以織夢官方站為例，我們采集站長學院下的PHP教程欄目，打開列表地址http://www.dedecms.com/web-art/PHP_jiaocheng。
??? 登錄后臺，進入“采集節點管理”，新建一個節點，選擇內容模型為“普通文章”。
1.設置節點基本信息
??? 先填寫一個方便記憶的節點名稱，選擇目標頁面編碼為GB2312，防盜鏈模式不做設置，因目標站沒做限制，這一項就不做修改，系統默認超時時間10秒。
2.設置列表網址獲取規則
??? 這一步我們要做些設置，獲取文章列表地址，回到目標站列表頁，觀察分頁間的變化，可以發現只有“14_”后的數字有規律的遞增變化。
首頁：http://www.dedecms.com/web-art/PHP_jiaocheng/list_14_1.html
中間：http://www.dedecms.com/web-art/PHP_jiaocheng/list_14_(*).html
末頁：http://www.dedecms.com/web-art/PHP_jiaocheng/list_14_172.html
??? 復制一個分頁地址，回到“新增采集節點”頁面，選擇“來源屬性”為“批量生成列表網址”，把粘貼地址到“匹配網址”中，修改規律變化處為(*)，“批量生成地址設置”處(*)輸入1到172，這里的意思是生成出列表第一頁到最后172頁的所有地址。
??? 測試一下，在彈出框中我們可以看到循環出172條地址記錄，很順利的就設置好了。有時候會碰到較難獲取的列表，那我們可以把把沒規律的地址復制到”手工指定列表網址“文本框中來采集。
3.設置文章網址匹配規則
??? 上面指定好了文章地址來源頁，這一步就需要在這些頁面中找出符合要求的文章地址頁了。打開一個列表頁面觀察，左欄的方框中包含了我們需要的全部地址，這種情況區分明顯的頁面，可以利“區域開始的HTML”和“區域結束的HTMLL”設置進行過濾。
??? 不過也可以使用其他方法。把鼠標移到各處鏈接地址，觀察瀏覽器左下角顯示的完整地址，我們需要的地址都包含“PHP_jiaocheng/20”，那我們把它填寫到“必須包含”中。
兩種方法都能夠過濾出地址，碰上復雜頁面，可以配合起來使用，加上正則，幾乎沒有篩選不出的地址，附（圖5.1）對照。最后確定，進入下一步“網頁內容獲取規則”。

（圖5.1）

4. 網頁內容獲取規則
??? 上面介紹了列表設置的方法，接下來我們進入內容獲取規則的設置，如果說采集是上菜的話，上面一到三步的作用，只是開胃菜為下面的主菜做引。接下來是介紹如何從目標站把文章內容采集過來，這一步是是整個采集中最為核心的部分。
??? 繼續回到織夢的PHP教程列表，隨便打開一篇列表中的文章，這里我們以《正則表達式》這篇文章為例：http://www.dedecms.com/web-art/PHP_jiaocheng/20070420/38633.html ，把該地址復制到“預覽網址”；因為織夢所有文章都沒分頁，所以這里的分頁就無需設置，直接進入“固定的采集項目”頁面
（注：如果采集的內容含有分頁，只需要將分頁導航部分的匹配規則設置完成即可，這里有全部列出的分頁列表、上下頁形式或不完整的分頁列表根據內容進行設置即可）

以下為引用的內容： 全部列出的分頁列表：分頁內容列出所有的鏈接，如下圖所示 上下頁形式或不完整的分頁列表：單頁顯示當前分頁內容，不完全顯示的列表形式 ?

5. 固定的采集項目
??? 進入這一步，就開始對頁面源碼進行分析了，采集無非是分析HTML頁面的結構，從而獲取我們所需的內容。所以要求我們對HTML代碼有一定的認識，能通過查看頁面源文件，找出需要的內容，最好多開幾個頁面進行分析，找出相同處。
??? 推薦大家使用Dreamweaver分析。在分析頁面代碼的時候，多使用搜索功能，會方便很多，特別是找到標簽后，搜索一下看有無重復以減少分析錯誤。
1) 文章標題：這個頁面的標題是“正則表達式”復制下它，在Dreamweaver按Ctrl+F鍵搜索全部，有30項記錄。因為唯一性，這里我們選擇105 行這段“<h1>正則表達式</h1>”標簽，復制到“固定采集項目”文章標題的匹配規則中，并用關鍵字“[內容]”替換標題，最終為<h1> [內容] </h1>。
2) 作者：以作者為關鍵字繼續搜索，只有110行有唯一的出現，連同alluse前后的標簽一起復制到匹配規則中，使用[內容]替換要采集處。
3) 來源：同上操作在109行找到標簽，復制過去，使用[內容]替換要采集處。若來源包含超鏈接標簽想去掉，則在過濾規則框，填寫如下規則過濾掉：
<a([^>]*)>
</a>
4) 發布時間：同上操作在111行處進行復制粘貼和修改。
5) 文章內容：搜索文章內容的開始部分，例如“第一部分”在118行發現目標，點擊狀態欄<p>發現未能全部選中文章內容，繼續前一個<div. content>，藍色內容選中全部內容，知道<div class="content"></div>為文章內容的真正容器。復制內容前后標簽，到匹配規則中。
至此，內容的過濾都設置都完成了，接下來就是預覽效果了，附完成圖5.2

?

（圖5.2）

6. 節點采集
??? 如果你的采集節點是一氣呵成而且測試成功的話，按提示點擊按鈕，就可以直接采集了，但是節點是之前寫的，就需到“節點管理頁”勾選需采集節點，按“采集”按鈕進行采集了。若你想采集所有節點的新內容，那就到監控采集頁面進行操作吧。

??? 每頁采集可以設置每頁采集的數據條數，一般來說不要設置太大，否則有可能導致系統處理不過來而部分采集不到，建議別超過15。
??? 線程數是指每次有多少個線程同時進行采集，線程數的增加可以加快采集速度，但相應的會增加服務器資源的占用，所以請慎用。假若目標站點有防刷新限制，此處就可以根據目標站點的防刷新限制時間進行設置，假如沒有就默認0秒可以了。
??? 附加選項這三個設置從字面上應該可以很容易理解，這就根據你的實際需要進行選擇了。
7. 采集后的處理
??? 采集完成后，點擊“查看種子網址”進入查看采集的結果。這里羅列出了采集回來的內容。可以點擊進去查看采集到的內容有無問題的。
??? 在這個列表中有些數據，可能顯示的是“未下載”，引起的原因可能是設置的采集條數過大導致的。出現這樣的情況僅需要在上面采集的“附加選項中”選擇“僅下載未下載內容”，然后再進行一次采集即可。假如要刪除部分不滿意的數據，可以在列表中在你要刪除的數據前面打勾，然后按“刪除所選網址”即可，這里支持批量操作。
8. 將采集的數據入庫
??? 這里有多個入口：
1) 在節點管理頁中選擇剛才采集的那個節點，然后點擊下面的“導出數據”按鈕進入入庫操作。
2) 直接點擊剛才采集的節點進入“臨時內容管理”頁面，點擊右上方的“導出內容”按鈕即可進入入庫操作。
3) 選擇節點后點擊“采集”按鈕進入采集頁面，在右上方有“導出數據”按鈕，點擊后也可進入入庫操作頁面
（注：導出數據請勾選“排除重復標題”選項來避免重復導入內容，如果重復導入內容可以使用后臺的批量處理中檢測重復標題的功能進行修復）
??? 首先選擇要導入到的欄目，按“請選擇”那里即可在彈出的窗口中選擇你需要導入的欄目發布選項這里一般默認即可，除非你不想馬上發布。每批導入默認是30 條，這里修改與否都無所謂，附帶選項一般選“排除重復標題”，至于自動生成HTML那個選項建議先別生成，因為我們還要去批量提取摘要和關鍵字。

總結

以上是生活随笔為你收集整理的dede采集教程的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。