火车头采集器教程课件.pptVIP

n二、新建站点n三、采集网址n四、采集内容n五、发布内容n六、任务采集n七、导出数据

注：每次采集前需要將wamp5打开后，在用火车头采集。

3、安装PHP，输入http://localhost/phpcms/install.php进行。安装部分完成

第二步：点击“新建站点”后出现如下界面。填写站点名和站点网址点击“更新”

新建好的站点会排列在窗口左侧“站点任务列表”中。右击新建好的站点，点击“从该站点新建任务”，出现如下界面。

1、在选择目标站时，最好选择文章更新快，文章质量高（少广告词、图片、链接、视频、flash等），内容丰富并且在业界有一定权威性的站点。2、过于滞后的文章不要采集。（例如：08年、09年的文章）3、在选择列表的过程中最好以站点为单位，不要以某个列表为单位，这样采集效率会事半功倍。4、在选择目标站时尽量不要选择动态页，多选择可以用数字或字母（*）代替的静态页。5、在采集过程中遇到不需要采集的文章，可以通过“不得包含”功能将其过滤掉。

完成采集网址步骤之后，点击“开始测试网址采集”按钮。会出现如下界面：

选择“第二步：采集内容规则”后，出现如下界面。

选择“添加标签”后，出现如下界面。

將“标题”、“资讯内容”、“内容摘要”、“信息关键词”、“meta关键词”、“meta描述”、“责任编辑”、“信息来源”添加到标签名中，將其他不需要的标签名称删除，出现如下界面。

下面分别说明“标题”、“内容摘要”、“信息关键词”、“meta关键词”、“meta描述”、“责任编辑”、“信息来源”、“资讯内容”各个标签的采集规则。注释：一般情况下检索title/title都可以采集到我们需要的标题标签，但由于这篇文章此代码中设计到其他网站logo及列表分类不确定信息，所以选择divid=“title”h1/h1中内容来代替。如果没有合适字段，可利用“内容排除”选项进行筛选。

双击上图窗口中的“标题”标签，將“源代码”中对应的标题开始代码和结束代码分别输入到开始字符段和结束字符段中，点击确定，标题标签设置完成。

1、双击上图窗口中的“资讯内容”标签，將“源代码”中对应的资讯内容开始代码和结束代码分别输入到开始字符段和结束字符段中。2、勾选“HTML标签排除”中的“链接”、“层”、“Span”、“图象”、“脚本”选项。3、选择“内容排除”中的添加项，將资讯内容代码中的无用代码和文本添加在此选项中，过滤废物信息。

注释：在资讯内容采集过程中最主要的是对垃圾信息的删除，其中需要注意的有以下几项：href=/zt/shidabanjiangli/index.shtmltarget=_blank2010年建材行业十大评选活动圆满落幕，电话：01062298529/A）2、特殊标签（例如：IFRAMEsytle标签，大部分标签会在“HTML标签排除”中删除。）3、网站logo（例如：【STRONGAhref=/target=_blank慧聪建材网/A/STRONG】）4、文章中铭感文字（例如：点击下一页、点击查看更多图片、视频、责任编辑、评论、【热点导读】、【相关新闻】等与文章正文无关的文字。）

查看本页面“源文件”搜索description代码，找到文章描述部分。如下图：

將“源代码”中对应的描述开始代码和结束代码分别输入到开始字符段和结束字符段中，点击确定，内容描述和meta描述标签设置完成。注释：有些文章描述部分设有大量广告语或与本文无关的内容，这样的文章描述我们不给予采集。可以将标题的采集方法复制到描述采集中。

第四、信息关键词、meta关键词查看本页面“源文件”搜索keywords代码，找到文章关键词部分。如下图：

將“源代码”中对应的关键词开始代码和结束代码分别输入到开始字符段和结束字符段中，点击确定，信息关键词和meta关键词标签设置完成。注释：有些文章关键词部分设有大量广告语或与本文无关的内容，这样的文章关键词我们不给予采集。可以将标题的采集方法复制到关键词采集中。

双击责任编辑标签，选择“自定义固定格式的数据”，在固定的字符串选项中填写自己的名称，点击确定，责任编辑设定完成。

双击责任编辑标签，选择“自定义固定格式的数据”，在固定的字符串选项中填写信息来源，点击确定，信息来源设定完成。

在“页面内容分页区域/样式设置”中将分页部分代码输入其中，用（*）代替即可。如下图：（注释：各站的分页代码不同，需要具体分析，采集分页的文章在我们后台将成为一篇通篇文章。建议少采集分页多的文章，影响用户体验。）

规则填写完成后，返回至第一步“测试网址采集”。双击所采集到的任一文章地址。则会自己弹出如下界面。（注释：建议多测试几篇文章，减少垃圾代码出现。）采集内容阶段完成，点击进入发布内容设置

获得

8、登录本