火车头采集器:采集文章并发布到DedeCMS

国内体育 2018-12-29 23:12:58

  

火车头采集器:采集文章并发布到DedeCMS

  然后就可以登陆成功后关闭火车浏览器了.下边我们来刷新列表,这个是用来指定将文章发布到哪个栏目的,如图

  内容这一块是ArticleCnt,我们以ArtPLink作为结束。内容的采集就是这样了.

  我们以腾讯广州新闻为例,来讲一下文章的采集和发布,也包括图片的下载及上传。网址,我们一步步来讲。

  5.发布设置。我们使用WEB在线发布,将数据发到dedecms 5.1里去。 我们选中发布,然后点定义在线post到网站全局设置.弹出web在线配置管理器.

  3.网址规则,查看一下源代码,发现这些网址代码在一个区域里,我们可以这样写规则

  看了一下,里边是有我们需要的东西的,这说明火车可以采它。下边做一下具体的内容采集规则。

  经分析我们可以得知,内容在id为cntMain的区域内,标题id是 ArticleTit,div?id=ArticleTit店员疑因手机爆炸死亡续:现场发现9发子弹/div,所 以标题我们可以这样写,注意,

  我们发布到本地网站dedecms5.3里,所以模块选对应版本的,网站管理目录是所以按说明填写上,然后是选定编码,我们网站gbk的,所以选gbk.然后是登陆网站,使用火车内置浏览器登陆.如图

  这时我们选添加,出现添加web发布配置.我们来先看一下使用说明,这个要仔细看一下,具体可以参考一下WEB在线发 布模块的修改这篇文章,看完后开始配置:

  这样过滤就有些复杂了.只是能单个过滤.我这里就过滤一下链接.其它的大家可以自己再处理.然后我们看一下,还有 文章尾部还有一接文章链接,这是我们不需要的,过滤掉.再过滤些,然后再多找几个页面测试,查找问题,最后的结果如图

  ,选择我们刚才的dedegbk53,然后再点一下选择分类就可以指定将这个任务里的文章发布到网站的对应栏目了,我们可以添加多个配置,当然一个配置也 可以在多个任务里被添加.

  我们测试一下,是可以采到所有内容了,但是还有广告和其它一些乱七八糟的代码在里边,我们要过滤掉它。我看最上边 的分析代码,广告代码,就那个推荐阅读,id是reading,所以我们这样过滤.

  标题如何获取呢?就用默认的title,过滤个“_社会万象_新闻_腾讯网”就可以了。这个是如果您 不懂代码时使用的方法,内容也可以这样做。对于一般的简单的采集来说,没有什么大的问题。但是对于一些相对比较复杂的网页采集来说,还是需要仔细分析源 码,分析网页结构。下边我们做具体的分析。分析工具IE可以使用ie developer toolbar,firefox可以使用插件firebug(具体请在工具附件-组件浏览-附加组件里查看并安装),google可以使用右键“审查 元素”。我以firebug为例:

  我们可以看到是成功发布了,网站后台查看一下,也是成功的,现在就可以保存一下配置名,在发布时使用了.示例保存为 dedegbk53.

  .看一下,没有了,但要注意的一点是,这个还有个之前报道.请看图,大多数的是不一样的,比如有的是 相关报道,有的是事件回放.有的只是链接.