DEDECMS之九 文章采集

到很多网友都为织梦（DEDECMS）的采集教程头疼，的确，官方出的教程太笼统了，什么都没说，换个网站你什么都做不了，这个教程是最详尽的教程，让你一看即会！

一、列表采集

第三步、进入了采集的设置页面，填写节点名称。

第四步、打开你想要采集的文章列表页。

这里以这个网站为例，http://www.nanmafan.com/xunyicao/打开这个页面，

右键——查看源文件找到目标页面编码，就在charset后面）

 

第五步、 填写页面的基本信息，填完后如图

第六步、 填写列表网址获取规则看看文章列表第一页的地址。

http://www.nanmafan.com/xunyicao/list_49_1.html

对比第二页的地址http://www.nanmafan.com/xunyicao/list_49_2.html

我们发现了他们除了49_后面的数字不一样，其他的都一样，所以我们可以这样写

http://www.nanmafan.com/xunyicao/list_49_(*).html

就是把1换成了(*)因为这里只有2页，所以我们就填从1到2每页递增当然是1了，2-1...是等于1吧

这里我们就填写完了

 

可能大家采集的有些列表没有规则，那就只有手工指定列表网址了，如图

每行写一个页面地址

 

二、内容页采集

 

 

来自百度http://jingyan.baidu.com/article/642c9d34ab179b644a46f782.html

三、采集规则补充

（一）文字过滤与替换的方法

1.去除超链接，这种最常用。

{dede:trim replace=”}<a([^>]*)>{/dede:trim}
{dede:trim replace=”}</a>{/dede:trim}
如果填成这样，那就把链接的文本也一起去掉了

{dede:trim replace=”}<a([^>]*)>(.*)</a>{/dede:trim}

2.过滤JS调用广告，比如GG的广告，就加个这样的：

{dede:trim replace=”}<script([^>]*)>(.*)</script>{/dede:trim}

3.过滤div标签。

这个很重要，如果没过滤干净则可能使发布出来的文章版面错位， 目前大多数遇到采集后错位的原因在此。

{dede:trim replace=”}<div([^.]*)>{/dede:trim}
{dede:trim replace=”}</div>{/dede:trim}

有的时候也需要这样子过滤：

{dede:trim replace=”}<div 选择器>(.*)</div>{/dede:trim}

4.其它的过滤规则可以照以上规律进行推出。
5.过滤摘要和关键字使用，经常要用到。

{dede:trim replace=”}{/dede:trim}

6.简单替换。
{dede:trim replace=’替换后的词语’}要替换的词语{/dede:trim}
7.去掉src

{dede:trim replace=""}src="([^"]*)"{/dede:trim}

（二）内容页指定作者、来源

 指定value值即可实现：

{dede:item field='writer' value='小军' isunit='' isdown=''}
{dede:match}{/dede:match}

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

{dede:item field='source' value='军事网' isunit='' isdown=''}
{dede:match}{/dede:match}

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

（三）内容页分页采集

在“内容分页导航所在的区域匹配规则：”，填写规则，如 <ul class="pages>[内容]</ul>，然后选择“全部列出的分页列表”。

遭遇情景：如果选择“上下页形式或不完整的分页列表”，列表页的所有文章内容全部一起写入