织梦后台自带采集无法采集https站解决方法及采集教程

织梦后台自带采集无法采集https站解决方法及采集教程,我们在用织梦后台自带的采集时发现织梦采集是不能完全兼容采集https的目标站的,现在我们来把它完善使它支持http和https改动的文件有4个,由于改动地方有好几处,推荐用下载文件覆盖的方式,避免引起不必要的错误

提示:覆盖之前建议先备份你的这4个PHP文件后再覆盖

/include/dedecollection.class.php
/include/dedecollection.func.php
/include/dedehtml2.class.php
/include/dedehttpdown.class.php

织梦采集兼容https采集修改文件打包下载 (gbk / utf8),右边下载链接。下载,解压,根据自己的编码,把那4个php文件覆盖进你网站的include文件夹里就可以了

DeDeCMS织梦后台自带采集器采集教程步骤;

第一步、我们打开织梦后台点击采集——采集节点管理——增加新节点
第二步、新增节点-配置网址索引
填写要采集的网站的列表相关规则,
查看采集站点的编码和网站源码
我们右键单击,点击查看源码,在源码的开头位置,找到一个写有charset=某一编码的meta标签,比如charset=”gb2312″,这个就是所说的网站编码了
选择采集站点的编码
第三步、新增节点-配置文章网址匹配规则
我们查看采集站点的列表页源码,找到文章列表开始html和结束html标签,分别把它们复制到增加采集节点->文章网址匹配规则的”区域开始的HTML”和“区域结束的HTML”输入框中。你不一定选择右键查看源码来找到文章列表开始标签,你可以在文章开始的地方右键单击,审查元素(chrome浏览器,firefox是查看元素),这样就更方便的找到文章列表开始和结束的标签了。
设置之后我们点击”保存信息并进入下一步设置”
第四步:网址获取规则测试
如果在测试结果发现有无关的网址信息,说明的第五步中的网址过滤规则有误或者没有填写过滤规则。如果发现采集有误,你可以返回上一次修改,没有就点击“保存信息并进入下一步设置”。
第五步:内容字段获取规则
我们查看采集站点的文章源码,找到相关选项的开始和结束html标签,填写入指定位置,开始和结束标签以”[内容]”分格。
设置完毕,我们点击”保存配置并预览”
第六步:过滤规则
在第七步中的匹配规则后面,都有一个过滤规则,这个过滤规则是用来过滤无需采集的内容。
比如,网易每篇文章都有一个放置广告的iframe标签,我们要采集网易的文章,不可能采集回来之后,一篇一篇得去删除这个广告。但是如何去除呢?去除方法就是那个过滤规则,我们点击常用规则,就会弹出一个小窗口,列出了常用的过滤规则,我们只需点击要们要过滤的规则即可,要过滤网易文章中的iframe标签,我们就点击iframe即可。
测试内容字段设置
因为网易有的文章开头是<divid=”endText”>,有的文章开头是<divid=”endText”class=”end-text”>,所以会出现采集出错的情况。
如果你现在就要采集,你可以点击保存并采集。这里我选择仅保存
采集内容(一)
回到采集节点管理的界面,也就是第一步中的界面,我们选择节点,点击采集
采集内容(二)
查看已下载
可以在采集界面(即第十步中的界面)的右上角,点击“查看已下载”。也可以在“采集节点管理”的界面里点击“查看已下载”。这里以第二个方法为例。
导出内容
选择要导入到的栏目,数据量,是否生成html文件,随机推荐数量
最终结果

本站部分素材资源及板块内容来自网络,如有侵犯您的权益,请联系我们,站长会立即处理,转载请注明来源网址!
云部落资源网 » 织梦后台自带采集无法采集https站解决方法及采集教程