Dedecms采集功能的使用方法 --- 图片集（二）

前言：本文是“Dedecms采集功能的使用方法 --- 图片集“的第二节，在前一节的基础上，将会对新增采集节点中的第二步：“设置字段获取规则”部分做一个简单的介绍。为了与前文保持一致，本文将延续使用前文的章节标记。

上接第一节。

2.1新增采集节点：第二步设置内容字段获取规则

单击“保存信息并进入下一步设置”后，便可进入“新增采集节点：第二步设置内容字段获取规则”页面，如（图21）所示，

图21-设置内容字段获取规则

在预览网址处，系统将会自动指定一篇文章作为示范页面，如有特殊需要可自行更改。打开示范页面，经观察可发现页面中含有分页，如（图22）所示，

图22-分页

下面来设置分页部分的匹配规则。

具体操作步骤：

（a）在页面的源代码中，找到分页代码的开始部分和结束部分，如（图23）所示，

图23-分页代码

（b）经过观察可知，分页代码位于“<div class=”show_pages”>“和”</div>”之间。因此，在”内容分页导航所在的区域匹配规则“中，应填写”<div class=”show_pages”>[内容]</div> “。对于分页代码的样式，一共有三种可供选择，这里应选择第一种” 全部列出的分页列表”。填写后，如（图24）所示

图24-设置后的网页内容获取规则

对于“固定采集项目”中的“内容摘要、关键字和缩略图“三个部分，系统会用正则进行自动匹配，仅需配置过滤内容即可。下面主要介绍如何获取“文章标题、文章作者、文章来源、发布时间和文章内容”的采集规则以及简单的过滤规则。

2.1.1 获取文章标题的采集规则

首先，打开“预览网址“的页面并单击右键，选择”查看源代码“，找到文章标题” 高清壁纸（非原创作品）“，如（图25）所示，

图25-在源代码中的文章标题

这里的文章标题处在”<h1 class=“font14 b blink”></h1>”之间，因此这里应该填写”<h1 class=“ font14 b blink”>[内容]</h1>”作为文章标题的匹配规则。对于所包含的<img src=”/images/digest1.gif alt=”推荐的欣赏”>”可根据需要选择保留或者是过滤掉。如果希望把这张图片过滤掉，需要在过滤规则中填写：“{dede:trim replace=''}<img([^>]*)>{/dede:trim}”。填写后，如（图26）所示，

图26-文章标题的采集规则

2.1.2 获取文章作者的采集规则

经过查找源代码和对比原文，可发现本文没有涉及到原文作者。这里选择不填写。

2.1.3 获取文章来源的采集规则

这里把页面中的上传者作为文章来源，如图（27）所示，

图27-上传者的信息

查看源代码，并找到相应的部分，如（图28）所示，

图28-源代码中上传者的信息

从图28中，可发现上传者的名字介于“<li class="show_content_r_box_uploader1"><p>“和“</p>”之间，因此这里应填写“<li class="show_content_r_box_uploader1"><p>[内容]</p>”作为文章来源的采集规则。虽然，选定的采集规则能采集到上传者的名字，但是同时也包含了所不希望采集到的图片和链接，下面通过设置过滤规则把它们过滤掉。首先，过滤掉链接，这里使用“{dede:trim replace=''}<a([^>]*)>{/dede:trim}{dede:trim replace=’’}</a>{/dede:trim}”;其次，使用“{dede:trim replace=''}<img([^>]*)>{/dede:trim}”过滤掉图片。填写后，如图29所示，

图29-文章来源的采集规则

2.1.4 获取文章发布时间的采集规则

回到图23，可发现有“17小时前”，由此可见，这里采集数字17就可以了。采集规则为“<span class=”bh”>[内容]小时前</span>”。这里不需要使用过滤规则。填写后，如图30所示，

图30-文章发布时间的采集规则

2.1.5 获取图片集合以及图集内容的采集规则

这个部分是编写采集规则的重点，也是难点。需要特别注意。

图片集合：如果把采集的匹配规则填写在这里的话，系统就会把所采集到的图片，以图集的形式保存起来，注意这里只采集图片。

图集内容：在显示图集的时候，所需显示的说明性文字或者图片。

具体操作步骤：

 （a）在打开的内容页面的源代码中，找到内容的开始部分“一些壁纸”，如图31所示，

图31-内容的开始部分

分析一下这个源代码可知，以下两点：

（1）“一些壁纸”是这个图集的内容，因此可以把“条评论<br/>”作为匹配图集内容的开始部分。但是这样采集到的内容会包含有</span>，应该在过滤规则中使用“{dede:trim replace=""}</span>{/dede:trim}”过滤掉。

（2）“<div class=”show_content_pic”><ul>”可作为匹配图片集合的开始部分，而且每一个图片及其相关信息都是在“<li class=”art_content_listli”>”和”</li>”之间的。注意到这段代码中有两个地方都出现了<img>，通过对比原文可发现，”<img src=”/images/zoomit1.gif” class=”jdjz”>”是一个图标的源代码，这里是不应该被采集到的。为了过滤掉这个图标，需要在匹配规则中填写“{dede:trim replace=""}<p class="art_content_li_p1 u">(.*)</p>{/dede:trim}”。

填写后，如（图32）所示，

图32-开始部分的匹配规则及其过滤规则

（b）找到图集内容的结束部分，因为涉及到分页部分，所以应该选取分页结束的位置，如图33所示，

图33-图集内容的结束部分

很明显，这里应选取“<li style="text-align:center;"><ｓｃｒｉｐｔ type="text/javaｓｃｒｉｐｔ”>”作为图片集合和图集内容的结束部分。填写完成后，如（图34）所示，

图34-结束部分的匹配规则及其过滤规则

到这里，“新增采集节点：第二步设置内容字段获取规则”，就设置完成了。来看一下整个配置页面，如（图35）所示，

图35-设置后的新增采集节点：第二步设置内容字段获取规则

检查无误后，单击“保存并测试”。如果之前设置正确，单击后，将会进入“新增采集节点：测试内容字段设置”页面并看到相应的文章内容。如（图36）所示，

图36-新增采集节点：测试内容字段设置

确定正确无误后，如果单击“仅保存”，系统将会提示“成功保存配置“并返回”采集节点管理“界面；如果单击“保存并开始采集“，将会进入”采集指定节点“界面。否则，请单击“返回上一步进行修改”。

关于第二节的介绍就到这里。下面进入第三节。。。