文章采集系統(tǒng)顛覆傳統(tǒng)采集模式和流程，采集規(guī)則與采集界面分離,規(guī)則設置更簡單，只需有基礎技術知識的人員設置好相關規(guī)則。編輯人員無需了解太過細節(jié)的技 術規(guī)則，只需選中自己想要采集的文章列表，就可以像發(fā)布文章一樣，輕松地完成數(shù)據(jù)采集操作。 

 

 

簡單的講有三個步驟：

1、添加采集點，填寫采集規(guī)則。

2、采集網(wǎng)址，采集內容

3、發(fā)布內容到指定欄目

 

以采集新浪新聞(http://roll.news.sina.com.cn/news/gjxw/gjmtjj/index.shtml)為例，作一下詳細流程介紹。

 

 

目標：采集新浪新聞到V9系統(tǒng) 國際新聞 欄目中。 

目標網(wǎng)址：http://roll.news.sina.com.cn/news/gjxw/gjmtjj/index.shtml

 

 

1、添加采集點

 

1.1 網(wǎng)址規(guī)則配置

 

 

 

                       添加采集點 - 網(wǎng)址規(guī)則配置圖1

 

 

查看要采集的目標網(wǎng)址源代碼，查找到要采集網(wǎng)址的開始點和結束點(這二個點要有在整個源代碼里具有唯一性)。更進一步縮小采集網(wǎng)址搜索范圍。

 

 

                      添加采集點 - 網(wǎng)址規(guī)則配置圖2

 

 

 

1.2 內容規(guī)則配置 

 

內容規(guī)則這里看起來比較復雜，其實也很簡單，為了便于說明，我們只采集標題、內容兩個字段。采集內容網(wǎng)址：
http://news.sina.com.cn/w/2010-12-01/135121565455.shtml 的內容采集規(guī)則，請你打開這個網(wǎng)址，然后頁面空白處右鍵->查看源文件搜索標題和內容的開始邊界。

 

從網(wǎng)頁<title></title>里取標題，并去除不需要的字符。如下圖

 

 

內容采集配置：

 

新浪新聞最終頁，新聞內容都包含在 <!-- 正文內容 begin --> <!-- 正文內容 end --> 之間，而且這二個結點，在整個頁面源代碼中具有唯一性。所以可以以此為規(guī)則取內容。并對內容進行過濾。如下圖  

 

 

1.3 自定義規(guī)則

 

1.4 高級配置

 

可設置是否把圖片下載到服務器上，是否打水印等配置。

 

 

 

采集規(guī)則配好以后，即可進行網(wǎng)址的采集，然后進行內容的采集。

 

 

 

 

 

   

 

 

選擇導入的欄目

 

 

設置 采集內容與數(shù)據(jù)庫的字段對應關系.提交進行數(shù)據(jù)入庫，在此期間請耐心等待， 完成后會自動轉向。至此一個簡單的采集流程就操作完成。

 

其它更多功能，期待你發(fā)掘。