采集教程

帝国CMS采集正则介绍：

帝国CMS的采集正则

1、作用：通过设置采集正则以便使系统识别你要采集的内容。

2、帝国CMS的采集正则是什么样的，下面我们用实例讲解：

(1)、假如我们要采集页面的内容页为如下页面：

图1：HTML页面

图2：查看页面源代码为如下：

(2)、由上图的源代码内容我们可以得出帝国CMS的采集正则：

新闻标题正则：

<td>标题：<strong>[!--title--]</strong></td>

新闻内容正则：

<td>内容：<font color="#FF0000">[!--newstext--]</font></td>

上面中的“[!--title--]”与“[!--newstext--]”分别为“标题”字段与“内容”字段的正则变量。用于指定我们要采集的内容位置。

(3)、由上面我们得出了，帝国CMS采集正则是把正则变量替换要采集内容后的代码内容。格式：

识别代码头部[!--变量名--]识别代码尾部

注意事项：上面的“识别代码头部”一定是要唯一的标记。

3、帝国CMS正则还有表示任意内容的字符：“*”

如果“识别代码头部”中有内容是变化的，那么我们可以用*代替它。如页面源代码为如下，我们要采集下面的链接地址：

通过使用“*”任意内容表示字符，我们可以用下面的正则忽略可变内容，获得链接地址：

附加说明：[!--newsurl--]为页面链接地址的正则变量。

4、其它说明：

(1)、正则要找出唯一性的代码。有时候空格都会成为识别的依据。

(2)、对于特殊字符请在前面加上“\\”，当然直接将特殊字符改为“*”最合适了。特殊字符如下：
“ )”、“(”、“{”、“}”、“[”、“]”、“\”、“?”等等。