帝国cms是我们用得比较多得php的建站系统，在建站过程中，如果自己没有信息源，只能靠手工不断的重复copy和粘贴，这样费时费力，于是我们就要使用帝国cms自带的采集功能来完成信息的录入。为了深入了解帝国cms采集功能，下面我们以“新浪各地新闻”栏目为例来进行实战采集。
一、增加采集节点
1、添加节点：
2、选择要增加采集的栏目：
3、进入增加节点表单：
4、在节点名称框里起个名字，然后把要采集的新浪各地新闻列表地址copy过来：
5、下来发现好多选项,如“采集页面地址方式二，内容页地址前缀...”先不要理他，后面再一一详解，直接拉到 “信息链接区域正则”这里：
6、这里是设置采集的列表信息链接区域正则,我们点击查看新浪各地新闻列表“源文件”：
7、把源文件代码copy到Dreamweaver里，在Dreamweaver里选定要采集的信息链接区域：
8、切换到Dreamweaver代码方式,
- 就是信息链接区域：
9、得到信息链接区域正则：
10、得到信息页链接正则：
11、注意：如果信息页链接是相对地址，例如< a href="/c/2012-03-05/205924063527.shtml" target="_blank" >，那么“内容页地址前缀”要加域名：
12、现在要采集内容页的标题和内容：
13、查看新闻页“源文件”，找title标签：
14、取得标题正则：
15、这里是要采集的内容区域：
16、取得新闻内容正则：
(注意：新闻内容正则里的 d_id='*' 用了通配符，因为每一篇新闻的d_id值是不同的，所以可以用*来代替它，“*”可以代替任意字符。)
17、点击提交按钮就完成了整个采集节点：
二、预览采集节点是否正确
1、提交按钮后返回管理节点：
2、点击“预览”采集，进入节点预览结果：
3、采集内容页列表
4、采集内容页页面：
三、采集
1、预览采集节点无误后，然后返回“管理节点”，点击“开始采集”链接就开始进行采集：
2、系统正在采集中：
3、采集完后显示本地临时入库的信息，这时可以对临时入库的信息进行修改或者删除：
4、修改信息页面如图：
5、对采集的信息进行审核并入库，点击“入库全部信息按钮”：
6、确定操作：
7、信息入库完毕提示：
信息入库完毕后下来点击”管理信息“：
我们可以看到刚刚采集入库的新闻信息：
最后到“数据更新”刷新首页、栏目、和内容页就可以完成网站的信息采集了。由于帝国cms采集功能非常强大，一时半刻也说不完，下一页将继续讲解其他功能的使用和技巧。
一、全部列出式
全部列表式只需看第一页的页面HTML代码，这一页的所有分页链接都列出来了。
1、我们以“中华网内容分页(http://auto.china.com/dongtai/yejie/11012724/20120309/17081442.html)”为例：
可以看到这条新闻总共有3条分页。
2、查看源代码：
这一页里除了已经采集到的第1条分页外，还包括了第2条和第3条分页，所有的分页都列出来了。
3、取得 分页区域正则([!--smallpageallzz--])：
4、取得 分页链接正则([!--pageallzz--])：
二、上下页导航式
上下页导航式是分页采集的难点，他需要所有页面都符合分页正则才行，在不熟悉的情况下，我们可以用第1页和第2页的代码来进行对比分析然后确定分页正则。
1、我们以“爱丽网内容分页(http://fashion.aili.com/76/445845.html)”为例：
可以看到这条新闻总共有20条分页。
2、查看源代码：
这一页里除了已经采集到的第1条分页外，还包括了第2，第3，第4，第5，第6，第7，第8，第20条分页，但是第9到第19条分页并没有列出来，这时候我们拿用第1页和第2页的代码来进行对比分析，来确定分页正则:
(1)第1页代码：
(2)第2页代码：
从这两幅图片可以看到他们有着相同的“分页区域开始代码”，“分页链接”格式，“分页区域结束代码”,那么就可以确定“分页区域正则”，“分页链接正则”。
3、取得 分页区域正则([!--smallpageallzz--])：
4、取得 分页链接正则([!--pageallzz--])：
5、为了方便教程显示，newstext我采集了标题而不是采集内容，预览结果：
注意事项：
第一、在第一页的页面HTML代码里，内容分页链接全部列出来的情况下我们使用“全部列出式”。在第一页的页面HTML代码里，内容分页链接没有全部列出来的情况下我们使用“上下页导航式”。
第二、用全部列出式时，采集规则正确但是莫名其妙的出现重复的分页，这时可以利用替换法把它过滤掉(下一讲我们再说)。
第三、用上下页导航式时，老是采到第1页，其他页连个影子都没有见过，这是因为分页区域正则([!--smallpagezz--])截取错误。
第四、用上下页导航式时，可以采集到前几页了，但是接下来这前几页全部重复循环到底，这也是因为分页区域正则([!--smallpagezz--])截取错误，截取范围过大，导致重复截取前几个分页链接。
好的，这一讲就到这里，下一页我们主要介绍帝国cms采集过滤和替换。
前两讲我们分别介绍了帝国cms采集基本流程和帝国cms如何采集内容分页，最后这一讲主要介绍帝国cms采集过滤与替换，还有些技巧。
一、过滤
1、帝国cms采集过滤分为两种：
(1)“整体页面过滤正则”：
(2)“过滤广告正则”：
我们有些疑惑，这两种过滤到底有什么区别?“整体页面过滤正则”是过滤整个网页的html代码。“过滤广告正则”是过滤文章内容，仅对文章内容([!--newstext--])起作用。
2、过滤实例：
过滤实例(1)：
我们采集后发现信息内容底部多了行代码：“<div style="clear:both;height:0;visibility:hiddden;overflow:hidden;"> </div>”，根据格式“广告开始[!--ad--]广告结束”得到“过滤广告正则
”：
过滤实例(2)：
要过滤链接代码怎么办，注意“过滤广告正则”右边有堆代码：
鼠标先点击A，系统自动生成过滤链接代码“,,,”，这样就可以把采集后的内容链接过滤掉了。同理，如果想过滤其他html代码就点击相应的标签代码。
注意事项：当内容分页包含在内容([!--newstext--])里时，要过滤掉内容分页，否则会重复出现内容分页。
二、替换
1、帝国cms采集替换也分为两种：
(1)“整体页面替换”：
(2)“替换”：
他们两种区别：“整体页面替换”是替换整个网页的html代码。“替换”是替换文章标题和内容，仅对标题([!--title--])和([!--newstext--])起作用。
2、替换实例：
我们要把内容里的“新华网”替换成“中华网”：
预览下：
没有问题，替换过来了。
三、图片采集
(1)我们采集时会碰到信息内容可以正常采集，但是里面的图片却不显示，例子：
信息内容可以正常采集，就是图片不显示出来，这是由于内容图片的路径不对，图片的路径为相对地址。
(2)查看源代码：
图片是相对地址，要换成绝对地址才能采集成功。
(3)替换成绝对地址：
先在目标站的图片右键查看属性：
目标站的图片地址为“http://www.gdyd.com/news/PNews/a/e77366_634655073936250000.jpg”，我们采集所到的图片地址为“/news/PNews/a/e77366_634655073936250000.jpg”，分析得到前缀“http://www.gdyd.com”，我们把前缀放到“图片/FLASH地址前缀(内容)”，如下图：
(4)前台预览图片：
图片显示出来了：
查看源代码：
图片地址没错，是本地地址。
注意事项：我们在采集预览和在本地临时入库信息时，发现已经添加了图片地址前缀了，但是图片还是不显示，出现这个你不用理他，直接入库，入库了系统才会自动添加图片地址前缀。
至此采集实例讲解完毕，这三讲对帝国cms采集的基本流程，重点，难点基本都概括了，还有些基础的功能没能一一介绍清楚，大家可以到帝国官方网站看下基础教程。
本文由 国外网站大全http://www.kguowai.com 原创，转载请注明出处，谢谢!
