前言：這篇文章主要是介紹如何使用采集功能去采集一個(gè)圖片類(lèi)的網(wǎng)站。這次選取的目標(biāo)站點(diǎn)為：站酷網(wǎng)的佳作欣賞欄目，其URL為：http://www.zcool.com.cn/shows/。 本文將會(huì)涉及到如何處理被采集頁(yè)面含有分頁(yè)以及如何使用簡(jiǎn)單的過(guò)濾規(guī)則。本文共分為三節(jié)：第一節(jié)，主要是介紹如何進(jìn)入采集界面和新增采集節(jié)點(diǎn)中的第一步： 設(shè)置基本信息及網(wǎng)址索引頁(yè)規(guī)則；第二節(jié)，主要是介紹新增采集節(jié)點(diǎn)中的第二步：設(shè)置字段獲取規(guī)則；第三節(jié)，主要是介紹如何采集指定節(jié)點(diǎn)和如何導(dǎo)出采集內(nèi)容。

下面進(jìn)入第一節(jié)。

1.1進(jìn)入采集節(jié)點(diǎn)管理界面

如（圖1）所示，在后臺(tái)管理界面的主菜單中單擊“采集”，然后單擊“采集節(jié)點(diǎn)管理”，即可進(jìn)入采集節(jié)點(diǎn)管理界面，如（圖2）所示。

1.2. 增加新節(jié)點(diǎn)

在采集節(jié)點(diǎn)管理界面中，單擊左下角的“增加新節(jié)點(diǎn)”或者右上角的“添加新節(jié)點(diǎn)”（如圖2），都可進(jìn)入“選擇內(nèi)容模型”界面，如（圖3）所示，

在“選擇內(nèi)容模型”界面的下拉列表框中，有“普通文章”和“圖片集”可供選擇。

根據(jù)被采集頁(yè)面的類(lèi)型，選擇相應(yīng)的內(nèi)容模型。本文這里選擇“圖片集”，單擊確定后，便可進(jìn)入“新增采集節(jié)點(diǎn)：第一步設(shè)置基本信息及網(wǎng)址索引頁(yè)規(guī)則”界面，如（圖4）所示，

圖4-新增采集節(jié)點(diǎn)：第一步設(shè)置基本信息及網(wǎng)址索引頁(yè)規(guī)則

1.2.1 設(shè)置節(jié)點(diǎn)基本信息

圖5-節(jié)點(diǎn)基本信息

如（圖5）所示，這里只是介紹如何獲取“目標(biāo)頁(yè)面編碼”，對(duì)于其他的設(shè)定，可參見(jiàn)之前的文章。具體操作步驟：

（a）打開(kāi)被采集的目標(biāo)頁(yè)：http://www.zcool.com.cn/shows/；

（b）單擊右鍵后選擇“查看源文件”，找到“charset”， 如（圖6）所示，

其等號(hào)后面的代碼就是所需填寫(xiě)的“編碼格式”，這里是“utf-8”。

填寫(xiě)后，如（圖7）所示，

圖7-設(shè)置后的節(jié)點(diǎn)基本信息

檢查無(wú)誤后，進(jìn)入下一步設(shè)置。

1.2.2 設(shè)置列表網(wǎng)址獲取規(guī)則

圖8-列表網(wǎng)址獲取規(guī)則

如（圖8）所示，這里是設(shè)置被采集的文章列表頁(yè)的匹配規(guī)則。具體操作步驟：

（a）首先，回到已打開(kāi)的列表頁(yè)，找到瀏覽器的URL地址欄中顯示的網(wǎng)址和頁(yè)面的換頁(yè)部分。如（圖9）和（圖10）所示，

圖9-瀏覽器的URL地址欄

（b）單擊“2”，打開(kāi)文章列表頁(yè)的第二頁(yè)，再次找到瀏覽器的URL地址欄中所顯示的網(wǎng)址和頁(yè)面的換頁(yè)部分，如（圖12）和（圖13）所示，

（c）在已打開(kāi)的列表頁(yè)的第二頁(yè)上面，單擊（1），回到列表頁(yè)的首頁(yè)，這時(shí)頁(yè)面的換頁(yè)部分與之前的圖10是相同的，然而瀏覽器的URL地址欄中所顯示的網(wǎng)址與之前圖9并不相同，如（圖13）所示，

（d）由（b）和（c）可推知，這里被采集的列表頁(yè)的網(wǎng)址所遵循規(guī)律為：

http://www.zcool.com.cn/shows/0!0!0!200!(*)!1!0!0/。穩(wěn)妥起見(jiàn)，請(qǐng)自行測(cè)試更多列表頁(yè)。確定規(guī)律后，在“匹配網(wǎng)址”中，填入列表頁(yè)所遵循的規(guī)律。

（e）最后，根據(jù)需要指定采集的頁(yè)碼或者規(guī)律數(shù)字，并設(shè)定其遞增規(guī)律。

到這里，“列表網(wǎng)址獲取規(guī)則”部分就設(shè)置結(jié)束了。最后結(jié)果，如（圖14）所示，

圖14-設(shè)置后的列表網(wǎng)址獲取規(guī)

確定正確后，進(jìn)入下一步設(shè)置。

1.2.3設(shè)置文章網(wǎng)址匹配規(guī)則

圖15-文章網(wǎng)址匹配規(guī)則

這里是設(shè)置被采集的列表頁(yè)的匹配規(guī)則。

具體操作步驟：

 （a）對(duì)于“區(qū)域開(kāi)始的HTML”，可以在已打開(kāi)的列表首頁(yè)，單擊右鍵后選擇“查看源文件”查找出第一篇文章的標(biāo)題“高清壁紙”來(lái)獲得，如（圖16）所示，

圖16-查看源文件中，第一篇文章的標(biāo)題

通過(guò)觀察，不難看出“<ul>”為整個(gè)列表的開(kāi)始部分。因此，在“區(qū)域開(kāi)始的HTML”中，應(yīng)填入“<ul>”。

 （b）在源文件中，找到最后一篇文章標(biāo)題“阿奴比斯”，如（圖17）所示，

圖17-查看源文件中，最后一篇文章的標(biāo)題

結(jié)合列表的開(kāi)始部分并通過(guò)觀察可知，第一個(gè)“</ul>”為整個(gè)列表的結(jié)束部分，而其后的從“<ul class=”list_left_bottomw”>”到第二個(gè)“</ul>”,則為頁(yè)面的換頁(yè)部分。因此，在“區(qū)域結(jié)束的 HTML”中，應(yīng)填入”</ul>”，意思是到第一個(gè)</ul>結(jié)束。

（c）經(jīng)過(guò)觀察圖16和圖17的文章標(biāo)題部分，可以發(fā)現(xiàn)，標(biāo)題的鏈接地址都是含有“=.html”的。因此，可在“必須包含”中，填入“=.html”。

到這里，“文章網(wǎng)址匹配規(guī)則“就設(shè)置結(jié)束了。填寫(xiě)后，如（圖18）所示，

圖18-設(shè)置后的文章網(wǎng)址匹配規(guī)則

通過(guò)以上的三個(gè)小節(jié)，新增采集節(jié)點(diǎn)的第一步就已經(jīng)設(shè)置完成了。設(shè)置后的最終結(jié)果，如（圖19）所示，

圖19-設(shè)置后的新增采集節(jié)點(diǎn)：第一步設(shè)置基本信息及網(wǎng)址索引頁(yè)規(guī)則

全部完成并檢查無(wú)誤后，單擊“保存信息并進(jìn)入下一步設(shè)置“。如果之前設(shè)置正確，單擊后，將會(huì)進(jìn)入“新增采集節(jié)點(diǎn)：測(cè)試基本信息及網(wǎng)址索引頁(yè)規(guī)則設(shè)置的網(wǎng)址獲取規(guī)則測(cè)試”頁(yè)面并看到相應(yīng)的文章列表地址。如（圖20）所示，

圖20-網(wǎng)址獲取規(guī)則測(cè)試

確定正確無(wú)誤后，單擊“保存信息并進(jìn)入下一步設(shè)置”。否則，請(qǐng)單擊“返回上一步進(jìn)行修改“。

到這里，第一節(jié)就結(jié)束了

2.1新增采集節(jié)點(diǎn)：第二步設(shè)置內(nèi)容字段獲取規(guī)則

單擊“保存信息并進(jìn)入下一步設(shè)置”后，便可進(jìn)入“新增采集節(jié)點(diǎn)：第二步設(shè)置內(nèi)容字段獲取規(guī)則”頁(yè)面，如（圖21）所示，

圖21-設(shè)置內(nèi)容字段獲取規(guī)則

在預(yù)覽網(wǎng)址處，系統(tǒng)將會(huì)自動(dòng)指定一篇文章作為示范頁(yè)面，如有特殊需要可自行更改。打開(kāi)示范頁(yè)面，經(jīng)觀察可發(fā)現(xiàn)頁(yè)面中含有分頁(yè)，如（圖22）所示，

下面來(lái)設(shè)置分頁(yè)部分的匹配規(guī)則。

具體操作步驟：

（a）在頁(yè)面的源代碼中，找到分頁(yè)代碼的開(kāi)始部分和結(jié)束部分，如（圖23）所示，

（b）經(jīng)過(guò)觀察可知，分頁(yè)代碼位于“<div class=”show_pages”>“和”</div>”之間。因此，在”內(nèi)容分頁(yè)導(dǎo)航所在的區(qū)域匹配規(guī)則“中，應(yīng)填寫(xiě)”< div class=”show_pages”>[內(nèi)容]</div> “。對(duì)于分頁(yè)代碼的樣式，一共有三種可供選擇，這里應(yīng)選擇第一種” 全部列出的分頁(yè)列表”。填寫(xiě)后，如（圖24）所示

圖24-設(shè)置后的網(wǎng)頁(yè)內(nèi)容獲取規(guī)則

對(duì)于“固定采集項(xiàng)目”中的“內(nèi)容摘要、關(guān)鍵字和縮略圖“三個(gè)部分，系統(tǒng)會(huì)用正則進(jìn)行自動(dòng)匹配，僅需配置過(guò)濾內(nèi)容即可。下面主要介紹如何獲取“文章標(biāo)題、文章作者、文章來(lái)源、發(fā)布時(shí)間和文章內(nèi)容”的采集規(guī)則以及簡(jiǎn)單的過(guò)濾規(guī)則。

2.1.1 獲取文章標(biāo)題的采集規(guī)則

首先，打開(kāi)“預(yù)覽網(wǎng)址“的頁(yè)面并單擊右鍵，選擇”查看源代碼“，找到文章標(biāo)題” 高清壁紙（非原創(chuàng)作品）“，如（圖25）所示，

圖25-在源代碼中的文章標(biāo)題

這里的文章標(biāo)題處在”<h1 class=“font14 b blink”></h1>”之間，因此這里應(yīng)該填寫(xiě)”<h1 class=“ font14 b blink”>[內(nèi)容]</h1>”作為文章標(biāo)題的匹配規(guī)則。對(duì)于所包含的<img src=”/images/digest1.gif alt=”推薦的欣賞”>”可根據(jù)需要選擇保留或者是過(guò)濾掉。如果希望把這張圖片過(guò)濾掉，需要在過(guò)濾規(guī)則中填寫(xiě)：“{dede:trim replace=”}<img([^>]*)>{/dede:trim}”。填寫(xiě)后，如（圖26）所示，

圖26-文章標(biāo)題的采集規(guī)則

2.1.2 獲取文章作者的采集規(guī)則

經(jīng)過(guò)查找源代碼和對(duì)比原文，可發(fā)現(xiàn)本文沒(méi)有涉及到原文作者。這里選擇不填寫(xiě)。

2.1.3 獲取文章來(lái)源的采集規(guī)則

這里把頁(yè)面中的上傳者作為文章來(lái)源，如圖（27）所示，

圖27-上傳者的信息

查看源代碼，并找到相應(yīng)的部分，如（圖28）所示，

圖28-源代碼中上傳者的信息

從圖28中，可發(fā)現(xiàn)上傳者的名字介于“<li class=”show_content_r_box_uploader1″><p>“和“</p>”之間，因此這里應(yīng)填 寫(xiě)“<li class=”show_content_r_box_uploader1″><p>[內(nèi)容]</p>”作為文章來(lái)源的采 集規(guī)則。雖然，選定的采集規(guī)則能采集到上傳者的名字，但是同時(shí)也包含了所不希望采集到的圖片和鏈接，下面通過(guò)設(shè)置過(guò)濾規(guī)則把它們過(guò)濾掉。首先，過(guò)濾掉鏈 接，這里使用“{dede:trim replace=”}<a([^>]*)>{/dede:trim}{dede:trim replace=’’}</a>{/dede:trim}”;其次，使用“{dede:trim replace=”}<img([^>]*)>{/dede:trim}”過(guò)濾掉圖片。填寫(xiě)后，如圖29所示，

圖29-文章來(lái)源的采集規(guī)則

2.1.4 獲取文章發(fā)布時(shí)間的采集規(guī)則

回到圖23，可發(fā)現(xiàn)有“17小時(shí)前”，由此可見(jiàn)，這里采集數(shù)字17就可以了。采集規(guī)則為“<span class=”bh”>[內(nèi)容]小時(shí)前</span>”。這里不需要使用過(guò)濾規(guī)則。填寫(xiě)后，如圖30所示，

圖30-文章發(fā)布時(shí)間的采集規(guī)則

2.1.5 獲取圖片集合以及圖集內(nèi)容的采集規(guī)則

這個(gè)部分是編寫(xiě)采集規(guī)則的重點(diǎn)，也是難點(diǎn)。需要特別注意。

圖片集合：如果把采集的匹配規(guī)則填寫(xiě)在這里的話，系統(tǒng)就會(huì)把所采集到的圖片，以圖集的形式保存起來(lái)，注意這里只采集圖片。

圖集內(nèi)容：在顯示圖集的時(shí)候，所需顯示的說(shuō)明性文字或者圖片。

具體操作步驟：

 （a）在打開(kāi)的內(nèi)容頁(yè)面的源代碼中，找到內(nèi)容的開(kāi)始部分“一些壁紙”，如圖31所示，

圖31-內(nèi)容的開(kāi)始部分

分析一下這個(gè)源代碼可知，以下兩點(diǎn)：

（1）“一些壁紙”是這個(gè)圖集的內(nèi)容，因此可以把“條評(píng)論<br/>”作為匹配圖集內(nèi)容的開(kāi)始部分。但是這樣采集到的內(nèi)容會(huì)包含有< /span>，應(yīng)該在過(guò)濾規(guī)則中使用“{dede:trim replace=””}</span>{/dede:trim}”過(guò)濾掉。

（2）“<div class=”show_content_pic”><ul>”可作為匹配圖片集合的開(kāi)始部分，而且每一個(gè)圖片及其相關(guān)信息都是在“& lt;li class=”art_content_listli”>”和”</li>”之間的。注意到這段代碼中有兩個(gè)地方都出現(xiàn)了< img>，通過(guò)對(duì)比原文可發(fā)現(xiàn)，”<img src=”/images/zoomit1.gif” class=”jdjz”>”是一個(gè)圖標(biāo)的源代碼，這里是不應(yīng)該被采集到的。為了過(guò)濾掉這個(gè)圖標(biāo)，需要在匹配規(guī)則中填寫(xiě)“{dede:trim replace=””}<p>(.*)</p>{/dede:trim}”。

填寫(xiě)后，如（圖32）所示，

圖32-開(kāi)始部分的匹配規(guī)則及其過(guò)濾規(guī)則

（b）找到圖集內(nèi)容的結(jié)束部分，因?yàn)樯婕暗椒猪?yè)部分，所以應(yīng)該選取分頁(yè)結(jié)束的位置，如圖33所示，

圖33-圖集內(nèi)容的結(jié)束部分

很明顯，這里應(yīng)選取“<li style=”text-align:center;”><ｓｃｒｉｐｔ type=”text/javaｓｃｒｉｐｔ”>”作為圖片集合和圖集內(nèi)容的結(jié)束部分。填寫(xiě)完成后，如（圖34）所示，

圖34-結(jié)束部分的匹配規(guī)則及其過(guò)濾規(guī)則

到這里，“新增采集節(jié)點(diǎn)：第二步設(shè)置內(nèi)容字段獲取規(guī)則”，就設(shè)置完成了。來(lái)看一下整個(gè)配置頁(yè)面，如（圖35）所示，

圖35-設(shè)置后的新增采集節(jié)點(diǎn)：第二步設(shè)置內(nèi)容字段獲取規(guī)則

檢查無(wú)誤后，單擊“保存并測(cè)試”。如果之前設(shè)置正確，單擊后，將會(huì)進(jìn)入“新增采集節(jié)點(diǎn)：測(cè)試內(nèi)容字段設(shè)置”頁(yè)面并看到相應(yīng)的文章內(nèi)容。如（圖36）所示，

圖36-新增采集節(jié)點(diǎn)：測(cè)試內(nèi)容字段設(shè)置

確定正確無(wú)誤后，如果單擊“僅保存”，系統(tǒng)將會(huì)提示“成功保存配置“并返回”采集節(jié)點(diǎn)管理“界面；如果單擊“保存并開(kāi)始采集“，將會(huì)進(jìn)入”采集指定節(jié)點(diǎn)“界面。否則，請(qǐng)單擊“返回上一步進(jìn)行修改”。

關(guān)于第二節(jié)的介紹就到這里。

本文的采集規(guī)則：

{dede:listconfig}
{dede:noteinfo notename=”圖片采集” channelid=”2″ macthtype=”string”
refurl=”http://www.zcool.com.cn/show/ZNTc1MDT=.html” sourcelang=”utf-8″ cosort=”asc”
isref=”no” exptime=”10″ usemore=”0″ /}
{dede:listrule sourcetype=”batch” rssurl=”http://” regxurl=”http://www.zcool.com.cn/shows/0!0!0!200!(*)!1!0!0/”
startid=”1″ endid=”1″ addv=”1″ urlrule=”area” musthas=”=.html”
nothas=”” listpic=”1″ usemore=”0″}
{dede:addurls}{/dede:addurls}
{dede:batchrule}{/dede:batchrule}
{dede:regxrule}{/dede:regxrule}
{dede:areastart}<ul>{/dede:areastart}
{dede:areaend}</ul>{/dede:areaend}
{/dede:listrule}

{/dede:listconfig}

{dede:itemconfig}
{dede:sppage sptype=’full’ srul=’1′ erul=’5′}<div>[內(nèi)容]</div>{/dede:sppage}
{dede:previewurl}http://www.zcool.com.cn/show/ZNTc1MDT=.html{/dede:previewurl}
{dede:keywordtrim}{/dede:keywordtrim}
{dede:deｓｃｒｉｐｔiontrim}{/dede:deｓｃｒｉｐｔiontrim}
{dede:item field=’title’ value=” isunit=” isdown=”}
{dede:match}”<h1>[內(nèi)容]</h1>{/dede:match}
{dede:trim replace=””}<img([^>]*)>{/dede:trim}
{dede:function}{/dede:function}
{/dede:item}{dede:item field=’writer’ value=” isunit=” isdown=”}
{dede:match}{/dede:match}

{dede:function}{/dede:function}
{/dede:item}{dede:item field=’source’ value=” isunit=” isdown=”}
{dede:match}<li><p>[內(nèi)容]</p>{/dede:match}
{dede:trim replace=””}<a([^>]*)>{/dede:trim}
{dede:trim replace=””}</a>{/dede:trim}
{dede:trim replace=””}<img([^>]*)>{/dede:trim}
{dede:function}{/dede:function}
{/dede:item}{dede:item field=’pubdate’ value=” isunit=” isdown=”}
{dede:match}<span>[內(nèi)容]小時(shí)前</span>{/dede:match}

{dede:function}{/dede:function}
{/dede:item}{dede:item field=’imgurls’ value=” isunit=’1′ isdown=’1′}
{dede:match}<div>[內(nèi)容]<li style=”text-align:center;”><ｓｃｒｉｐｔ type=”text/javaｓｃｒｉｐｔ”>{/dede:match}
{dede:trim replace=””}<p>(.*)</p>{/dede:trim}
{dede:function}@me=TurnImageTag(@me);

{/dede:function}
{/dede:item}{dede:item field=’body’ value=” isunit=’1′ isdown=’1′}
{dede:match}條評(píng)論<br/>[內(nèi)容]</p>{/dede:match}
{dede:trim replace=””}</span>{/dede:trim}
{dede:function}{/dede:function}
{/dede:item}
{/dede:itemconfig}