phpcms文章采集器之采集内容规范

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。