编辑“CMSware新建采集分类/索引页规则定义”

<span style="border:1px solid #000; float:right; text-align:center; padding:6px;"><strong>导航：</strong>[[CMSware采集管理|返回上一页]]</span>
<div style="clear:both;"></div>
新建[[采集]]分类/采集索引页规则定义
<div>
[[Image:cmsware115.gif]]
</div>
<br>
<div>
[[Image:cmsware116.gif]]
</div>
*采集索引页面[[URL]]：
:待采集的内容[[链接]]列表页,一般是[[网站]]的2级或3级栏目首页.
*采集索引页有效区域定位规则：
:用来定位有效的内容链接位置,如下图.
<div>
[[Image:cmsware117.gif]]
</div>
我们要采集的是国内最新播报的内容,所以其它区域的无效链接要过虑掉,而通过设置采集索引页有效区域定位规则就可以过虑无效的链接.
<div>
[[Image:cmsware118.gif]]
</div>
<br>
<div>
[[Image:cmsware119.gif]]
</div>
我们通过查看[[网页]]的源代码来定位有效链接区域,如上图,有效区域位于 
<pre>
<td bgcolor="#BAD4E5" height="20" width="97%" class="big"><font color="#000000">国内最新播报</font></td>
......
....
有效链接区域
..
</html> 
</pre>
通过搜索,我们可以得知国内最新播报在整个网页源码中是唯一的,所以它也可以用来作为头标识,而用<nowiki></html></nowiki>来作为尾标识即可.最后定下来的正则规则是:
<pre>
/国内最新播报(.*)<\/html>/isU
</pre>
<pre>
名词解释:

    * 头标识  : 用来定位采集有效区域开始的字串,在整个网页源代码中必须唯一.
    * 尾标识  : 用来定位采集有效区域结束的字串,在整个网页源代码中必须唯一.
</pre>
<pre>
正则语法:

    * 所有采集正则必须以/开始, /isU结束.格式.即:

      /头标识(.*)尾标识/isU
    * 头/尾标识中的所有/符号必须加个\转义符,也就是< /html>你要写成<\/html>
      头/尾标识中的所有"符号必须加个\转义符,也就是<font color="#000000">你要写成<font color=\"#000000\">
    * [\s]*代表0个或多个空格,
    * [^\"><\s]*代表除了",<,>,空格外的所有字符
    * [0-9]+代表任意的数字组合:
</pre>

*有效内容页URL过虑规则：
<div>
[[Image:cmsware121.gif]]
</div>
通过分析有效区域里面的链接格式,我们最终确定了有效内容页URL过虑规则 如下:
<pre>
/<a[\s]*href=([^\"><\s]*content_[0-9]+.htm)/isU
</pre>
<pre>
正则语法:

    * 所有采集正则必须以/开始, /isU结束.格式.即:

      /头标识.......尾标识/isU
    * 头/尾标识中的所有/符号必须加个\转义符,也就是</html>你要写成<\/html>
      头/尾标识中的所有"符号必须加个\转义符,也就是<font color="#000000">你要写成<font color=\"#000000\">
    * [\s]*代表0个或多个空格,
    * [^\"><\s]*代表除了",<,>,空格外的所有字符
    * [0-9]+代表任意的数字组合

    * \r代表回车符

    * 有效链接地址我们使用(.....)来标识,如上/<a[\s]*href=([^\"><\s]*content_[0-9]+.htm)/isU
</pre>
设置完之后我们点测试,如果规则无误的话,系统将可以解析出所有有效内容页地址
<div>
[[Image:cmsware120.gif]]
</div>




==参考来源==
*[http://www.lonmo.com/cmsware/manual/ 参考来源]


[[category:CMSware]]