dede:trim replace=""}</a>{/dede:trim}{dede:trim replace=""}</p><p align='center'><b>(.*)</b></p>{/dede:trim}

這一句我多說哈，主要作用是去掉后面的分頁的文字。我開始也考慮把分頁內(nèi)容排除在文章內(nèi)容外面，但是有些文章又沒有分頁代碼，所以在文章的結(jié)尾html不好寫，所以我寫遠(yuǎn)點(diǎn)然后用規(guī)則去掉分頁文字（同樣的如果不懂先不加這條，比較哈就知道了）

{dede:trim replace=""}<font([^>]*)>{/dede:trim}{dede:trim replace=""}</font>{/dede:trim}分頁采集成功沒有可以看有沒有一個(gè){副標(biāo)題#e#}，還有看哈最后一頁采集到?jīng)]有就知道。