258资源分享网

前言：本文是“含有分页的普通文章的采集方法“的第二节，在前一节的基础上，这一节会对新增采集节点中的第二步：“设置字段获取规则”做详细的介绍。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14）所示，

图14-设置内容字段获取规则

系统将会自动指定一个“预览网址”，一般是文章列表页的第一篇文章的网址。但是，由于第一篇文章中没有涉及到分页的部分，所以在这里手动更改为，第二篇文章的网址：“”，更改后，如（图15）所示，

图15-更改后的预览地址

下面来设定分页部分的匹配规则。其具体操作步骤为：

打开文章内容页面，在网页上单击右键，在弹出的对话框中单击“查看源文件“。在源代码中，找到分页代码的开始部分和结束部分，如（图16）所示，

图16-分页代码

经过观察可知，分页代码位于“<div class=”page next-page”>“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=”page next-page”>[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17）所示，

图17-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，这里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，过滤规则仅简单涉及。

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” OpenFlow网络是空谈吗？“，如（图18）所示，

图18-在源代码中的文章标题

这里的文章标题处在”<h1 class=“title”></h1>”之间，因此这里应该填写”<h1 class=“title”>[内容]</h1>”作为文章标题的匹配规则。如果在文章标题中含有相关链接等，可使用过滤规则加以处理，这里无需设置。填写后，如（图19）所示，

图19-文章标题的采集规则

经过查找源代码和对比原文的标题部分，可发现本文没有涉及到文章作者，所以这里不用填写，空着即可。

在上图19中，可发现来源的内容介于“<span>来源：“和“</span>”之间，因此这里应填写“<span>来源：[内容]</span>”作为文章来源的采集规则。同样，这里也不需要使用过滤规则。填写后，如图20所示，

图20-文章来源的采集规则

再次回到图17，可找到“时间:2011-05-13 11:47”，因此这里应把“时间：[内容]<span>”作为发布时间的采集规则。同样，这里也不需要使用过滤规则。填写后，如图21所示，

图21-文章发布时间的采集规则

这个部分是编写采集规则的重点，也是难点。需要特别注意。

具体操作步骤：

（a）在在打开的文章内容页面的源代码中，找到文章内容的开始部分“计算机网络知识的学习”，如图22所示，

图22-文章内容的开始部分

这里应把”<!—文章块开始—>”作为匹配规则的开始部分，注意到这段代码中包含一段广告代码，需要采用过滤规则把其去除。经观察发现，这段JS广告代码是位于“<div class=”contentgg”>”和“</div>”之间的。因此，应在“过滤规则”中填写：“{dede:trim replace=’’}<div class=”contentgg”>(.*)</div>”{/dede:trim}。填写后，如（图23）所示，

图23-开始部分的匹配规则及其过滤规则

（b）找到文章内容的结束部分，因为涉及到分页部分，所以应该选取分页结束的位置，如图24所示，

图24-文章内容的结束部分