欢迎来到天天文库
浏览记录
ID:6037044
大小:632.50 KB
页数:16页
时间:2017-12-31
《webplus系统文章采集教程》由会员上传分享,免费在线阅读,更多相关内容在教育资源-天天文库。
1、信息采集使用手册一.摘要信息采集是一个抓取网络数据,实现信息共享的功能模块。它提供手动抓取、预约抓取和定时循环抓取三种模式,它可以抓取单个新闻列表下的信息,也可以同时抓取多个列表下的新闻信息。二.步骤及详细现在需要将一个网页的数据(新闻)采集到webplus系统一个指定的栏目下,步骤如下:1.给指定栏目制定一个采集计划。在栏目管理中选择该栏目,点击设置采集计划。(如:图一)2.设置采集的基本属性。包括执行方式,信息是否自动发布,被采集的栏目类型和页面的编码格式。(如:图二)n事先约定好该采集计划的执行方式,手动、定时单次还是定时循环执行。如果仅仅为了采集网页当
2、前的数据,我们可以采用手动和定时单次的方式采集一次即可;如果被采集网页的数据会更新,而我们又要保证信息的同步,即采用定时循环采集的方式。n判断采集过来的信息是否需要发布如果采集过来的信息不需要修改,可以直接对外网公开,选择自动发布即可。如果采集过来的信息,需要修改,审核等,选择不要自动发布,等采集完成以后,由信息管理人员来进行其他操作。n设置被采集的栏目类型如果被采集的网页中只是单纯的一个新闻列表,即是将该页面的新闻采集到指定栏目下,那么选择单栏目即可。如果被采集的页面有多个新闻列表,并且各自提供单独链接进入自己的新闻列表页面,而我们又需要采集所有的新闻信息,
3、那么选择多栏目。另外,如果采集的页面是RSS信息聚合页面,那么设置为相应的RSS单栏目或RSS多栏目。n设置被采集页面的编码由于webplus系统采用的是UTF-8的编码格式,而被采集可能是其他的编码格式,那么为了避免采集过来的信息乱码,这里需要设置为被采集页面的编码格式。本文来自电脑基础知识:http://www.wypcw.com2.设置采集计划的采集规则n单栏目采集计划的设置(如:图三)Ø设置“列表页起始URL”即是被采集页面的访问路径。(必须)Ø设置“文章页URL获取规则”(1)如果新闻列表是以一个iframe形式嵌入在被采集网页中,那么需要设置规则来
4、获取列表iframe的链接地址,从而来访问新闻列表。否则不需要制定该规则。(具体规则方式请参见下面的“采集规则表达式制定”)(2)如果被采集网页的新闻列表存在分页的情况,那么根据新闻列表分页的方式(链接和表单提交)制定分页的规则,并且需要设置分页开始页码,间隔页码和采集页数。如果新闻列表不存在分页,即不需要制定该规则。(3)如果被采集的页面有多个新闻列表,并且多处新闻列表的url规则类似,而我们只需要采集指定的一处列表,即需要设置限制文章列表的获取规则,这是为了避免采集多余的数据。否则不需要设置该规则。(4)设置文章url的获取规则,为了从采集页面中能够访问具
5、体的新闻页面,从而进行新闻采集。(必须)Ø设置“文章内容获取规则”(1)具体的新闻页面,如果文章内容是以iframe的形式嵌入在该新闻页面中,那么需要设置规则来获取文章iframe的链接地址,从而来访问新闻内容。否则不需要制定该规则。(2)如果新闻了内容存在分页的情况,那么根据文章内容分页的方式(链接和表单提交)来制定分页的规则,并且需要设置分页开始页码,间隔页码和采集页数。如果文章内容不存在分页,即不需要制定该规则。(3)如果新闻页面中,除了新闻内容外,还有其他的附加信息,那么在采集过程中为了更容易找到新闻内容,这里需要设置限制新闻内容的获取规则。一是为了避
6、免产生垃圾信息,二是为了减轻了新闻具体信息获取规则的复杂度。如果新闻页面比较简单,一般该规则不需要设置。(4)新闻属性的设置规则,除了标题和内容外,其他都是非必须条件,另外新闻的发布时间不设置的话,会采用当前的时间作为发布时间。n多栏目采集计划的设置(如:图五)多栏目采集计划除了需要在“列表页起始URL”下设置列表页URL规则和“文章页URL获取规则”下设置栏目名称的获取规则,其他与单栏目采集计划设置一致。nRSS单栏目采集计划的设置(如:图四)RSS单栏目的采集计划不需要设置“文章页URL获取规则”,其他与单栏目采集计划一致。nRSS多栏目采集计划的设置(如
7、:图六)RSS多栏目的采集计划需要在“列表页起始URL”下设置列表页URL获取规则,其他与RSS单栏目采集计划一致。1.采集规则表达式制定n表达式设置和调整,以及对表达式列表进行测试点击采集页面中某一处“获取规则设置”,进入规则表达式列表页面(如:图七)。在该页面中除了可以对表达式进行增加,修改,删除和调整顺序外,还可以在表达式设置完成后,输入url,iframeurl和页面内容,对表达式规则列表进行测试。n设置各种类型表达式的类型表达式类型分为字符串,匹配,匹配替换和公式四种类型。其中匹配和匹配替换需要用到java的正值表达式,这要求采集计划设置人员对表达式
8、有一定的了解。(1)字符串:直接输入的
此文档下载收益归作者所有