帝国cms采集图文教程(上,中,下)全集

帝国cms是我们用得比较多得PHP的建站系统，在建站过程中，如果自己没有信息源，只能靠手工不断的重复copy和粘贴，这样费时费力，于是我们就要使用帝国cms自带的采集功能来完成信息的录入。为了深入了解帝国cms采集功能，下面我们以“新浪各地新闻”栏目为例来进行实战采集。

　　一、增加采集节点

　　1、添加节点：

　　

 

　　2、选择要增加采集的栏目：

　　

 

　　3、进入增加节点表单：

　　

 

　　4、在节点名称框里起个名字，然后把要采集的新浪各地新闻列表地址copy过来：

　　

 

　　

 

　　5、下来发现好多选项,如“采集页面地址方式二，内容页地址前缀...”先不要理他，后面再一一详解，直接拉到 “信息链接区域正则”这里：

　　

 

　　6、这里是设置采集的列表信息链接区域正则,我们点击查看新浪各地新闻列表“源文件”：

　　

 

　　7、把源文件代码copy到Dreamweaver里，在Dreamweaver里选定要采集的信息链接区域：

　　

 

　　8、切换到Dreamweaver代码方式,

就是信息链接区域：

 

　　

 

　　9、得到信息链接区域正则：

　　

 

　　10、得到信息页链接正则：

　　

 

　　11、注意：如果信息页链接是相对地址，例如< a href="/c/2012-03-05/205924063527.shtml" target="_blank" >，那么“内容页地址前缀”要加域名：

　　

 

　　12、现在要采集内容页的标题和内容：

　　

 

　　13、查看新闻页“源文件”，找title标签：

　　

 

　　14、取得标题正则：

　　

 

　　15、这里是要采集的内容区域：

　　

 

　　16、取得新闻内容正则：

　　

 

　　(注意：新闻内容正则里的 d_id='*' 用了通配符，因为每一篇新闻的d_id值是不同的，所以可以用*来代替它，“*”可以代替任意字符。)

　　17、点击提交按钮就完成了整个采集节点：

　　

 

　　二、预览采集节点是否正确

　　1、提交按钮后返回管理节点：

　　

 

　　2、点击“预览”采集，进入节点预览结果：

　　

 

　　3、采集内容页列表

　　

 

　　4、采集内容页页面：

　　

 

　　三、采集

　　1、预览采集节点无误后，然后返回“管理节点”，点击“开始采集”链接就开始进行采集：

　　

 

　　2、系统正在采集中：

　　

 

　　3、采集完后显示本地临时入库的信息，这时可以对临时入库的信息进行修改或者删除：

　　

 

　　4、修改信息页面如图：

　　

 

　　5、对采集的信息进行审核并入库，点击“入库全部信息按钮”：

　　

 

　　6、确定操作：

　　

 

　　7、信息入库完毕提示：

　　

 

　　信息入库完毕后下来点击”管理信息“：

　　

 

　　我们可以看到刚刚采集入库的新闻信息：

　　

 

　　最后到“数据更新”刷新首页、栏目、和内容页就可以完成网站的信息采集了。由于帝国cms采集功能非常强大，一时半刻也说不完，下一页将继续讲解其他功能的使用和技巧。

上一页我们介绍了帝国cms采集基本流程，那么我们这一讲介绍帝国cms如何采集内容分页。不少的同学在采集过程中，列表页和内容页都能可以很好地设定正则，但往往失败在内容分页正则上，主要是对内容分页正则不了解。帝国的内容分页形式有两种：(1)全部列出式(2)上下页导航式，但是这两种内容分页形式有什么区别，采集内容分页时该用哪种，官方说得比较模糊，对此有些同学感到很头大，好的，我们先看下例子：

　　一、全部列出式

　　全部列表式只需看第一页的页面HTML代码，这一页的所有分页链接都列出来了。

　　1、我们以“中华网内容分页(Http://auto.china.com/dongtai/yejie/11012724/20120309/17081442.html)”为例：

　　

 

　　可以看到这条新闻总共有3条分页。

　　2、查看源代码：

　　

 

　　这一页里除了已经采集到的第1条分页外，还包括了第2条和第3条分页，所有的分页都列出来了。

　　3、取得 分页区域正则([!--smallpageallzz--])：

　　

 

　　4、取得 分页链接正则([!--pageallzz--])：

　　

 

　　二、上下页导航式

　　上下页导航式是分页采集的难点，他需要所有页面都符合分页正则才行，在不熟悉的情况下，我们可以用第1页和第2页的代码来进行对比分析然后确定分页正则。

　　1、我们以“爱丽网内容分页(http://fashion.aili.com/76/445845.html)”为例：

　　

 

　　可以看到这条新闻总共有20条分页。

　　2、查看源代码：

　　

 

　　这一页里除了已经采集到的第1条分页外，还包括了第2，第3，第4，第5，第6，第7，第8，第20条分页，但是第9到第19条分页并没有列出来，这时候我们拿用第1页和第2页的代码来进行对比分析，来确定分页正则:

　　(1)第1页代码：

　　

 

　　(2)第2页代码：

　　

 

　　从这两幅图片可以看到他们有着相同的“分页区域开始代码”，“分页链接”格式，“分页区域结束代码”,那么就可以确定“分页区域正则”，“分页链接正则”。

　　3、取得 分页区域正则([!--smallpageallzz--])：

　　

 

　　4、取得 分页链接正则([!--pageallzz--])：

　　

 

　　5、为了方便教程显示，newstext我采集了标题而不是采集内容，预览结果：

　　

 

　　注意事项：

　　第一、在第一页的页面HTML代码里，内容分页链接全部列出来的情况下我们使用“全部列出式”。在第一页的页面HTML代码里，内容分页链接没有全部列出来的情况下我们使用“上下页导航式”。

　　第二、用全部列出式时，采集规则正确但是莫名其妙的出现重复的分页，这时可以利用替换法把它过滤掉(下一讲我们再说)。

　　第三、用上下页导航式时，老是采到第1页，其他页连个影子都没有见过，这是因为分页区域正则([!--smallpagezz--])截取错误。

　　第四、用上下页导航式时，可以采集到前几页了，但是接下来这前几页全部重复循环到底，这也是因为分页区域正则([!--smallpagezz--])截取错误，截取范围过大，导致重复截取前几个分页链接。

　　好的，这一讲就到这里，下一页我们主要介绍帝国cms采集过滤和替换。

前两讲我们分别介绍了帝国cms采集基本流程和帝国cms如何采集内容分页，最后这一讲主要介绍帝国cms采集过滤与替换，还有些技巧。

　　一、过滤

　　1、帝国cms采集过滤分为两种：

　　(1)“整体页面过滤正则”：

　　

 

　　(2)“过滤广告正则”：

　　

 

　　我们有些疑惑，这两种过滤到底有什么区别?“整体页面过滤正则”是过滤整个网页的html代码。“过滤广告正则”是过滤文章内容，仅对文章内容([!--newstext--])起作用。

　　2、过滤实例：

　　过滤实例(1)：

　　

 

 

我们采集后发现信息内容底部多了行代码：“<div style="clear:both;height:0;visibility:hiDDDen;overflow:hidden;">&nbsp;</div>”，根据格式“广告开始[!--ad--]广告结束”得到“过滤广告正则

”：

　　

 

　　过滤实例(2)：

　　

 

　　要过滤链接代码怎么办，注意“过滤广告正则”右边有堆代码：

　　

 

　　鼠标先点击A，系统自动生成过滤链接代码“,,,”，这样就可以把采集后的内容链接过滤掉了。同理，如果想过滤其他html代码就点击相应的标签代码。

　　注意事项：当内容分页包含在内容([!--newstext--])里时，要过滤掉内容分页，否则会重复出现内容分页。

　　二、替换

　　1、帝国cms采集替换也分为两种：

　　(1)“整体页面替换”：

　　

 

　　(2)“替换”：

　　

 

　　他们两种区别：“整体页面替换”是替换整个网页的html代码。“替换”是替换文章标题和内容，仅对标题([!--title--])和([!--newstext--])起作用。

　　2、替换实例：

　　

 

　　我们要把内容里的“新华网”替换成“中华网”：

　　

 

　　预览下：

　　

 

　　没有问题，替换过来了。

　　三、图片采集

　　(1)我们采集时会碰到信息内容可以正常采集，但是里面的图片却不显示，例子：

　　

 

　　信息内容可以正常采集，就是图片不显示出来，这是由于内容图片的路径不对，图片的路径为相对地址。

　　(2)查看源代码：

　　

 

　　图片是相对地址，要换成绝对地址才能采集成功。

　　(3)替换成绝对地址：

　　先在目标站的图片右键查看属性：

　　

 

　　目标站的图片地址为“http://www.gdyd.com/news/PNews/a/e77366_634655073936250000.jpg”，我们采集所到的图片地址为“/news/PNews/a/e77366_634655073936250000.jpg”，分析得到前缀“http://www.gdyd.com”，我们把前缀放到“图片/FLASH地址前缀(内容)”，如下图：

　　

 

　　(4)前台预览图片：

　　图片显示出来了：

　　

 

　　查看源代码：

　　

 

　　图片地址没错，是本地地址。

　　注意事项：我们在采集预览和在本地临时入库信息时，发现已经添加了图片地址前缀了，但是图片还是不显示，出现这个你不用理他，直接入库，入库了系统才会自动添加图片地址前缀。

　　至此采集实例讲解完毕，这三讲对帝国cms采集的基本流程，重点，难点基本都概括了，还有些基础的功能没能一一介绍清楚，大家可以到帝国官方网站看下基础教程。

　　本文由 国外网站大全http://www.kguowai.com 原创，转载请注明出处，谢谢!