国产999精品久久久久久-国产欧美综合一区二区三区-国产精品无码专区-亚洲色精品aⅴ一区区三区

  
售前咨詢QQ：QQ412395521
業(yè)務(wù)合作QQ：QQ627174919
位置：首頁(yè) > 知新 > 帝國(guó)CMS > 采集使用

寫(xiě)給新手——采集技巧
時(shí)間：2006-11-15 10:11:19  來(lái)源：帝國(guó)論壇  作者：phamlily
　　發(fā)現(xiàn)不少人在采集方面有些或多或少的問(wèn)題。今天來(lái)說(shuō)一下采集技巧。

　　說(shuō)之前先提一下：如果想要取得他人的幫助，光說(shuō)一下“XX網(wǎng)頁(yè)我采不到”，或是“XX網(wǎng)頁(yè)的XX正則我怎么設(shè)不對(duì)呀”，一般比較少會(huì)有人來(lái)幫你。因?yàn)橄胍獛湍悖瑤湍阏呔捅仨氉约合葘?xiě)一個(gè)完整的那個(gè)網(wǎng)站，或是至少那個(gè)列表頁(yè)的采集正則。在你是問(wèn)某一個(gè)小問(wèn)題，在別人就是大動(dòng)工的寫(xiě)一整套正則了——最差最差，也是要打開(kāi)那個(gè)網(wǎng)頁(yè)，一點(diǎn)點(diǎn)地找正則所在……別人不是該你的，有沒(méi)有義務(wù)是一回事，有沒(méi)有精力又是另一回事。就算勤勞如蓮，大多數(shù)時(shí)間也是懶得理會(huì)，爬爬走過(guò)的

　　所以，如果想取得他人的幫助，最好是哪個(gè)正則有問(wèn)題，就把自己寫(xiě)的那個(gè)部分正則也貼出來(lái)（如果能貼全套的則更好，別人可以整套地幫你測(cè)試），無(wú)論是尋找癥結(jié)所在，還是節(jié)省他人時(shí)間上，都是很有幫助的。

　　另外，也不要把想取得幫助的網(wǎng)頁(yè)的代碼整個(gè)的復(fù)制粘貼上來(lái)，貼個(gè)網(wǎng)頁(yè)地址就可以了，你貼一大片代碼，進(jìn)來(lái)看的人一下就被嚇出去了……

　　下面來(lái)說(shuō)一下采集技巧：

個(gè)人經(jīng)驗(yàn)：

　　1.采集的正則能寫(xiě)得越簡(jiǎn)單越好。
　　當(dāng)然，復(fù)雜的話針對(duì)性強(qiáng)，比較不容易采到不要的內(nèi)容，但能在保證不采到不要的內(nèi)容的前提下，越簡(jiǎn)單，一個(gè)正則對(duì)該網(wǎng)頁(yè)的通用性就越強(qiáng)。比如說(shuō)一樣是采<a href="鏈接">這個(gè)鏈接，個(gè)人覺(jué)得，如果你已經(jīng)設(shè)定了鏈接區(qū)域，區(qū)域內(nèi)不會(huì)有別的鏈接的話，與其把鏈接正則寫(xiě)成<a href="[!--newsurl--]">，還不如寫(xiě)成href="[!--newsurl--]"。這樣，萬(wàn)一有幾頁(yè)的鏈接對(duì)方寫(xiě)成了<A href="鏈接">，也不會(huì)影響你的采集效果。

　　當(dāng)然，對(duì)方不會(huì)莫名其妙地改變自己的模板，上面只是舉個(gè)例子。而我是懶人，懶人的目標(biāo)就是用最少的正則采到最多的新聞。
　　正則寫(xiě)得簡(jiǎn)單，還是對(duì)自己采集水平的一個(gè)鍛煉。越簡(jiǎn)單，找正則規(guī)律的要求就越高，多鍛煉自己，采集時(shí)才比較容易一次就采到自己想要的東西。


　　2.在正則內(nèi)盡管減少空格和回車(chē)的使用。
　　這樣說(shuō)可能不是很明白。空格誰(shuí)不用？注意：這里說(shuō)的不是一個(gè)或兩個(gè)空格，而是大片相連的空格。
　　空格的存在當(dāng)然是必要的，但寫(xiě)采集正則時(shí)出現(xiàn)大片相連的空格甚至包含大量回車(chē)時(shí)只能說(shuō)明兩個(gè)問(wèn)題：一，要么是對(duì)方的網(wǎng)頁(yè)太難采集，讓你不得不使用大片相連空格及回車(chē)來(lái)區(qū)分采集區(qū)域，否則找不到別的辦法了；二，要么是你太懶，懶得仔細(xì)地找正則，看到什么就是什么，大片的復(fù)制下來(lái)再說(shuō)，反正復(fù)制得越多越不容易和別的重復(fù)。
　　相信大多數(shù)人都是第二種。
　　但要注意，當(dāng)你大量復(fù)制對(duì)方網(wǎng)頁(yè)代碼當(dāng)成正則時(shí)，你也把自己推入了一種很可能采集失敗，或是某幾頁(yè)能成功，某幾頁(yè)以失敗告終的險(xiǎn)境。
　　某幾頁(yè)成功、某幾頁(yè)失敗的原因，同第1條所述，對(duì)方有可能偶爾在頁(yè)面內(nèi)改變正則。這種情況雖然不大遇到，但要充分考慮到。
　　大多數(shù)復(fù)制大量代碼當(dāng)正則的同志，是處于一種不成功便成仁的境地的。因?yàn)榭崭襁€算好，不會(huì)出太多問(wèn)題；但回車(chē)的問(wèn)題很?chē)?yán)重。我采集時(shí)，發(fā)現(xiàn)，往往有些網(wǎng)頁(yè)在正則內(nèi)使用了回車(chē)，就會(huì)采集失敗——完全不認(rèn)采集區(qū)域。回車(chē)是個(gè)很好的辨識(shí)標(biāo)志，但——具體原因還不明了——有時(shí)它會(huì)導(dǎo)致整個(gè)采集過(guò)程的失敗。


　　3.分頁(yè)區(qū)域正則。
　　很多人能很好地設(shè)定整個(gè)頁(yè)面的正則，但往往失敗在分頁(yè)正則上（我到現(xiàn)在都不是每個(gè)分頁(yè)都能采得到）。這里提幾個(gè)技巧。
　　第一，盡量不要把分頁(yè)區(qū)域包含在新聞?wù)恼齽t內(nèi)。這一點(diǎn)……如果有人看菜鳥(niǎo)手冊(cè)的話……嚴(yán)正聲明，那里面是寫(xiě)錯(cuò)的，當(dāng)時(shí)對(duì)采集不是很了解，所以寫(xiě)錯(cuò)了。如果把分頁(yè)區(qū)域包含在新聞?wù)恼齽t內(nèi)，會(huì)導(dǎo)致采到的新聞?dòng)袃尚械?頁(yè)、第2頁(yè)等的顯示——因?yàn)榘褜?duì)方的分頁(yè)也當(dāng)正文采來(lái)了。
　　第二，要注意“上下頁(yè)導(dǎo)航”和“全部列出式”。現(xiàn)在大多數(shù)網(wǎng)頁(yè)是兩種模式同時(shí)存在的。所以在寫(xiě)正則時(shí)，如果你是使用某一種模式，要注意過(guò)濾掉另一種模式的鏈接，不然會(huì)導(dǎo)致采到過(guò)多的分頁(yè)，一般是會(huì)出現(xiàn)兩個(gè)第2頁(yè)。
　　第三，當(dāng)分頁(yè)采集屢屢失敗，又實(shí)在查不出錯(cuò)在哪里時(shí)，請(qǐng)看一下第2、3、4……頁(yè)的新聞?wù)牡恼齽t，是否與你寫(xiě)的新聞?wù)齽t一致。有的網(wǎng)頁(yè)，后面幾頁(yè)用到的代碼和第一頁(yè)會(huì)不一樣，往往會(huì)比第一頁(yè)少掉一些，這時(shí)，如果你用的新聞?wù)恼齽t正好用到了后面幾頁(yè)沒(méi)有的代碼，那你分頁(yè)正則即使寫(xiě)得完全沒(méi)有問(wèn)題，由于后幾頁(yè)的正文它采集不到，顯示出來(lái)的就是沒(méi)有采到分頁(yè)（T_T 某蓮曾在這個(gè)問(wèn)題上給它耗掉整整一個(gè)晚上，血淚史啊……）


　　4.采集中盡量減少用*，或者，至少有選擇性地用*。
　　比如<a href="鏈接">OOXXOOXX</a>這個(gè)，不少人喜歡用<a href="[!--newsurl--]">*</a>來(lái)采集。但是試問(wèn)，這個(gè)*有什么意義嗎？列位哪位有見(jiàn)過(guò)，有哪個(gè)<a>.....</a>之間是沒(méi)有東西的嗎？所以這個(gè)*放在這里，有放沒(méi)放是一個(gè)樣的。除非是這個(gè)鏈接正則太復(fù)雜了，一定要靠*之后的代碼繼續(xù)區(qū)分判斷，以過(guò)濾掉不要的，這時(shí)才需要用*。
　　用*有一個(gè)弊端——在你對(duì)正則看得不是很清楚，不太負(fù)責(zé)任地加*的時(shí)候，很可能不能完全采集到你想采集的內(nèi)容，或是一不小心把要采集的內(nèi)容去掉了。所以能不用*盡量不要用*。


　　暫時(shí)能想到這些，以后想到繼續(xù)補(bǔ)充。
 
旗下其它產(chǎn)品：【帝國(guó)備份王】    【EBMA系統(tǒng)】    【帝國(guó)下載系統(tǒng)】
Powered by EmpireCMS
版權(quán)所有 ©2002-2024 EmpireSoft Inc.