增加采集节点:也可以说是新增一个采集任务。说明:每个系统模型都有自己的采集,无论是内置的还是用户自定义的系统模型,新闻系统有新闻系统采集,下载系统有下载系统采集等等。
增加采集基本流程
1、增加采集节点;
2、预览采集正则是否正确;
3、预览无误后即可开始采集。
增加采集节点
1、登录后台,单击"栏目"菜单,选择"增加采集节点"子菜单,进入选择入库栏目界面:
2、进入选择入库栏目界面:(也就是选择采集的信息存放到哪个栏目)
3、选择入库栏目后,进入"增加采集节点"页面,如下图:
基本信息
节点名称
此节点的名称
父节点
可选择上级节点,主要方便管理,比如你可以把所有新闻的采集都归到一个父节点里。
采集页面地址
要采集的页面列表,如果是多个列表用回车格开。
采集页面为直接内容页:说明填写的地址为直接内容页面地址。
采集页面地址方式二
由系统自己生成列表,但必须是有数字规律的。
如:"http://www.phome.net/index.php?page=[page]"([page]则为页码的范围)
内容页地址前缀
信息页链接的地址前缀。如地址前面没域名的话,系统会加上此前缀。 如:http://www.phome.net+/news/2006/1.html
图片/FLASH地址前缀
新闻内容的图片/FLASH地址为相对地址时使用。(针对newstext字段,远程保存时有效)
入库栏目
采集的数据要入库的栏目。如本节点不是采集节点,请不选。(只列出属于此系统模型的栏目)
入库专题
采集的数据要入库的专题。
节点生效时间
"开始时间"与"结束时间"这个目前可随意设置。这主要是以后版本扩展之用。
备注
备注或说明
选项
默认相关关键字
截取标题前几个字符作为相关链接的"关键字",推荐设为0,这样入库效率更高。
采集记录数
可设置只采集前多少条记录。("0"为不限,系统会从头采到页面尾)
远程保存图片到本地
选择后入库时系统会远程保存图片到本地,还可设置是否加水印。(针对newstext字段)
远程保存FLASH到本地
选择后入库时系统会远程保存FLASH到本地。(针对newstext字段)
标题图片设置
可设置选择远程保存第几个图片作为标题图片及生成缩图设置。
每组列表采集个数
采集列表页每组记录数,单采集列表页请填1。
每组信息采集个数
采集信息页数据每组记录数
每组入库数
如果要远程保存图片/FLASH则请设小,如设为1。(为防止入库超时,系统推荐将php的超时设为360以上)
每组采集时间间隔
针对部分网站限制了页面刷新时间间隔而设置的项
附加选项
页面编码转换
页面编码的转换设置。
是否重复采集同一链接
可设置同一链接是否重复采集。
是否隐藏已导入的信息
推荐选隐藏。否则入库后的记录依然会显示到入库列表里。
采集后自动入库
可设置采集后自动入库,不需要人工去入库。但有可能入库超时中断。
入库后自动删除已导入的信息:入库后同时删除备份的验证记录。
整体页面过滤正则
格式:"广告开始[!--pad--]广告结束"。多个可用","格开。
针对整个页面代码进行过滤。
对整个页面字符替换
原字符多个请用","格开,如果是新字符是多个,可以用","格开,系统会一一对应进行替换。
过滤选项
采集关键字
标题包含关键字的信息才会采集。如不限制,请留空。多个请用","格开
替换
原字符多个请用","格开,如果是新字符是多个,可以用","格开,系统会一一对应进行替换。
(针对标题与内容)
过滤广告正则
格式:"广告开始[!--ad--]广告结束",多个请用","格开。(针对newstext字段)
内容为空不采集
如果newstext内容为空不采集设置项。
过滤相似
可设置不采集标题相似超过多少个字符的信息。如不限制请填"0"。
可设置不采集标题完全相同的信息
截取内容简介
如果信息简介(smalltext)没有值的话,系统会依此设置截取新闻内容(newstext)多少字符作为简介。
列表页正则
信息链接区域正则
通常不需要设置。一般是设置只采集页面某一区域的链接或缩小采集范围才设置的
在要采集链接区域的代码地方加上"[!--smallurl--]"
信息页链接正则
采集"内容页链接"的正则(列表页里)
在信息页链接的地方加上"[!--newsurl--]"
标题图片正则
采集"标题图片地址"的正则,可设置远程保存与地址前缀(列表页里,如图片在内容页,请留空)
在标题图片地址的地方加上"[!--titlepic--]"
内容页分页采集设置:(如没有分页请留空,针对newstext字段)
说明:如果是全部列表式,则只需看第一页的页面HTML代码。
入库是否保留原分页
如果选择"不保留分页"则入库后的信息都不分页。
分页形式
有"上下页导航式"与"全部列出式"两种形式。(一般全部列出式用的比较多)
"全部列出"式正则设置
分页区域正则([!--smallpageallzz--])
分页链接正则([!--pageallzz--])
"上下页导航"式正则设置
分页区域正则([!--smallpagezz--])
分页链接正则([!--pagezz--])
采集相关注意事项
1、按通常设置,同一链接不重复采集。
2、没有标题的信息不采集。
3、非固定内容可用"*"代表任意字符。
4、对于特殊字符请在前面加上"",当然直接将特殊字符改为"*"最合适了。特殊字符如下: " )"、"("、"{"、"}"、"["、"]"、""、"?"等等。
5、正则要找出唯一性的开头字符。有时候空格都会成为识别的依据。
6、增加节点后最好先预览节点,预览无误后才开始采集。(管理采集节点那可预览)
7、"时间正则":为空的话,将为入库时间
Copyright@2008-2023 版权所有 帝国CMS模板