信息采集说明.doc

信息采集使用手册 摘要 信息采集是一个抓取网络数据，实现信息共享的功能模块。它提供手动抓取、预约抓取和定时循环抓取三种模式，它可以抓取单个新闻列表下的信息，也可以同时抓取多个列表下的新闻信息。 步骤及详细 现在需要将一个网页的数据（新闻）采集到webplus系统一个指定的栏目下，步骤如下： 给指定栏目制定一个采集计划。 在栏目管理中选择该栏目，点击设置采集计划。(如：图一) 设置采集的基本属性。 包括执行方式，信息是否自动发布，被采集的栏目类型和页面的编码格式。(如：图二) 事先约定好该采集计划的执行方式，手动、定时单次还是定时循环执行。 如果仅仅为了采集网页当前的数据，我们可以采用手动和定时单次的方式采集一次即可；如果被采集网页的数据会更新，而我们又要保证信息的同步，即采用定时循环采集的方式。 判断采集过来的信息是否需要发布 如果采集过来的信息不需要修改，可以直接对外网公开，选择自动发布即可。如果采集过来的信息，需要修改，审核等，选择不要自动发布，等采集完成以后，由信息管理人员来进行其他操作。 设置被采集的栏目类型 如果被采集的网页中只是单纯的一个新闻列表，即是将该页面的新闻采集到指定栏目下，那么选择单栏目即可。如果被采集的页面有多个新闻列表，并且各自提供单独链接进入自己的新闻列表页面，而我们又需要采集所有的新闻信息，那么选择多栏目。另外，如果采集的页面是RSS信息聚合页面，那么设置为相应的RSS单栏目或RSS多栏目。 设置被采集页面的编码 由于webplus系统采用的是UTF-8的编码格式，而被采集可能是其他的编码格式，那么为了避免采集过来的信息乱码，这里需要设置为被采集页面的编码格式。 设置采集计划的采集规则 单栏目采集计划的设置 (如：图三) 设置“列表页起始URL” 即是被采集页面的访问路径。（必须） 设置“文章页URL获取规则” 如果新闻列表是以一个iframe形式嵌入在被采集网页中，那么需要设置规则来获取列表iframe的链接地址，从而来访问新闻列表。否则不需要制定该规则。(具体规则方式请参见下面的“采集规则表达式制定”) 如果被采集网页的新闻列表存在分页的情况，那么根据新闻列表分页的方式（链接和表单提交）制定分页的规则，并且需要设置分页开始页码，间隔页码和采集页数。如果新闻列表不存在分页，即不需要制定该规则。 如果被采集的页面有多个新闻列表，并且多处新闻列表的url规则类似，而我们只需要采集指定的一处列表，即需要设置限制文章列表的获取规则，这是为了避免采集多余的数据。否则不需要设置该规则。 设置文章url的获取规则，为了从采集页面中能够访问具体的新闻页面，从而进行新闻采集。（必须） 设置“文章内容获取规则” 具体的新闻页面，如果文章内容是以iframe的形式嵌入在该新闻页面中，那么需要设置规则来获取文章iframe的链接地址，从而来访问新闻内容。否则不需要制定该规则。 如果新闻了内容存在分页的情况，那么根据文章内容分页的方式（链接和表单提交）来制定分页的规则，并且需要设置分页开始页码，间隔页码和采集页数。如果文章内容不存在分页，即不需要制定该规则。 如果新闻页面中，除了新闻内容外，还有其他的附加信息，那么在采集过程中为了更容易找到新闻内容，这里需要设置限制新闻内容的获取规则。一是为了避免产生垃圾信息，二是为了减轻了新闻具体信息获取规则的复杂度。如果新闻页面比较简单，一般该规则不需要设置。 新闻属性的设置规则，除了标题和内容外，其他都是非必须条件，另外新闻的发布时间不设置的话，会采用当前的时间作为发布时间。 多栏目采集计划的设置 (如：图五) 多栏目采集计划除了需要在“列表页起始URL”下设置列表页URL规则和“文章页URL获取规则”下设置栏目名称的获取规则，其他与单栏目采集计划设置一致。 RSS单栏目采集计划的设置 (如：图四) RSS单栏目的采集计划不需要设置“文章页URL获取规则”，其他与单栏目采集计划一致。 RSS多栏目采集计划的设置 (如：图六) RSS多栏目的采集计划需要在“列表页起始URL”下设置列表页URL获取规则，其他与RSS单栏目采集计划一致。 采集规则表达式制定 表达式设置和调整，以及对表达式列表进行测试 点击采集页面中某一处“获取规则设置”，进入规则表达式列表页面(如：图七)。在该页面中除了可以对表达式进行增加，修改，删除和调整顺序外，还可以在表达式设置完成后，输入url，iframeurl和页面内容，对表达式规则列表进行测试。 设置各种类型表达式的类型 表达式类型分为字符串，匹配，匹配替换和公式四种类型。其中匹配和匹配替换需要用到java的正值表达式，这要求采集计划设置人员对表达式有一定的了解。 字符串：直接输入的字符串常量 匹配：从指定的文本（URL、IframeURL、页面内容）中通