开源 java CMS - FreeCMS2.3 Web页面信息采集

原文地址:http://javaz.cn/site/javaz/site_study/info/2015/23312.html

项目地址：http://www.freeteam.cn/

Web页面信息采集

从FreeCMS 2.1开始支持

通过简单配置即可抓取目标网页信息，支持增量式采集、关键字替换、定时采集，同一采集规则可采集多个页面（静态和动态），可采集多种信息属性，可自动审核且静态化信息页面。

采集规则管理

从左侧管理菜单点击采集规则进入。

添加采集规则

在采集规则列表下方点击"添加"按钮。

填写相关属性后点击"保存"按钮即可。

采集规则属性说明

采集规则属性分为基本、设置、采集地址，采集属性，关键词替换。

一般情况下只要在基本选项卡填写相关属性即可完成。如果需要更多高级设置可以使用后面几个选项卡。

下面针对主要属性进行解释说明。

名称：采集规则的名称。

采集到栏目：采集的信息要添加到那个栏目。

页面编码：目标网页的页面编码，默认为UTF-8。

采集地址：目标网页的地址。在基本选项卡中只能设置一个，想要设置多个可以在采集地址选项卡中设置。

采集调度：设置定时执行采集操作，这个设置非常重要，只有设置了采集调度系统才执行采集操作。

内容列表开始结束html：因为系统是通过对目标网页内容进行关键词截取来提取信息属性的，所以设置目标属性的开始结束html就很重要，一定要设置为相对比较唯一的开始结束html,这样系统才能正确的截取到目标属性。此属性主要为了截取目标页面信息列表的html.

内容地址开始结束html:根据上面的属性获取内容列表html后，使用此属性截取各个内容地址。

内容标题开始结束html：根据上面的属性获取内容地址后，系统会抓取此内容地址的网页内容，然后根据此属性截取内容标题。内容相关属性的设置跟此属性类似，下面不再赘述。

状态：启用状态下的采集规则，系统才会执行。

采集图片：将信息内容中的图片下载到本地。

自动审核通过：将采集的信息直接设置为已审核状态。

使用采集信息点击量：默认采集到的信息的点击量为0，设置此属性和内容点击量开始结束html后系统会截取目标信息的点击量，设置为采集后信息的点击量。

最多采集内容数：默认不限制，如果设置了此属性，系统会从采集记录中统计此采集规则已采集了多少条信息，如果超过最多采集内容数，系统将不再采集。

将首幅图片设为标题图片：如果信息内容中有图片，则提取第一张做为标题图片，并设置信息为图片信息。

清除内容中的html标签：将信息内容中的html标签清除，保留纯文本。

当内容为空时是否采集：可设置在内容为空时不采集此信息。

使用采集信息的添加时间:默认采集到的信息的添加时间为当前时间，设置此属性和内容添加时间开始结束html后系统会截取目标信息的添加时间，设置为采集后信息的添加时间。

采集信息添加时间格式:默认格式为yyyy-MM-dd,如果目标页面的添加时间格式不同，需要在这里设置为正确的日期格式。

采集开始时间：默认为当前时间，如果不到采集开始时间，系统是不会采集的。

采集结束时间：默认为永不结束，如果超过采集结束时间，系统是不会采集的。

内容地址补全url:因为有些网页使用的是相对路径或绝对路径，可以设置内容地址的前缀。

图片地址补全url:因为有些网页使用的是相对路径或绝对路径，可以设置图片链接地址的前缀。

内容中A标签链接地址补全url:因为有些网页使用的是相对路径或绝对路径，可以设置内容中A标签链接地址的前缀。

采集地址分为静态和动态地址，静态地址为固定的地址，动态地址一般指可以分页的地址，通过{page}来代表分页变量，可以设置从那一页采集到那一页，如http://www.freetam.cn/list_{page}.html，设置开始页数为1，结束页数为10，系统会自动提取http://www.freetam.cn/list_1.html到http://www.freetam.cn/list_10.html所有页面的数据。

一般情况下我们只采集信息的标题和内容就可以了，系统还提供采集内容描述、点击量、作者、来源、添加时间属性的功能。

通过关键词替换功能，您可以将采集到的信息里面的关键词替换为自己想要的关键词。

编辑采集规则

选择需要编辑的采集规则，然后点击"编辑"按钮。

注意:同时只能编辑一个采集规则。