模块常用操作
操作名 | 说明 |
采集流程详述 | 无 |
其它功能说明 | 无 |
说明:
文章的采集功能是通过程序来远程获取目标网页内容,经过本地规则解析处理后存储到服务器的数据库内。
文章采集系统颠覆传统采集模式和流程,采集规则与采集界面分离,规则设置更简单,只需有基础技术知识的人员设置好相关规则。编辑人员无需了解太过细节的技 术规则,只需选中自己想要采集的文章列表,就可以像发布文章一样,轻松地完成数据采集操作。
一、采集流程
简单的讲有三个步骤:
1、添加采集点,填写采集规则。
2、采集网址,采集内容
3、发布内容到指定栏目
以采集新浪新闻(http://roll.news.sina.com.cn/news/gjxw/gjmtjj/index.shtml)为例,作一下详细流程介绍。
实例说明:
目标:采集新浪新闻到V9系统 国际新闻 栏目中。
目标网址:http://roll.news.sina.com.cn/news/gjxw/gjmtjj/index.shtml
1、添加采集点
1.1 网址规则配置
添加采集点 - 网址规则配置图1
添加采集点 - 网址规则配置图2
测试你的网址采集规则是否正确,如下图所示
1.2 内容规则配置
内容规则这里看起来比较复杂,其实也很简单,为了便于说明,我们只采集标题、内容两个字段。采集内容网址:
http://news.sina.com.cn/w/2010-12-01/135121565455.shtml 的内容采集规则,请你打开这个网址,然后页面空白处右键->查看源文件搜索标题和内容的开始边界。
http://news.sina.com.cn/w/2010-12-01/135121565455.shtml 的内容采集规则,请你打开这个网址,然后页面空白处右键->查看源文件搜索标题和内容的开始边界。
标题采集配置:
内容采集配置:
新浪新闻最终页,新闻内容都包含在 <!-- 正文内容 begin --> <!-- 正文内容 end --> 之间,而且这二个结点,在整个页面源代码中具有唯一性。所以可以以此为规则取内容。并对内容进行过滤。如下图
1.3 自定义规则
1.4 高级配置
可设置是否把图片下载到服务器上,是否打水印等配置。
2、采集网址,采集内容
采集规则配好以后,即可进行网址的采集,然后进行内容的采集。
3、发布内容到指定栏目
选择导入的栏目
其它更多功能,期待你发掘。