phpcms文章采集器之采集内容规范
2020-11-30 11:45:01
在我们应用PHPCMS采集器进行采集的时候,需要指定文章的标题、内容、作者、出去等标签信息,并且对页面进行修正,去除一些多余的HTML标签。本文简单介绍如何实现上述操作。
我们需要在第一步【采集网址规则】中单击任意地址跳转到第二部【采集内容规范】页面
观察之后的【采集内容规则】界面,我们发现【标题】自动已经被设置,器内容为“百度新闻搜索——体育新闻”,我们需要在此删除“——体育新闻”字段。双击【标题】标签,在弹出的【标签编辑】选项卡中点击【添加】按钮,在弹出的快捷菜单中选择【内容替换】,并按图设置。
之后我们双击【内容】标签,在此我们可以通过【前后提取】【正则提取】【可视化提取】【正文提取】【标签组合】等多种方式提取网页的正文数据。
通过对网页的分析,我们确定从那个HTML标签处开始提取,比如本文中为:
- ,结束字符则为
此外,我们还可以通过【数据处理】模块,将文本中多余的HTML标签删除,如下图所示。
至此,内容采集到此结束。整个步骤最关键的为【第三步】只有截取正确的HTML代码,才能达到只留文本信息而屏蔽代码的目的。
阅读剩余内容