帝国cms采集图文教程(中)

一、全部列出式

  全部列表式只需看第一页的页面HTML代码,这一页的所有分页链接都列出来了。

  1、我们以“中华网内容分页(http://auto.china.com/dongtai/yejie/11012724/20120309/17081442.html)”为例:

  1.JPG

  可以看到这条新闻总共有3条分页。

  2、查看源代码:

  2.jpg

  这一页里除了已经采集到的第1条分页外,还包括了第2条和第3条分页,所有的分页都列出来了。

  3、取得 分页区域正则([!--smallpageallzz--]):

  3.JPG

  4、取得 分页链接正则([!--pageallzz--]):

  4.JPG

  二、上下页导航式

  上下页导航式是分页采集的难点,他需要所有页面都符合分页正则才行,在不熟悉的情况下,我们可以用第1页和第2页的代码来进行对比分析然后确定分页正则。

  1、我们以下网站的内容分页为例:

  2-1.JPG

  可以看到这条新闻总共有20条分页。

  2、查看源代码:

  2-2.jpg

  这一页里除了已经采集到的第1条分页外,还包括了第2,第3,第4,第5,第6,第7,第8,第20条分页,但是第9到第19条分页并没有列出来,这时候我们拿用第1页和第2页的代码来进行对比分析,来确定分页正则:

  (1)第1页代码:

  2-2-1.jpg

  (2)第2页代码:

  2-2-2.jpg

  从这两幅图片可以看到他们有着相同的“分页区域开始代码”,“分页链接”格式,“分页区域结束代码”,那么就可以确定“分页区域正则”,“分页链接正则”。

  3、取得 分页区域正则([!--smallpageallzz--]):

  2-3.JPG

  4、取得 分页链接正则([!--pageallzz--]):

  2-4.jpg

  5、为了方便教程显示,newstext我采集了标题而不是采集内容,预览结果:

  2-5.JPG

  注意事项:

  第一、在第一页的页面HTML代码里,内容分页链接全部列出来的情况下我们使用“全部列出式”。在第一页的页面HTML代码里,内容分页链接没有全部列出来的情况下我们使用“上下页导航式”。

  第二、用全部列出式时,采集规则正确但是莫名其妙的出现重复的分页,这时可以利用替换法把它过滤掉(下一讲我们再说)。

  第三、用上下页导航式时,老是采到第1页,其他页连个影子都没有见过,这是因为分页区域正则([!--smallpagezz--])截取错误。

  第四、用上下页导航式时,可以采集到前几页了,但是接下来这前几页全部重复循环到底,这也是因为分页区域正则([!--smallpagezz--])截取错误,截取范围过大,导致重复截取前几个分页链接。

  好的,这一讲就到这里,下一讲我们主要介绍帝国cms采集过滤和替换。

  本文由 国外网站大全http://www.kguowai.com/ 原创,转载请注明出处,谢谢!

  感谢 国外网站大全 的投稿


来源:站长之家 作者:

免责声明:本文仅代表作者个人观点,与世界朋友网无关。其原创性以及文中陈述文字和内容未经本站证实,对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺,请读者仅作参考,并请自行核实相关内容。

[责任编辑:世界朋友]