前言：本文是“含有分頁的普通文章的采集方法“的第二節(jié)，在前一節(jié)的基礎(chǔ)上，這一節(jié)會對新增采集節(jié)點中的第二步：“設(shè)置字段獲取規(guī)則”做詳細的介紹。為了與前文保持一致，本文將延續(xù)使用前文的章節(jié)標記。

上接第一節(jié)。

2.1新增采集節(jié)點：第二步設(shè)置內(nèi)容字段獲取規(guī)則

單擊“保存信息并進入下一步設(shè)置”后，便可進入“新增采集節(jié)點：第二步設(shè)置內(nèi)容字段獲取規(guī)則”頁面，如（圖14）所示，

圖14-設(shè)置內(nèi)容字段獲取規(guī)則

系統(tǒng)將會自動指定一個“預(yù)覽網(wǎng)址”，一般是文章列表頁的第一篇文章的網(wǎng)址。但是，由于第一篇文章中沒有涉及到分頁的部分，所以在這里手動更改為，第二篇文章的網(wǎng)址：“http://www.bitscn.com/network/protocol/201105/193110.html”，更改后，如（圖15）所示，

圖15-更改后的預(yù)覽地址

下面來設(shè)定分頁部分的匹配規(guī)則。其具體操作步驟為：

打開文章內(nèi)容頁面，在網(wǎng)頁上單擊右鍵，在彈出的對話框中單擊“查看源文件“。在源代碼中，找到分頁代碼的開始部分和結(jié)束部分，如（圖16）所示，

圖16-分頁代碼

經(jīng)過觀察可知，分頁代碼位于“<div class=”page next-page”>“和”</div>”之間。因此，在”內(nèi)容分頁導(dǎo)航所在的區(qū)域匹配規(guī)則“中，應(yīng)填寫”<div class=”page next-page”>[內(nèi)容]</div> “。對于分頁代碼的樣式，一共有三種可供選擇，這里應(yīng)選擇第一種” 全部列出的分頁列表”。填寫后，如（圖17）所示，

圖17-設(shè)置后的網(wǎng)頁內(nèi)容獲取規(guī)則

對于“固定采集項目”中的“內(nèi)容摘要、關(guān)鍵字和縮略圖“三個部分，系統(tǒng)會用正則進行自動匹配，這里僅需配置過濾內(nèi)容即可。下面主要介紹如何獲取“文章標題、文章作者、文章來源、發(fā)布時間和文章內(nèi)容”的采集規(guī)則，過濾規(guī)則僅簡單涉及。

2.1.1 獲取文章標題的采集規(guī)則

首先，打開“預(yù)覽網(wǎng)址“的頁面并單擊右鍵，選擇”查看源代碼“，找到文章標題” OpenFlow網(wǎng)絡(luò)是空談嗎？“，如（圖18）所示，

圖18-在源代碼中的文章標題

這里的文章標題處在”<h1 class=“title”></h1>”之間，因此這里應(yīng)該填寫”<h1 class=“title”>[內(nèi)容]</h1>”作為文章標題的匹配規(guī)則。如果在文章標題中含有相關(guān)鏈接等，可使用過濾規(guī)則加以處理，這里無需設(shè)置。填寫后，如（圖19）所示，

圖19-文章標題的采集規(guī)則

2.1.2 獲取文章作者的采集規(guī)則

經(jīng)過查找源代碼和對比原文的標題部分，可發(fā)現(xiàn)本文沒有涉及到文章作者，所以這里不用填寫，空著即可。

2.1.3 獲取文章來源的采集規(guī)則

在上圖19中，可發(fā)現(xiàn)來源的內(nèi)容介于“<span>來源：“和“</span>”之間，因此這里應(yīng)填寫“<span>來源：[內(nèi)容]</span>”作為文章來源的采集規(guī)則。同樣，這里也不需要使用過濾規(guī)則。填寫后，如圖20所示，

圖20-文章來源的采集規(guī)則

2.1.4 獲取文章發(fā)布時間的采集規(guī)則

再次回到圖17，可找到“時間:2011-05-13 11:47”，因此這里應(yīng)把“時間：[內(nèi)容]<span>”作為發(fā)布時間的采集規(guī)則。同樣，這里也不需要使用過濾規(guī)則。填寫后，如圖21所示，

圖21-文章發(fā)布時間的采集規(guī)則

2.1.5 獲取文章內(nèi)容的采集規(guī)則

這個部分是編寫采集規(guī)則的重點，也是難點。需要特別注意。

具體操作步驟：

（a）在在打開的文章內(nèi)容頁面的源代碼中，找到文章內(nèi)容的開始部分“計算機網(wǎng)絡(luò)知識的學習”，如圖22所示，

圖22-文章內(nèi)容的開始部分

這里應(yīng)把”<!—文章塊開始—>”作為匹配規(guī)則的開始部分，注意到這段代碼中包含一段廣告代碼，需要采用過濾規(guī)則把其去除。經(jīng)觀察發(fā)現(xiàn)，這段JS廣告代碼是位于“<div class=”contentgg”>”和“</div>”之間的。因此，應(yīng)在“過濾規(guī)則”中填寫：“{dede:trim replace=’’}<div class=”contentgg”>(.*)</div>”{/dede:trim}。填寫后，如（圖23）所示，

圖23-開始部分的匹配規(guī)則及其過濾規(guī)則

（b）找到文章內(nèi)容的結(jié)束部分，因為涉及到分頁部分，所以應(yīng)該選取分頁結(jié)束的位置，如圖24所示，

圖24-文章內(nèi)容的結(jié)束部分

這里應(yīng)選取“<!—文章內(nèi)分頁結(jié)束-->”作為文章內(nèi)容的結(jié)束部分，由于在選取的內(nèi)容中又包含了一段JS代碼，因此應(yīng)再次使用過濾規(guī)則，把其去除。同時，考慮到本頁沒有涉及到分頁，所以在分頁代碼中的<ul></ul>之間是空的。但是，如果頁面包含分頁的話，也是應(yīng)該使用過濾規(guī)則去除的。此外，如果所設(shè)定的文章內(nèi)容中，含有圖片、鏈接等不希望被采集到的內(nèi)容，也應(yīng)該使用過濾規(guī)則一并去除掉。填寫完成后，如（圖25）所示，

圖25-文章內(nèi)容的匹配規(guī)則

到這里，“新增采集節(jié)點：第二步設(shè)置內(nèi)容字段獲取規(guī)則”，就設(shè)置完成了。來看一下整個配置頁面，如（圖26）所示，

圖26-設(shè)置后的新增采集節(jié)點：第二步設(shè)置內(nèi)容字段獲取規(guī)則

檢查無誤后，單擊“保存配置并預(yù)覽”。如果之前設(shè)置正確，單擊后，將會進入“新增采集節(jié)點：測試內(nèi)容字段設(shè)置”頁面并看到相應(yīng)的文章內(nèi)容。如（圖27）和（圖28）所示，

圖27-新增采集節(jié)點：測試內(nèi)容字段設(shè)置

圖28-新增采集節(jié)點：測試內(nèi)容字段設(shè)置

其中，圖中畫圈的地方代表的是分頁符號。

確定正確無誤后，如果單擊“僅保存”，系統(tǒng)將會提示“成功保存配置“并返回”采集節(jié)點管理“界面；如果單擊“保存并開始采集“，將會進入”采集指定節(jié)點“界面。否則，請單擊“返回上一步進行修改”。

關(guān)于第二節(jié)的介紹就到這里。下面進入第三節(jié)。。。