图解Dedecms网站后台文章采集功能的使用方法步骤

本篇文章是为了初次接触Dedecms采集功能的朋友所写的，所选取的目标站点为文章内容页面不含有分页的Dedecms官方网站的dreameaver栏目文章，通过图文并茂的形式，详细地介绍了如何创建一个基本的采集规则。

本文共分为三节：第一节，主要是介绍如何进入采集界面和新增采集节点中的第一步：设置基本信息及网址索引页规则；第二节，主要是介绍新增采集节点中的第二步：设置字段获取规则；第三节，主要是介绍如何采集指定节点和如何导出采集内容。

一、设置基本信息及网址索引页规则

下面我们先进入第一节，介绍如何进入采集界面和新增采集节点中的第一步：设置基本信息及网址索引页规则。

1、进入采集节点管理界面

如（图1）所示，在后台管理界面的主菜单中单击“采集”。

图1-后台管理界面

然后单击“采集节点管理”，即可进入采集节点管理界面，如（图2）所示。

图2-采集节点管理界面

2、增加新节点

在采集节点管理界面中，单击左下角的“增加新节点”或者右上角的“添加新节点”（如图2），都可进入“选择内容模型”界面，如（图3）所示，

图3-选择内容模型界面

在“选择内容模型”界面的下拉列表框中，有“普通文章”和“图片集”可供选择。根据被采集页面的类型，选择相应的内容模型。

本文这里选择“普通文章”，单击确定后，便可进入“新增采集节点：第一步设置基本信息及网址索引页规则”界面，如（图4）所示，

图4-新增采集节点：第一步设置基本信息及网址索引页规则

（1）、设置节点基本信息

图5-节点基本信息

如（图5）所示，节点名称：给新建立的节点起一个名字，这里填上“采集测试（一）”

目标页面编码：设定被采集目标页的编码格式，有GB2312、UTF8和BIG5三种。可通过在被采集目标页面上，单击右键后选择“查看源文件”来获取。

操作步骤：

（a）、打开被采集的目标页：http://www.mahaixiang.cn/CMS/226.html

（b）、单击右键后选择“查看源文件”，找到“charset”，如（图6）所示：

图6-查看源文件

其等号后面的代码就是所需的“编码格式”，这里是“gb2312”。

“区域匹配模式”：设定如何匹配所需采集的内容部分，可采用字符串或者正则表达式。系统默认的模式是字符串。如果比较了解正则表达式的朋友，可以在这里选择正则表达式的模式。

“内容导入顺序”：指定文章列表导入时候的顺序，可以选择“与目标站一致”或“与目标站相反”。

“防盗链模式”：针对被采集的目标站点有无刷新限制。一开始很难判断出来，需要测试后才能知道。如果有的话，这里需要设置一下“资源下载超时时间”。

“引用网址”：填入任何一个即将被采集的文章内容页面的网址。

具体操作步骤：

（a）、在已打开的文章列表页中，单击第一篇文章的

标题“在Dreamweaver中为插入的Flash添加透明”，以打开文章内容页面，如（图7）所示，

图7-文章内容页面

（b）、此时在浏览器的URL地址栏中显示的网址，即为需要填写在“引用网址”处的网址，如（图8）所示，

图8-浏览器的URL地址栏

到这里，“节点基本信息”就设置完成了。

最后结果，如（图9）所示：

图9-设置后的节点基本信息

检查无误后，进入下一步设置。

（2）、设置列表网址获取规则

如（图10）所示：

图10-列表网址获取规则

这里是设置被采集的文章列表页的匹配规则。如果被采集的文章列表页有一定的规律，可选择“批量生成列表网址”；如果被采集的文章列表页完全没有规律可循，那么可选择“手工指定列表网址”；如果被采集的站点提供了RSS，则可以选择“从RSS中获取”。

对于特殊情况，例如：部分列表页有规律，而其余的又没有规律，则可在“匹配网址”中填上有规律的部分，然后把没有规律的部分填写在“手动指定网址”。

具体操作步骤：

（a）、首先，回到已打开的文章列表页，找到浏览器的URL地址栏中显示的网址（图8）和页面底部的换页部分。如（图11）所示，

图11-换页

（b）、单击“2”，打开文章列表页的第二页，此时浏览器的URL地址栏中所显示的网址和页面底部的换页部分，如（图12）和（图13）所示，

图12-第二页的网址

图13-第二页的换页部分

（c）、在已打开的文章列表页的第二页上面，单击（1），打开文章列表页的首页，这时页面底部的换页部分与图11相同，而浏览器的URL地址栏中所显示的网址与之前图8并不相同，如（图14）所示：

图14-第一页的网址

（d）、由（b）和（c）推知，此处被采集的文章列表页的网址所遵循规律为：http://www.xxxxx.com/knowledge/web-based/dreamweaver/list_47_(*).html。稳妥起见，请自行测试更多列表页。确定规律后，在“匹配网址”中，填入文章列表页所遵循的规律。

（e）、最后，指定需要采集的页码或者规律数字，并设定其递增规律。

到这里，“列表网址获取规则”部分就设置结束了。最后结果，如（图15）所示：

图15-设置后的列表网址获取规则

确定正确后，进入下一步设置。

（3）、设置文章网址匹配规则

如（图16）所示：

图16-文章网址匹配规则

这里是设置被采集文章列表页的匹配规则。

具体操作步骤：

（a）、对于“区域开始的HTML”，可通过在打开的文章列表首页上，单击右键后选择“查看源文件”。在源文件中，找到第一篇文章的标题“在Dreamweaver中为插入的Flash添加透明”，如（图17）所示：

图17-查看源文件中，第一篇文章的标题

通过观察，不难看出“<div class=“arc_list”>”为整个文章列表的开始部分。因此，在“区域开始的HTML”中，填入”<div class=“arc_list”>”。

（b）、在源文件中，找到最后一篇文章标题“通过Dreamweaver设计网页时组织CSS的建议”，如（图18）所示：

图18-查看源文件中，最后一篇文章的标题

结合文章列表的开始部分并通过观察可知，第一个“</div>”为整个文章列表的结束部分。因此，在“区域结束的HTML”中，应填入”</div>”。

“如果链接中含有图片”：设置对链接中含有图片的处理方式，有不处理和采集为缩略图可选。可根据实际需要选择。

“对区域网址进行再次筛选”：可以使用正则表达式对区域网站进行再次筛选，这是针对一些需要被保留或者需要滤掉的内容，尤其是混编的列表页面，通过使用“必须包含”或者“不能包含”过滤掉所希望获取或者不希望获取的文章内容页面的网址。

具体操作步骤：

回到正在打开的文章列表首页的源文件，通过观察可知，每一个文章内容页面地址的扩展名均为.html。因此，可在“必须包含”中，填入“.html”。

到这里，“文章网址匹配规则“就设置结束了。最后结果， 如（图19）所示，

图19-设置后的文章网址匹配规则

通过1.2.1小节、1.2.2小节和1.2.3小节，新增采集节点的第一步就已经设置完成了。设置后的结果，如（图20）所示：

图20-设置后的新增采集节点：第一步设置基本信息及网址索引页规则

全部完成并检查无误后，单击“保存信息并进入下一步设置“。如果之前设置正确，单击后，将会进入“新增采集节点：测试基本信息及网址索引页规则设置的网址获取规则测试”页面并看到相应的文章列表地址。如（图21）所示，

图21-网址获取规则测试

确定正确无误后，单击“保存信息并进入下一步设置”。

否则，请单击“返回上一步进行修改“。

二、设置字段获取规则

接下来，我将会对新增采集节点中的第二步：“设置字段获取规则”做详细的说明。为了与前文保持一致，本文将延续使用前文的章节标记。

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22）所示，

图22-设置内容字段获取规则

在预览网址处，系统将会自动指定一篇将被采集文章内容页面的网址（一般为所采集列表页面的第一篇文章网址），作为示范页面。如果文章内容页面含有分页，则需设置“内容分页导航所在的区域匹配规则”。

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、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” 在Dreamweaver中为插入的Flash添加透明“，如（图23）所示，

图23-在源代码中的文章标题

这里的文章标题处在“<h1></h1>”之间，由于在此页面中多次出现这组标签，因此这里应该填写“<div class=”arcbody”><h1>[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24所示，

图24-文章标题的采集规则

3、获取文章作者的采集规则

如上图23所示，在“作者：”二字后面有一组标签“<font color=”red”></font>”，以此猜测，作者名将会写在这组标签之间。同样，为了保持唯一性，这里应填写”作者：<font color=“red”>[内容]</font>“作为文章作者的采集规则。

谨慎起见，请根据文章列表中其他文章内容页面查证此采集规则是否正确。这里不需要使用过滤规则。填写后，如图25所示，

图25-文章作者的采集规则

4、获取文章来源的采集规则

在上图23中，可发现“来源：”二字后面有一组标签“<font color=”red”></font>”，以此猜测，来源内容将会写在这组标签之间。与2.1.2处理方式相同，为了保持唯一性，文章来源的采集规则应为“来源：<font color=“red”>[内容]</font>“。同样，这里也不需要使用过滤规则。填写后，如图26所示，

图26-文章来源的采集规则

5、获取文章发布时间的采集规则

再次回到图23，找到“发表于：”及其后的“<font color=”red”>2009-09-29 14:21</font>”，与之前获取采集规则方法相同，此处应把“发表于： <font color=”red”>[内容]</font>”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27所示，

图27-文章发布时间的采集规则

6、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。

具体操作步骤：

（a）、回到正在打开的文章内容页面的源代码，找到文章内容的开始部分“Dreamweaver升级到8.0.2后”，如图28所示，

图28-文章内容的开始部分

注意：在源代码中，有两处都出现了这句话。其中，第一句在“<div class=”intro”>”之后，第二句在“<div class=”content”><p>”之后。通过对比文章内容页面及其源代码，不难发现，第一处实为摘要，第二处才为文章内容的开始部分。因此，应选取“<div class=”content”>”为匹配规则的开始部分。

（b）、找到文章内容的结束部分“同样是添加值为“transparent”的“wmode”参数。”，如图29所示，

图29-文章内容的结束部分

注意：由于结束部分的最后标签为”</p>”，而此标签在文章内容中多次出现。因此，不能作为采集规则的结束标签。考虑到应与文章内容的开始部分相对应，经对比和分析后得出，此处应选取“</div>”作为文章内容的结束部分，如图30所示：

图30-文章内容匹配规则的结束部分

（c）、综合（a）和（b）可知，此处文章内容的匹配规则应为“<div class=”content”>[内容]</div>”，填写后，如图31所示，

图31-文章内容的匹配规则

这里占时不使用过滤规则，关于过滤规则的介绍和使用，将会放在单独的章节中。

到这里，“新增采集节点：第二步设置内容字段获取规则”，就设置完成了。填写后，如（图32）所示，

图32-设置后的新增采集节点：第二步设置内容字段获取规则

检查无误后，单击“保存配置并预览”。如果之前设置正确，单击后，将会进入“新增采集节点：测试内容字段设置”页面并看到相应的文章内容。如（图33）所示，

图33-新增采集节点：测试内容字段设置

确定正确无误后，如果单击“仅保存”，系统将会提示“成功保存配置“并返回”采集节点管理“界面；如果单击“保存并开始采集“，将会进入”采集指定节点“界面。

否则，请单击“返回上一步进行修改”。

三、如何采集指定节点和如何导出采集内容

在前两节的基础上，将会对“如何采集指定节点”和“如何导出采集内容”做详细的说明，为了与前文保持一致，将延续使用前文的章节标记，继续来讲讲如何采集指定节点和如何导出采集内容。

1、采集指定节点

单击“保存并开始采集“后，将会进入”采集指定节点“界面，如（图34）所示，

图34-采集指定节点

每页采集：设置每页所需采集的条数，并可根据网站是否有防刷新功能，设置采集间隔时间。

特殊选项：设置是否检测重复图片，默认为“检测”。

附加选项：此选项一共有3种采集模式可供选择：

第一种为“监控采集模式（检测当前或所有节点是否有新内容）”，选取后，系统只会采集指定节点中更新的内容。

第二种为“重新下载全部内容”，选取后，系统会采集指定节点中的全部内容。

第三种为“下载种子网站的未下载内容”，选取后，系统只会采集指定节点中未下载过的内容，包括以前没下载的和更新的内容。

设置完成并确定无误后，可单击“开始采集网页”或者“查看种子网址”。此时，如果单击“查看种子网址”会看到列表是空的，这是因为新建立的采集节点从未采集过，如（图35）所示：

图35-查看节点的种子网址

单击“开始采集网页”后，系统便会开始采集节点中设置的网址，并出现相关提示，如（图36）所示：

图36-采集进程中提示信息

采集结束后，再次单击“查看种子网址”或者单击页面右上角的“查看已下载”，便可看到已采集到的网址信息，如（图37）所示：

图37-查看节点的种子网址

2、导出采集内容

成功采集以后，可以根据实际需要选择页面右上角的单击“采集节点管理”或者“导出数据”。单击“导出数据“后，便可进入” 采集管理> 采集内容导出“界面，如（图38）所示：

图38-采集内容导出

“默认导出栏目“：设置要把采集到的内容导入到的栏目

“批量采集选项”：如果在采集规则中已指定栏目ID，则可使用此功能，若指定的栏目ID为0，系统会把采集内容导入到“默认导出栏目”所选择的栏目中。

“发布选项“：有发布成“普通文档”和“保存为草稿”可供选择。

“每批导入“：设置每批导入的条数，此数不宜过大。

“附带选项“：此处为多选。如果不希望采集到重复的文章标题，可选中“排除重复标题”；如果希望被采集到的内容直接生成HTML的话，可选中“完成后自动生成导入内容HTML”；如果希望系统在采集列表页时自动识别标题名，可选中“使用列表索引的标题”，一般不建议勾选。

“随机推荐”：填入一个数字，代表文档篇数。在所填入的文档篇数内随机出现一篇推荐文档，若填入“0”，则表示为不推荐。

设置完成后，可单击“确定”，就可以把下载的导入到所选的栏目中了，如（图39）所示，

图39-设置完成后的采集内容导出页面

同时，系统将会有导出进程提示，如（图40）所示：

图40-采集内容导出中的提示信息

导出采集内容提示“完成所有栏目列表更新”后，单击“浏览栏目”，便可进入网站的相关页面查看到采集到的文章列表及其具体内容。也可在后台管理界面的主菜单中单击“核心”，然后单击“普通文章”，进入“文档列表”页面，查看所采集到的文章列表，如（图41）所示：

图41-文档列表

到此为止，已成功采集到了目标网站的文章内容。

总结，采集“不含分页的普通文章”还是相对比较简单的，由于本篇文章是一篇基础教程，因此并没有过多的涉及到“过滤规则”。

附上本文的采集规则：

{dede:listconfig}
{dede:noteinfo notename="采集测试（一）" channelid="1" macthtype="string"
refurl="http://www.dedecms.com/knowledge/web-based/dreamweaver/2009/0929/765.html" sourcelang="gb2312" cosort="asc" isref="no" exptime="10" usemore="0" /}

{dede:listrule sourcetype="batch" rssurl="http://" regxurl="http://www.dedecms.com/knowledge/web-based/dreamweaver/list_47_(*).html"
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}<div class="arc_list">{/dede:areastart}
    {dede:areaend}</div>{/dede:areaend}
{/dede:listrule}

{/dede:listconfig}

{dede:itemconfig}
{dede:sppage sptype='full' sptype='full' srul='1' erul='5'}{/dede:sppage}
{dede:previewurl}http://www.dedecms.com/knowledge/web-based/dreamweaver/2009/0929/765.html{/dede:previewurl}
{dede:keywordtrim}{/dede:keywordtrim}
{dede:deｓｃｒｉｐｔiontrim}{/dede:deｓｃｒｉｐｔiontrim}
{dede:item field='title' value='' isunit='' isdown=''}
{dede:match}<div class="arcbody"><h1>[内容]</h1>{/dede:match}

{dede:function}{/dede:function}
{/dede:item}
{dede:item field='writer' value='' isunit='' isdown=''}
{dede:match}作者：<font color="red">[内容]</font>{/dede:match}

{dede:function}{/dede:function}
{/dede:item}
{dede:item field='source' value='' isunit='' isdown=''}
{dede:match}来源：<font color="red">[内容]</font>{/dede:match}

{dede:function}{/dede:function}
{/dede:item}
{dede:item field='pubdate' value='' isunit='' isdown=''}
{dede:match}发表于：<font color="red">[内容]</font>{/dede:match}

{dede:function}@me=GetMkTime(@me);{/dede:function}
{/dede:item}
{dede:item field='body' value='' isunit='1' isdown='1'}
{dede:match}<div class="content">[内容]</div>{/dede:match}

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

{/dede:itemconfig}

注：以上采集规则仅供参考，细节问题需自己调整！

马海祥博客点评：

一个网站的文章老是采集，确实对网站的排名伤害非常的大，这会严重影响文章的稀缺性，如果资源丰富，最好还是自己原创或者伪原创，只是采集的网站很难有大的作为，采集需谨慎，K站很严重！

另外，每个采集器都有它的独特之处，所谓存在即合理，请根据自己的需求来选择即可！

本文发布于马海祥博客文章，如想转载，请注明原文网址摘自于https://www.mahaixiang.cn/CMS/226.html，注明出处；否则，禁止转载；谢谢配合！