开源 java CMS - FreeCMS2.3 Web页面信息採集

2022-10-05 07:45:37

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

项目地址：http://www.freeteam.cn/

Web页面信息採集

从FreeCMS 2.1開始支持

通过简单配置就可以抓取目标网页信息，支持增量式採集、keyword替换、定时採集，同一採集规则可採集多个页面（静态和动态）。可採集多种信息属性。可自己主动审核且静态化信息页面。

採集规则管理

从左側管理菜单点击採集规则进入。

加入採集规则

在採集规则列表下方点击"加入"button。

填写相关属性后点击"保存"button就可以。

採集规则属性说明

採集规则属性分为基本、设置、採集地址，採集属性。关键词替换。

普通情况下仅仅要在基本选项卡填写相关属性就可以完毕。假设须要很多其它高级设置能够使用后面几个选项卡。

以下针对主要属性进行解释说明。

名称：採集规则的名称。

採集到栏目：採集的信息要加入到那个栏目。

页面编码：目标网页的页面编码，默觉得UTF-8。

採集地址：目标网页的地址。在基本选项卡中仅仅能设置一个，想要设置多个能够在採集地址选项卡中设置。

採集调度：设置定时运行採集操作，这个设置很重要。仅仅有设置了採集调度系统才运行採集操作。

内容列表開始结束html：由于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開始结束html就非常重要，一定要设置为相对照较唯一的開始结束html,这样系统才干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.

内容地址開始结束html:依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。

内容标题開始结束html：依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。然后依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。以下不再赘述。

状态：启用状态下的採集规则，系统才会运行。

採集图片：将信息内容中的图片下载到本地。

自己主动审核通过：将採集的信息直接设置为已审核状态。

使用採集信息点击量：默认採集到的信息的点击量为0。设置此属性和内容点击量開始结束html后系统会截取目标信息的点击量，设置为採集后信息的点击量。

最多採集内容数：默认不限制，假设设置了此属性，系统会从採集记录中统计此採集规则已採集了多少条信息，假设超过最多採集内容数。系统将不再採集。

将首幅图片设为标题图片：假设信息内容中有图片，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。

当内容为空时是否採集：可设置在内容为空时不採集此信息。

使用採集信息的加入时间:默认採集到的信息的加入时间为当前时间。设置此属性和内容加入时间開始结束html后系统会截取目标信息的加入时间，设置为採集后信息的加入时间。

採集信息加入时间格式:默认格式为yyyy-MM-dd,假设目标页面的加入时间格式不同，须要在这里设置为正确的日期格式。

採集開始时间：默觉得当前时间，假设不到採集開始时间，系统是不会採集的。

採集结束时间：默觉得永不结束，假设超过採集结束时间，系统是不会採集的。

内容地址补全url:由于有些网页使用的是相对路径或绝对路径。能够设置内容地址的前缀。

图片地址补全url:由于有些网页使用的是相对路径或绝对路径，能够设置图片链接地址的前缀。

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

採集地址分为静态和动态地址，静态地址为固定的地址。动态地址一般指能够分页的地址，通过{page}来代表分页变量，能够设置从那一页採集到那一页，如http://www.freetam.cn/list_{page}.html，设置開始页数为1，结束页数为10，系统会自己主动提取http://www.freetam.cn/list_1.html到http://www.freetam.cn/list_10.html全部页面的数据。

普通情况下我们仅仅採集信息的标题和内容就能够了，系统还提供採集内容描写叙述、点击量、作者、来源、加入时间属性的功能。

通过关键词替换功能，您能够将採集到的信息里面的关键词替换为自己想要的关键词。

编辑採集规则

选择须要编辑的採集规则，然后点击"编辑"button。

注意:同一时候仅仅能编辑一个採集规则。