采集步驟：

1、增加采集節(jié)點；

2、預(yù)覽采集正則是否正確；

3、開始采集；

4、對采集的數(shù)據(jù)進行審核并入庫；

5、生成欄目及內(nèi)容HTML頁面。

一、增加采集節(jié)點：

1、登陸后臺->點擊大菜單“欄目管理”>“增加采集節(jié)點”；

2、“選擇要增加采集的欄目”（選擇終極欄目）；

3、“選擇要增加采集的欄目”后進入增加節(jié)點頁面；

4、打開要采集的列表頁面：http://www.phome.net/tmp/cjpage/list.html

點擊查看“源文件”   點擊查看，列表頁源代碼為如下：

5、開始設(shè)置采集節(jié)點及列表頁正則：

(1)、輸入節(jié)點名稱：采集實例

(2)、采集頁面地址：http://www.phome.net/tmp/cjpage/list.html

(3)、由列表頁的源代碼：“<a href="page1.html" target="_blank">”，我們得出“內(nèi)容頁地址前綴”為：http://www.phome.net/tmp/cjpage/

(4)、設(shè)置“信息頁鏈接正則”：由列表頁的源代碼得出。

圖1：頁面源代碼    圖2：得出的信息頁鏈接正則

6、點擊采集的內(nèi)容頁頁面并查看源文件：http://www.phome.net/tmp/cjpage/page4.html

圖1：內(nèi)容頁頁面 圖2：內(nèi)容頁源代碼

7、設(shè)置內(nèi)容頁內(nèi)容正則：(標題及內(nèi)容正則)

(1)、標題正則：由源代碼內(nèi)容我們得出“新聞標題”正則為：

圖1：頁面源代碼    圖2：得出的標題正則

(2)、內(nèi)容正則：由源代碼內(nèi)容我們得出“新聞內(nèi)容”正則為：

圖1：頁面源代碼   圖2：得出的新聞內(nèi)容正則

8、點擊“提交”按鈕即可增加節(jié)點完畢，整個表單最終效果如下：

[點擊查看]

二、預(yù)覽采集正則是否正確：

1、上面增加采集節(jié)點后，我們返回“管理節(jié)點”頁面，如下：

2、點擊“預(yù)覽”采集，進入節(jié)點正則預(yù)覽與驗證：

圖1：采集頁面地址列表  圖2：信息鏈接列表   圖3：采集的內(nèi)容頁內(nèi)容

3、上面鏈接列表頁及內(nèi)容頁內(nèi)容預(yù)覽無誤后方可進行采集操作。

三、開始采集：

1、上面的采集節(jié)點正則預(yù)覽無誤后，我們返回“管理節(jié)點”頁面：

2、點擊上面的“開始采集”鏈接，開始進行采集；

3、采集信息完成后，系統(tǒng)會轉(zhuǎn)向采集入庫頁面，如下：

四、對采集的數(shù)據(jù)進行審核并入庫：

即可完成入庫操作：   管理欄目信息也可以看到我們剛才入庫的信息：

五、生成欄目及內(nèi)容HTML頁面：

點擊“系統(tǒng)設(shè)置”大菜單>“數(shù)據(jù)更新中心”，進入數(shù)據(jù)更新中心頁面：

1、生成首頁：點擊“刷新首頁”。

2、生成欄目頁：“生成多欄目頁面”選擇“新聞系統(tǒng)”這個欄目，然后點擊“開始刷新”。

3、生成內(nèi)容頁：“按條件生成信息內(nèi)容頁面”：

六、預(yù)覽前臺頁面

首頁：

列表頁：

信息內(nèi)容頁：

至此本實例講解完畢。

個人經(jīng)驗：

　　1.采集的正則能寫得越簡單越好。
　　當然，復(fù)雜的話針對性強，比較不容易采到不要的內(nèi)容，但能在保證不采到不要的內(nèi)容的前提下，越簡單，一個正則對該網(wǎng)頁的通用性就越強。比如說一樣是采<a href="鏈接">這個鏈接，個人覺得，如果你已經(jīng)設(shè)定了鏈接區(qū)域，區(qū)域內(nèi)不會有別的鏈接的話，與其把鏈接正則寫成<a href="[!--newsurl--]">，還不如寫成href="[!--newsurl--]"。這樣，萬一有幾頁的鏈接對方寫成了<A href="鏈接">，也不會影響你的采集效果。

　　當然，對方不會莫名其妙地改變自己的模板，上面只是舉個例子。而我是懶人，懶人的目標就是用最少的正則采到最多的新聞。
　　正則寫得簡單，還是對自己采集水平的一個鍛煉。越簡單，找正則規(guī)律的要求就越高，多鍛煉自己，采集時才比較容易一次就采到自己想要的東西。

　　2.在正則內(nèi)盡管減少空格和回車的使用。
　　這樣說可能不是很明白。空格誰不用？注意：這里說的不是一個或兩個空格，而是大片相連的空格。
　　空格的存在當然是必要的，但寫采集正則時出現(xiàn)大片相連的空格甚至包含大量回車時只能說明兩個問題：一，要么是對方的網(wǎng)頁太難采集，讓你不得不使用大片相連空格及回車來區(qū)分采集區(qū)域，否則找不到別的辦法了；二，要么是你太懶，懶得仔細地找正則，看到什么就是什么，大片的復(fù)制下來再說，反正復(fù)制得越多越不容易和別的重復(fù)。
　　相信大多數(shù)人都是第二種。
　　但要注意，當你大量復(fù)制對方網(wǎng)頁代碼當成正則時，你也把自己推入了一種很可能采集失敗，或是某幾頁能成功，某幾頁以失敗告終的險境。
　　某幾頁成功、某幾頁失敗的原因，同第1條所述，對方有可能偶爾在頁面內(nèi)改變正則。這種情況雖然不大遇到，但要充分考慮到。
　　大多數(shù)復(fù)制大量代碼當正則的同志，是處于一種不成功便成仁的境地的。因為空格還算好，不會出太多問題；但回車的問題很嚴重。我采集時，發(fā)現(xiàn)，往往有些網(wǎng)頁在正則內(nèi)使用了回車，就會采集失敗——完全不認采集區(qū)域。回車是個很好的辨識標志，但——具體原因還不明了——有時它會導(dǎo)致整個采集過程的失敗。www.copyie.com

　　3.分頁區(qū)域正則。
　　很多人能很好地設(shè)定整個頁面的正則，但往往失敗在分頁正則上（我到現(xiàn)在都不是每個分頁都能采得到）。這里提幾個技巧。
　　第一，盡量不要把分頁區(qū)域包含在新聞?wù)恼齽t內(nèi)。這一點……如果有人看菜鳥手冊的話……嚴正聲明，那里面是寫錯的，當時對采集不是很了解，所以寫錯了。如果把分頁區(qū)域包含在新聞?wù)恼齽t內(nèi)，會導(dǎo)致采到的新聞有兩行第1頁、第2頁等的顯示——因為把對方的分頁也當正文采來了。
　　第二，要注意“上下頁導(dǎo)航”和“全部列出式”。現(xiàn)在大多數(shù)網(wǎng)頁是兩種模式同時存在的。所以在寫正則時，如果你是使用某一種模式，要注意過濾掉另一種模式的鏈接，不然會導(dǎo)致采到過多的分頁，一般是會出現(xiàn)兩個第2頁。
　　第三，當分頁采集屢屢失敗，又實在查不出錯在哪里時，請看一下第2、3、4……頁的新聞?wù)牡恼齽t，是否與你寫的新聞?wù)齽t一致。有的網(wǎng)頁，后面幾頁用到的代碼和第一頁會不一樣，往往會比第一頁少掉一些，這時，如果你用的新聞?wù)恼齽t正好用到了后面幾頁沒有的代碼，那你分頁正則即使寫得完全沒有問題，由于后幾頁的正文它采集不到，顯示出來的就是沒有采到分頁（T_T 某蓮曾在這個問題上給它耗掉整整一個晚上，血淚史啊……）

　　4.采集中盡量減少用*，或者，至少有選擇性地用*。
　　比如<a href="鏈接">OOXXOOXX</a>這個，不少人喜歡用<a href="[!--newsurl--]">*</a>來采集。但是試問，這個*有什么意義嗎？列位哪位有見過，有哪個<a>.....</a>之間是沒有東西的嗎？所以這個*放在這里，有放沒放是一個樣的。除非是這個鏈接正則太復(fù)雜了，一定要靠*之后的代碼繼續(xù)區(qū)分判斷，以過濾掉不要的，這時才需要用*。
　　用*有一個弊端——在你對正則看得不是很清楚，不太負責任地加*的時候，很可能不能完全采集到你想采集的內(nèi)容，或是一不小心把要采集的內(nèi)容去掉了。所以能不用*盡量不要用*。 

仿站 仿站