ECMS:高手提供的教程

采集技巧(作者:藥蓮)

發(fā)現(xiàn)不少人在采集方面有些或多或少的問題。今天來說一下采集技巧。

說之前先提一下：如果想要取得他人的幫助，光說一下“XX網(wǎng)頁我采不到”，或是“XX網(wǎng)頁的XX正則我怎么設(shè)不對呀”，一般比較少會(huì)有人來幫你。因?yàn)橄胍獛湍?，幫你者就必須自己先寫一個(gè)完整的那個(gè)網(wǎng)站，或是至少那個(gè)列表頁的采集正則。在你是問某一個(gè)小問題，在別人就是大動(dòng)工的寫一整套正則了——最差最差，也是要打開那個(gè)網(wǎng)頁，一點(diǎn)點(diǎn)地找正則所在……別人不是該你的，有沒有義務(wù)是一回事，有沒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)，爬爬走過的

所以，如果想取得他人的幫助，最好是哪個(gè)正則有問題，就把自己寫的那個(gè)部分正則也貼出來（如果能貼全套的則更好，別人可以整套地幫你測試），無論是尋找癥結(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)頁的代碼整個(gè)的復(fù)制粘貼上來，貼個(gè)網(wǎng)頁地址就可以了，你貼一大片代碼，進(jìn)來看的人一下就被嚇出去了……

下面來說一下采集技巧：(個(gè)人經(jīng)驗(yàn))

采集的正則能寫得越簡單越好。
當(dāng)然，復(fù)雜的話針對性強(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，越簡單，一個(gè)正則對該網(wǎng)頁的通用性就越強(qiáng)。比如說一樣是采<a href="鏈接">這個(gè)鏈接，個(gè)人覺得，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，與其把鏈接正則寫成<a href="[!--newsurl--]">，還不如寫成href="[!--newsurl--]"。這樣，萬一有幾頁的鏈接對方寫成了<A href="鏈接">，也不會(huì)影響你的采集效果。
當(dāng)然，對方不會(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。
正則寫得簡單，還是對自己采集水平的一個(gè)鍛煉。越簡單，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。
在正則內(nèi)盡管減少空格和回車的使用。
這樣說可能不是很明白?？崭裾l不用？注意：這里說的不是一個(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，但寫采集正則時(shí)出現(xiàn)大片相連的空格甚至包含大量回車時(shí)只能說明兩個(gè)問題：一，要么是對方的網(wǎng)頁太難采集，讓你不得不使用大片相連空格及回車來區(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)制下來再說，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)制對方網(wǎng)頁代碼當(dāng)成正則時(shí)，你也把自己推入了一種很可能采集失敗，或是某幾頁能成功，某幾頁以失敗告終的險(xiǎn)境。某幾頁成功、某幾頁失敗的原因，同第1條所述，對方有可能偶爾在頁面內(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)出太多問題；但回車的問題很嚴(yán)重。我采集時(shí)，發(fā)現(xiàn)，往往有些網(wǎng)頁在正則內(nèi)使用了回車，就會(huì)采集失敗——完全不認(rèn)采集區(qū)域。回車是個(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)采集過程的失敗。
分頁區(qū)域正則。
很多人能很好地設(shè)定整個(gè)頁面的正則，但往往失敗在分頁正則上（我到現(xiàn)在都不是每個(gè)分頁都能采得到）。這里提幾個(gè)技巧。
第一，盡量不要把分頁區(qū)域包含在新聞?wù)恼齽t內(nèi)。這一點(diǎn)……如果有人看菜鳥手冊的話……嚴(yán)正聲明，那里面是寫錯(cuò)的，當(dāng)時(shí)對采集不是很了解，所以寫錯(cuò)了。如果把分頁區(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、第2頁等的顯示——因?yàn)榘褜Ψ降姆猪撘伯?dāng)正文采來了。
第二，要注意“上下頁導(dǎo)航”和“全部列出式”?，F(xiàn)在大多數(shù)網(wǎng)頁是兩種模式同時(shí)存在的。所以在寫正則時(shí)，如果你是使用某一種模式，要注意過濾掉另一種模式的鏈接，不然會(huì)導(dǎo)致采到過多的分頁，一般是會(huì)出現(xiàn)兩個(gè)第2頁。
第三，當(dāng)分頁采集屢屢失敗，又實(shí)在查不出錯(cuò)在哪里時(shí)，請看一下第2、3、4……頁的新聞?wù)牡恼齽t，是否與你寫的新聞?wù)齽t一致。有的網(wǎng)頁，后面幾頁用到的代碼和第一頁會(huì)不一樣，往往會(huì)比第一頁少掉一些，這時(shí)，如果你用的新聞?wù)恼齽t正好用到了后面幾頁沒有的代碼，那你分頁正則即使寫得完全沒有問題，由于后幾頁的正文它采集不到，顯示出來的就是沒有采到分頁（T_T 某蓮曾在這個(gè)問題上給它耗掉整整一個(gè)晚上，血淚史啊……）
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>來采集。但是試問，這個(gè)*有什么意義嗎？列位哪位有見過，有哪個(gè)<a>.....</a>之間是沒有東西的嗎？所以這個(gè)*放在這里，有放沒放是一個(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，以過濾掉不要的，這時(shí)才需要用*。
用*有一個(gè)弊端——在你對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*。