Dedecms采集功能的使用方法 --- 含有分页的普通文章的采集（二）

前言：本文是“含有分页的普通文章的采集方法“的第二节，在前一节的基础上，这一节会对新增采集节点中的第二步：“设置字段获取规则”做详细的介绍。为了与前文保持一致，本文将延续使用前文的章节标记。

上接第一节。

2.1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14）所示，

(此图片来源于网络，如有侵权，请联系删除! )

图14-设置内容字段获取规则

系统将会自动指定一个“预览网址”，一般是文章列表页的第一篇文章的网址。但是，由于第一篇文章中没有涉及到分页的部分，所以在这里手动更改为，第二篇文章的网址：“http://www.bitscn.com/network/protocol/201105/193110.html”，更改后，如（图15）所示，

(此图片来源于网络，如有侵权，请联系删除! )

图15-更改后的预览地址

下面来设定分页部分的匹配规则。其具体操作步骤为：

打开文章内容页面，在网页上单击右键，在弹出的对话框中单击“查看源文件“。在源代码中，找到分页代码的开始部分和结束部分，如（图16）所示，

(此图片来源于网络，如有侵权，请联系删除! )

图16-分页代码

经过观察可知，分页代码位于“<div class=”page next-page”>“和”</div>”之间。因此，在”内容分页导航所在的区域匹配规则“中，应填写”<div class=”page next-page”>[内容]</div> “。对于分页代码的样式，一共有三种可供选择，这里应选择第一种” 全部列出的分页列表”。填写后，如（图17）所示，

(此图片来源于网络，如有侵权，请联系删除! )

图17-设置后的网页内容获取规则

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。

2.1.1 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” OpenFlow网络是空谈吗？“，如（图18）所示，

(此图片来源于网络，如有侵权，请联系删除! )

图18-在源代码中的文章标题

这里的文章标题处在”<h1 class=“title”></h1>”之间，因此这里应该填写”<h1 class=“title”>[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19）所示，

(此图片来源于网络，如有侵权，请联系删除! )

图19-文章标题的采集规则

2.1.2 获取文章作者的采集规则

经过查找源代码和对比原文的标题部分，可发现本文没有涉及到文章作者，所以这里不用填写，空着即可。

2.1.3 获取文章来源的采集规则

在上图19中，可发现来源的内容介于“<span>来源：“和“</span>”之间，因此这里应填写“<span>来源：[内容]</span>”作为文章来源的采集规则。同样，这里也不需要使用过滤规则。填写后，如图20所示，

(此图片来源于网络，如有侵权，请联系删除! )

图20-文章来源的采集规则

2.1.4 获取文章发布时间的采集规则

再次回到图17，可找到“时间:2011-05-13 11:47”，因此这里应把“时间：[内容]<span>”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21所示，

(此图片来源于网络，如有侵权，请联系删除! )

图21-文章发布时间的采集规则

2.1.5 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）在在打开的文章内容页面的源代码中，找到文章内容的开始部分“计算机网络知识的学习”，如图22所示，

(此图片来源于网络，如有侵权，请联系删除! )

图22-文章内容的开始部分

这里应把”<!—文章块开始—>”作为匹配规则的开始部分，注意到这段代码中包含一段广告代码，需要采用过滤规则把其去除。经观察发现，这段JS广告代码是位于“<div class=”contentgg”>”和“</div>”之间的。因此，应在“过滤规则”中填写：“{dede:trim replace=’’}<div class=”contentgg”>(.*)</div>”{/dede:trim}。填写后，如（图23）所示，

(此图片来源于网络，如有侵权，请联系删除! )

图23-开始部分的匹配规则及其过滤规则

（b）找到文章内容的结束部分，因为涉及到分页部分，所以应该选取分页结束的位置，如图24所示，

(此图片来源于网络，如有侵权，请联系删除! )

图24-文章内容的结束部分

这里应选取“<!—文章内分页结束-->”作为文章内容的结束部分，由于在选取的内容中又包含了一段JS代码，因此应再次使用过滤规则，把其去除。同时，考虑到本页没有涉及到分页，所以在分页代码中的<ul></ul>之间是空的。但是，如果页面包含分页的话，也是应该使用过滤规则去除的。此外，如果所设定的文章内容中，含有图片、链接等不希望被采集到的内容，也应该使用过滤规则一并去除掉。填写完成后，如（图25）所示，

(此图片来源于网络，如有侵权，请联系删除! )

图25-文章内容的匹配规则

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。来看一下整个配置页面，如（图26）所示，

(此图片来源于网络，如有侵权，请联系删除! )

图26-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27）和（图28）所示，

(此图片来源于网络，如有侵权，请联系删除! )

图27-新增采集节点：测试内容字段设置

(此图片来源于网络，如有侵权，请联系删除! )

图28-新增采集节点：测试内容字段设置

其中，图中画圈的地方代表的是分页符号。

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”。

关于第二节的介绍就到这里。下面进入第三节。。。