所谓授人以渔而非授以鱼，本教程不会给你一个现成的采集器用，但你看完了，学会了SS自带的采集，更会享用终生。
SS自带的采集器，只能用于采集发布资讯，不能用于论坛和个人空间的日志。特此声明。
（注：本教程为菜鸟级，任何想获得高级教程的止步，任何非SS自带的采集此处不研究，请止步。）
一、采集原理
从小学到初中，学习好象基本都讲原理，但是，俺这原理是自写的，比任何以往都管用。
ＳＳ之采集器，从根本上讲，采集过程就是我们看网页的过程，但是，有个最大的区别，我们看网页是多姿多彩的，但采集器看网页，只是专注于“源文件”的。即我们在查看——源文件或右键，查看源文件(V)，所看到的记事儿或写字板（文件太大时自动提示选用）打开看到的源码，这源码也正是我们在写采集器时要研究的东东。示例部分源码如下(用俺自己的破网删除而成)：
<html>
<head>
<title>中华技击论坛</title>
<meta http-equiv="Content-Type" content="text/html; charset=gb2312">
<script language="JavaScript">
function MM_reloadPage(init) { //reloads the window if Nav4 resized
if (init==true) with (navigator) {if ((appName=="Netscape")&&(parseInt(appVersion)==4)) {
document.MM_pgW=innerWidth; document.MM_pgH=innerHeight; onresize=MM_reloadPage; }}
else if (innerWidth!=document.MM_pgW || innerHeight!=document.MM_pgH) location.reload();
}
MM_reloadPage(true);
</script>
</head>
<body bgcolor="#FFFFFF" text="#000000" onLoad="MM_preloadImages('images/logoeng.jpg')">
<table width="750" border="0" cellspacing="0" cellpadding="0" align="center">
<tr>
<td width="159" height="114" align="center" valign="middle"><a href="http://www.lawdiy.com/bbs/forum-13-1.html" target="_blank"><img src="images/wu.gif" width="109" height="108" border="0" alt="这里是留言本噢！"></a></td>
…………
</tr>
<tr>
<td width="21" height="26"> </td>
<td width="127" height="40"><a href="train.htm" target="_blank">训练图片</a></td>
</tr>
</table>
<br>
<p align="center"><font size="2" color="#FF0000">小李飞钉制作，一切权利保留！</font></p>
<p align="center"><font size="2" color="#00CC99">建议在800*600分辨率下浏览本站</font></p>
<p align="center"><font size="2" color="#FF0000"><a href="mailto:xiaoninglaw@163.com">Ｅmail:xiaoninglaw@163.com</a></font></p>
</body>
</html>
这里可以看到基本的ＨＴＭＬ成对儿出现的语言格式，即<html></html>为起始标志，<head></head>组成的头部，其中有<script language="JavaScript">……</script>标注的java语言，更主要的是<body></body>组成的网页主体（当然你要是没找到这些代码也不用奇怪，这是标准html用的，别的倒不定非得有）。其中<body>这家伙跟许多同类的家伙（象<div>、</table>）一样，可以带一批不听话的参数，如这里<body bgcolor="#FFFFFF" text="#000000" onLoad="MM_preloadImages('images/logoeng.jpg')">，我也看不懂，不要问我，学学英文先。不过，基本上，凡是网页上不让右键不让选择不让复制的东东，都在body后面，另存为后，删除其后的参数，基本搞定的说。
回归正传，采集原理：
ＳＳ的采集器，看得正是上面的东西，通过指定区域，分别照单查收，不管是<p>还是什么，一律收归中，这点，在制作采集器过程中，一定要牢记。
好象没说原理啊？原理其实就一句话：ＳＳ采集就是打开网页读取源码的过程（好好理解吧，呵）
二、真抓实干，开始研究做采集器
SS 有两种采集器，人工和智能，智能我们就不研究了，凡智能的，都是傻瓜，这是真理。我们研究人工的,开工了：
1、确定你要采的网页
这好象是废话，可是很多人会错在这儿。我们在采的，不是一个站，而是一个“分类”的列表，不要说你要采集http://www.lawdiy.com，也不是http://www.lawdiy.com/html/news.html这个资讯列表，这是废话，没这样采的。你要采的是一个分类，是一个列表，比如我的“结婚专题”http://www.lawdiy.com/html/87/category-catid-187.html，唉这样的页面才是我们要开工的页面。
2、开工填写
（1）基本要素
机器人名：这个没有专项要求，你能看明白就行，一般用采集的网站的名字。
采集总个数：一看明白，总个数么，呵，不过，有一定上限，不信，你打入N个0提交再回来看下。
单次采集个数：HOHO，一般的水平就写1吧，慢不了多少，写多了累爬了你的服务器，可莫怪我。一般写到5也是可以的。
采集页面编码：我的用gbk的，所以一般是空的，你水平一般的话，也空着吧。除非你采来的是乱码。查看人家的源文件：<meta http-equiv="Content-Type" content="text/html; charset=gb2312">，看到了没？charset后面就是对方的编码了。如果人家是big5而你是gbk当然你就只能老老实实地写上big5了。
提示：请输入要采集页面的编码。比如：gbk、utf-8、big5。为空则不进行编码转换。所以，千万不要输入个gb2312,就三样可填：gbk、utf-8、big5
（2）列表页面采集设置（重要的部分来了）
索引页面URL地址方式，下面还有个框框供你写东西：
这里提供两种，一种是手工输入，输入的是什么呢？是二项1中确定你要采的网页，即输入http://www.lawdiy.com/html/87/category-catid-187.html这个地址，这个地址是你要采的地址，必须是可以直接copy到IE地址栏里能打开的，这点，NN倍的重要。如果有多个地址，比如第一页和第二页，那就在每个地址后打一回车，继续粘上呗。
二种方式是自动增长，这里多了一个分页变量[page]，这是对付有规律的列表分页（强调是列表分页，不是每个文章的分页）的。如前所述，http://www.lawdiy.com/html/87/category-catid-187.html是俺一个结婚的资讯列表页，这页后面还有2页和3页（将来会更多，不然俺站岂不是死悄悄了？）。2页是什么呢？点下，在IE地址栏里是：http://www.lawdiy.com/html/87/category-catid-187-page-2.html，3页是http://www.lawdiy.com/html/87/category-catid-187-page-3.html。如果仅此3页，简单了，用手工输入分别输入可也，一行一个。可是，不是所有人都象俺这样善良，只有3页新闻，万一有100页呢？HOHO。研究下规律，我在采第2、3页可以自动增长了：
http://www.lawdiy.com/html/87/category-catid-187-page-[page].html
索引页面页码：页码开始数 2 页码结束数 3
那机器人在采集时就会用页码开始数的值（2）一直加1替换[page]来打开，直到页码结束数（3）。
所以，只要有规律，N多页也不怕。
注：经验表明，有部分网页列表首页可以和其他列表分页采用自动增长模式，方法是在点2页后再点1页，一般会显示其全部网址，或在第2页基础上改2为1来试，如http://www.lawdiy.com/html/87/category-catid-187-page-2.html是第二页，我改下http://www.lawdiy.com/html/87/category-catid-187-page-1.html来做第一页打开，如果可行，就可以直接用自动增长，如果不行（本网就不行），就只能老老实实采完1页，再用自动方式采第2页以后的内容了。
友情提示：许多ASP网页用&page=2的方式来分页，这更是自动增长大展身手的时间，一般&page=1虽然是个垃圾参数，但是也能打开每1页。哈哈哈，所以，别忘了，试一下。
（3）列表区域识别规则（很关键啊）
到这里，开始研究源代码了，请打开要采集的列表网页，查看源代码（不会的请参照前面，依然不会的自觉退场）。
这儿还得罗嗦几句原理，采集器，就是从你指定的列表区域中(源文件里)，按你指定的url文章网址打开方式，一个一个地取出文章的网址后打开文章（象我们在IE里做的一样），然后看其源代码，选取你指定的内容发布。
为什么要指定列表区域呢？我们知道，一个网页中除了这个分类的文章连接之外，还会有一批对我们没有用的连接，指定了区域，就是给机器人缩小了查找文章连接的范围。
还是以俺的http://www.lawdiy.com/html/87/category-catid-187.html为例，打开后查看源文件，一批代码，对我们有用的是：
<h3>资讯列表</h3>
<ul id="newslist" class="newslist">
<li>
<a href="http://www.lawdiy.com/html/74/n-3674.html" target="_blank">同华侨、港澳同胞结婚如何办理手续？</a>
<span class="smalltxt">(07-27 04:07)</span>
</li>
<li>
<a href="http://www.lawdiy.com/html/73/n-3673.html" target="_blank">涉外婚姻如何登记？</a>
<span class="smalltxt">(07-27 04:07)</span>
</li>
…………………………
<li>
<a href="http://www.lawdiy.com/html/70/n-2970.html" target="_blank">论婚前财产公证</a>
<span class="smalltxt">(07-25 09:07)</span>
</li>
</ul>
<div class="pages">
<div class="xspace-page"><span class="xspace-totlerecord">89</span><span class="xspace-totlepages">1/3</span><span class="xspace-current">1</span><a href="http://www.lawdiy.com/html/87/category-catid-187-page-2.html">2</a><a href="http://www.lawdiy.com/html/87/category-catid-187-page-3.html">3</a><a href="http://www.lawdiy.com/html/87/category-catid-187-page-2.html">></a></div></div>
</div>
<!--论坛资源列表-->
</div>
</div>
<!-- /Content -->
我们要采的就是“同华侨、港澳同胞结婚如何办理手续？”开始到“论婚前财产公证”之间的这一批文章，我们要告诉机器人儿，这批文章在源代码的什么位置，就是要在开始和结束之间分别设定一个标记，也就是指定“列表区域”。
提示：SS采集器中的任何开始和结束标记，都应当是唯一性的，即这代码，在源文件中只出现一次，原因很简单，如果代码有很多个，你让机器人从哪一个开始啊到哪个结束啊？比如以</ul>为结束标志就是不妥的。另外，这代码还应当是通用性的，即在同类页面中都存在。在文章列表处，应当是采第一页http://www.lawdiy.com/html/87/category-catid-187.html、第二页http://www.lawdiy.com/html/87/category-catid-187-page-2.html、第三页http://www.lawdiy.com/html/87/category-catid-187-page-3.html等各个列表中都是存在的，且是唯一存在的。
由于CMS系统框架的统一性，这个一般不是问题，但也有个别网站个别代码只出现在第一页，而第二页没有，这样的就不可用了，考虑换别人了（如果第一页正常采集，第二页采不了，就要查查这方面的问题了）。
选择技巧：要选用最贴近内容区域的特征代码。网页上一般有很多说明啊，哈，这就是好东西。象<!--根分类最新日志列表-->类的就是好东西，<h3>资讯列表</h3>、<ul id="newslist" class="newslist">，这些都是可用的了。特别关注一些带content的、指定了大小或样式的<table>或div,一眼看上去是独有的，然后把鼠标定位于文件开始，搜一下（复制、粘贴会吧，不用说了吧），如果是唯一的，基本都可以做开始标志。结束标志切忌简单化，比如</div>、</table>、</ul>都因其不唯一化，不应选用。结否标志应当找一个特征码，比如下一个有特色的表格或div。有个很好的地方，通常一试一个准儿，那就是分页标志，如这里的<div class="pages">定义了页码的开始，正好拿来做结束标志。呵。有些网页规范地标注个<!-- 新闻列表结束 -->，拿来用用也不错的说。
提示：标志要力求简洁，虽然可以用*，但是，尽量不要用，也不要用包含回车的代码，那一提交就是一个*。当然了，实在没有别的最佳方案，也只好用了。
标志要完整，用代码切记从“<”到“>”，这点在内容采集方面尤为重要，<ul id="newslist" class="newslist">就不能只能<ul id="newslist" ，虽然可用，但如果用在内容上，就会采集到class="newslist">放在你的文章内容里，烦不烦啊？！
示例：1、<table width="572" height="3" border="0" align="center" cellpadding="0" cellspacing="0" bgcolor="#C7C8CA">
- <table width="100%" height="26" border="0" align="center" cellpadding="0" cellspacing="0"> （width和height的指定，决定了表格代码的唯一性）
2、<div id="txt02"></div>
- <!-- 分页开始 -->（妙用div和分页说明部分）
3、<span class="kk"><!--Content Start--> </span>
- <!--Content End-->（看人家网页，多规范，哈，开始结束都告诉你了）
4、<td height="600" valign="top" background="../expert/images/dd.jpg">
- <select name="page" onChange="javascript:location=this.options[this.selectedIndex].value;">（开始是带背景图的td,结束是页码标志）
5、<td width="703" valign="top"><table border="0" cellpadding="0" cellspacing="0" width="100%">
- <td width="50%" align="right"><br>第（结束用的分页标志，那位说了，你怎么没写全啊？哈，写全就不行了，后面是变化的：第1页、第2页……，再写，就不通用了）
6、<TD class="d271" vAlign=top>
- a.pagelink{ （K，就这也能用，哈）
7、<td class="wz12_ca02 size14" height=24>
- <td nowrap><a href=*>首页（结束标志用了*取代了连接，为的是通用性，因为这个连接在采别的分类时可能会变的噢~，那个首页是下方的分页连接）
[ 本帖最后由 dingzi 于 2007-9-27 11:01 编辑 ]
最新回复
http://www.lawdiy.com/index.php? ... ewspace-itemid-4313
支持dingzi
希望继续更新
无疑，这是文章的列表，很规律。
<tr><td height="24" class="font14px"><div align="left">·<a target="_blank" class="blackul" href="/a/20070823/000108.htm">大学生求职需讲究策略 有效进行自我“推销”</a>
</div></td></tr>
<tr><td background="/images/edugk_36.gif" height="1"></td></tr>
<tr><td height="24" class="font14px"><div align="left">·<a target="_blank" class="blackul" href="/a/20070719/000044.htm">大学生求职屡被骗 网友列"骗子公司"提醒大全</a>
</div></td></tr>
我们的目的，在上向选一开始标志。
<table width="100%" border="0" cellspacing="0" cellpadding="0">是上面紧靠的，但是width="100%"太通用了，经查找测试，确实太多了，好几个，所以不可用。再往上看，<meta content="text/html; charset=gb2312" http-equiv="Content-Type">这里有一标签，说过了，特别注意content list之类的，这里就有content，查找测试，唯一，可用。
当然了，<table width="90%" border="0" align="center" cellpadding="5" cellspacing="0">也是可用的，实在不行，你还可以用<td width="22%" height="30" align="center" class="whitezi font14px ctzi">求职技巧</td>，这基本是百发百中的，就是用显示的类别的名字（可是统一性差，不利于采集全站，自己慢慢理解吧）。
结束标志：
<td height="30" align="center" class="font14px ctzi">第 <a
（如前所述，页码是最好的结束，这是第 几页的开头，用来满不错，且经测试唯一）
URL：
·<a target="_blank" class="blackul" href="[url]">
注意，需加URL前缀：http://edu.qq.com
另，如果有分页，可能会有麻烦。
承上，我们在分析上一网页http://edu.qq.com/job/qzjq_more.htm时，已经谈到了其URL的选取。
URL的选择并不是难点，主要注意以下几个问题：
1是找出其通用性特征，通过通用性特征适当约束，避免误读到其他内容，特别是在开始结束标志之间有其他URL连接时，尢为注意。
2是在遵守上一原则情况下，尽量缩短代码，不要太复杂。
3是注意可用性原则，要保证你用[Url]取代的部分，copy到IE里可以打开。原来有引号的不要一并取代了引号。如本例：源码如下：
·<a target="_blank" class="blackul" href="/a/20070226/000159.htm">对薪酬的期望值 求职面试考官必问的经典问题</a>
显然，我们要取的是/a/20070226/000159.htm而不是"/a/20070226/000159.htm"，这是引号问题，后面的文字标题各不相同，也不能列入代码，因此我们可以用[url]取代href="后面的部分，结果是：
·<a target="_blank" class="blackul" href="[url]">
当然了，你要直接用href="[url]">应当也是可以的，但是，其特征性就极不明显了，某些情况下容易误采。
**特别注意**：本人遇到过一asp网页，在IE里点击可以打开，但是从源码中取出的URL，copy到IE里却打不开，即源码里的网址和在IE里右键查看或点击打开取得的网址不一致，不知采用了什么技术，这样的，就不能采集了。也正是上面的第3条，可用性原则。
（5）文章链接URL补充前缀
这一条是针对某些网页采用的相对地址而来的，如上，我们用url取代的部分是/a/20070226/000159.htm，这个在IE里直接粘到地址栏肯定是打不开的，呵呵，因为这是相对网址，怎么办呢？就要把少的补上，在IE里打开这文章，可以看到地址是：http://edu.qq.com/a/20070226/000159.htm，对比下，少了http://edu.qq.com，那这个“文章链接URL补充前缀”里就要写上http://edu.qq.com了。
要点1：如果用URL取代的部分本身就是带http://开头的，且直接copy到IE里可以打开，这里留空可也。
要点2：注意不要写多了/,如果有些采到的URL是没有/开头的，如a/20070226/000159.htm，那前缀就要在最后加上/，如http://edu.qq.com/。千万不要多不要少，本质就是这两块儿粘在一起是一个能打开的网址！
****下面的图片前缀是一个道理****
=============================================
3、内容页面采集设置
到这里开始，机器人开始处理具体的文章页了，就是你能看到内容的页了。所以，你需要点开几篇具体的文章，并查看其源码，特别注意查找有分页的，否则你分页不设，将来麻烦死你。打开几篇，是为了验证代码的通用性。
经常有的采集器，有的文章采回来了，有的采不回来，就是因为代码不通用，当然了，就是有个别文章“与众不同”，那也只好放弃了。
（1）文章标题识别规则[subject]
这是必须的。就是要用[subject]取代网页中的标题（汉字部分）
如免侵权之嫌，还是以俺的http://www.lawdiy.com/html/55/n-4255.html为例。
标题选择主要有两大方式：
方式一：IE标题，最佳选择。大部分网页打开后在IE标题栏，通常是会显示文章具体标题的，即：<title></title>之间的内容，这代码在一个网页里99.99%是唯一的，我们要做的就是用[subject]取代标题部分，即<title>[subject]</title>。如本页为：
<title>法官摆摊与市民面对面说法 离婚物业纠纷成咨询热点 - 烟台婚姻家庭律师网 |烟台律师|家庭婚姻|烟台婚姻咨询|烟台离婚律师|婚姻法律咨询|烟台离婚网|烟台法律顾问|</title>
需要注意的是，许多标题象我一样，加了一批垃圾后缀，好在这后缀基本是统一的，在各文章里都一样。解决办法2个：
一是直接不取，代码设为<title>[subject] - 烟台婚姻家庭律师网 |烟台律师|家庭婚姻|烟台婚姻咨询|烟台离婚律师|婚姻法律咨询|烟台离婚网|烟台法律顾问|</title>，可见，[subject]只是取代了“法官摆摊与市民面对面说法 离婚物业纠纷成咨询热点”这个标题，目的达到。缺点是如果被采网页稍有改变，可能取不到标题。
二是全取，但在下面的“文章标题过滤规则”处滤掉垃圾内容，或替换掉，如把“烟台婚姻家庭律师网”换成你自己的网站名字。
方式二：直接到显示标题处取。一般标题都采用了黑体等特别字体，或设定了特别的显示格式，以求在浏览时醒目，如本页是<h1 class="articletitle">法官摆摊与市民面对面说法 离婚物业纠纷成咨询热点</h1>。h1是黑体，article是文章，title是标题，所以这个class只用于文章标题，用它没商量：<h1 class="articletitle">[subject]</h1> ，OK了，就它了。
个人感悟：文章标题的选择，跟内容等起始标志略有不同，对唯一性要求略低，我们只要注重开始代码的唯一性可也，<h1 class="articletitle">是唯一的就可以了，系统读取，会在遇到第一个结束标志</h1>时停止，哪怕这</h1>在网页中有多下，也不要紧。（***其他作者、来源等都是一个道理）
（2）信息来源识别规则、作者识别规则
这两项不是必须的，可用可不用，如果不用或采到的是空的，系统会用默认的来代替。设置方法同标题的设置。
如下代码：
<span class="smalltxt">发布: 2007-7-06 10:47 采编: dingzi 来源:
都市主妇论坛   查看: 38次</span>
则，来源代码：来源:[from]; 查看:（通过来源：这个关键词来定义开始，通过查看：这个关键词结来源的采集。注意[from];这个分号，这是网页显示的，可跟来源没关系，不要一并采到来源上，哈。）
作者代码：采编: [author]; 来源:
这两项设错了不影响采集，空着也没关系。甚至有时设错了把来源采成了一大段文字（结否标志不当），那也不要紧，系统会给你处理的。俺经常采错了，采一大段，结果来源是？号“来源: ?”
[ 本帖最后由 dingzi 于 2007-10-7 16:40 编辑 ]
这和标题一样是关键性指标，也是最难搞的一个东西。
但是，说到这里，好象已经没有什么好说的了，原理，同文章列表一样，指定开始和结束标志，两个标志要唯一的，在多个文章里的还是通用的（都有的共性的代码），如果你上面的都看明白了，好象就没什么可说的了。HOHO。
试以SS自己http://www.lawdiy.com/html/88/n-3788.html为例吧，有分页。
无分页的http://www.lawdiy.com/html/62/n-4262.html
其实SS的这内容的采集还是满讨厌的，看完了你就知道什么是讨厌了。
无分页的：
<span class="smalltxt">发布: 2007-7-30 15:52 采编: dingzi 来源:
? 查看: 4次</span>
</p>
<div id="articlebody">
<P> 中新网7月9日电 据三秦都市报报道,因为妻子不满丈夫酗酒，丈夫又不满妻子管得太严，一对结婚不到一周的小夫妻闹起了离婚。女方感到在这桩短命的婚姻中很受伤，于是向男方索赔“磨损费”，男方则认为女方无理取闹，索赔毫无道理。后经律师调解，女方放弃了索赔，双方表示愿做朋友。(7月4日《羊城晚报》)</P>
……
<br />
</div>
</div>
<div id="xspace-rates" class="block">
有分页的：
<span class="smalltxt">发布: 2007-7-27 16:42 采编: 未知 来源:
查看: 0次</span>
</p>
<div id="articlebody">
<P>第 一 章 总则<BR>第 1 条 公证事务，由法院或民间之公证人办理之。<BR>地方法院及其分院应设公证处；必要时，并得于管辖区域内适当处所设公证分处。<BR>民间之公证人应于所属之地方法院或其分院管辖区域……
<br />
</div>
<div class="pages">
<div class="xspace-page"><span class="xspace-totlerecord">3</span><span class="xspace-totlepages">1/3</span><span class="xspace-current">1</span><a href="http://www.lawdiy.com/index.php/action-viewnews-itemid-3788-page-2">2</a><a href="http://www.lawdiy.com/index.php/action-viewnews-itemid-3788-page-3">3</a><a href="http://www.lawdiy.com/index.php/action-viewnews-itemid-3788-page-2">></a></div></div>
</div>
<div id="xspace-rates" class="block">
从上，文字部分是我们要采的内容吧，要在其前后指定唯一的、通用的标志。开始标志好说，很规范的吗，一眼看到<div id="articlebody">，articlebody=文章主体，搜一下，全篇唯一，不用对不起观众。
结束标志，麻烦了，分页页码与正文之间未见明显特征，简直就是没有什么代码，这是最可恨的地方，哈。<div id="xspace-rates" class="block">这是评分的地方，是不错的结束标志，但遇到分页的文章，就会在内容中多采集了页码的3 1/3 1 2 3 > ，好烦的说，如果只能想办法用到后面的内容过滤。
页码与正文之间唯一可以用的代码应当是：
<br />
</div>
所以，也可以尝试用<br />*</div>来做结束标志试下。（*取代了回车）
（====本文全部内容均未经实战，不定可用，只是说方法，到这儿不得不声明下了，另外，不建议采集用SS做的站的文章，太雷同了怕百度不喜欢====）
再看下我们QQ上的吧，http://edu.qq.com/a/20070226/000159.htm
<div id="ArticleTit">对薪酬的期望值 求职面试考官必问的经典问题</div>
<div id="ArtFrom">
<a href="http://edu.qq.com" class="lred">http://edu.QQ.com</a>
2007年02月26日16:18
中华英才网 <a target="_blank" class="lblack" href="http://comment1.edu.qq.com/comment.htm?site=edu&id=103662">评论<span id="comment_count">0</span>条</a> </div>
<div id="ArticleCnt"><P style="TEXT-INDENT: 2em">面试的形式有多种，有一个面试官对一个<A href="http://edu.qq.com/job/" target=_blank>应聘</A>者，也有多对一，一对多，多对多；也有小组讨论，情景模拟游戏等其他更丰富的形式。无论面试的形式有多少，都是围绕考核应聘者的素质是否符合所<A href="http://edu.qq.com/job/" target=_blank>招聘</A>岗位的要求而展开的。这里谈谈应届毕业生常见的面试内容。 </P>
…………（PS：中间一大批广告，需过滤）
<P style="TEXT-INDENT: 2em">2)、列出一个案例请你分析，或请你做一个策划方案。 </P>
<P style="TEXT-INDENT: 2em"></P>
<P align=right><FONT color=#666666>[责任编辑:moninfu]</FONT></P></div>
<div id="ArtPLink"></div>
<div id="ArtInfo">
【<a href="http://dy.qq.com/cgi-bin/pop?channel_id=14002" target="_blank">考试订阅</a>】 【<a
分析：<div id="ArticleTit">对薪酬的期望值 求职面试考官必问的经典问题</div>满好的采标题的地方。ArticleTit，文章标题的缩写。
代码：<div id="ArticleTit">[subject]</div>
<div id="ArticleCnt">满好的内容开始标志，ArticleCnt，文章内容的缩写。
<div id="ArtPLink"></div>和<div id="ArtInfo">均可用于内容结束标志。
代码：<div id="ArticleCnt">[message]<div id="ArtPLink">
（4）文章内容分页模式、文章内容分页区域识别规则、文章内容分页链接识别规则、文章内容分页链接URL补充前缀
当文章（或部分文章）有分页时需设定。先留之，后面讨论。
==============================
小结：至此，我们设定完4大基本内容：列表区域、文章连接URL、文章标题、文章内容，理论上，已经可以试下能否采集到内容了。下面所做的，都是完善而已了。
==============================
4、内容页面整理设置
完善工作：我们的目标是，追求最完美的采集器！
也不知有没人看这看会了的，本人如盲摸像中…………
我也正在用这个采集器，基本上按您说的那样做的，但就是采集不了。比如说我要采集
http://sports.163.com/special/s/0005rt/sportsgd.html
设置完后每次都不能进行采集的工作，请您帮我看看是什么原因如何？
我采集器的代码如下：
# SupeSite Dump
# Version: SupeSite 5.5.2
# Time: 2007-09-11 11:32:50
# From: (/supesite)
#
# This file was BASE64 encoded
#
# SupeSite: http://www.supesite.com
# Please visit our website for latest news about SupeSite
# --------------------------------------------------------
YTozNzp7czo3OiJyb2JvdGlkIjtzOjI6IjI0IjtzOjQ6Im5hbW
UiO3M6MTg6Iue9keaYk+S9k+iCsuaWsOmXuyI7czozOiJ1aWQi
O3M6MToiMSI7czo4OiJkYXRlbGluZSI7czoxMDoiMTE4OTQ4MT
U1OCI7czo4OiJsYXN0dGltZSI7czoxOiIwIjtzOjg6InJvYm90
bnVtIjtzOjE6IjAiO3M6MTE6Imxpc3R1cmx0eXBlIjtzOjY6Im
1hbnVhbCI7czo3OiJsaXN0dXJsIjtzOjUyOiJodHRwOi8vc3Bv
cnRzLjE2My5jb20vc3BlY2lhbC9zLzAwMDVydC9zcG9ydHNnZC
5odG1sIjtzOjEzOiJsaXN0cGFnZXN0YXJ0IjtzOjE6IjAiO3M6
MTE6Imxpc3RwYWdlZW5kIjtzOjE6IjAiO3M6NjoiYWxsbnVtIj
tzOjI6IjMwIjtzOjY6InBlcm51bSI7czoyOiIxMCI7czo3OiJz
YXZlcGljIjtzOjE6IjEiO3M6NjoiZW5jb2RlIjtzOjY6ImdiMj
MxMiI7czoxMzoicGljdXJsbGlua3ByZSI7czowOiIiO3M6OToi
c2F2ZWZsYXNoIjtzOjE6IjEiO3M6MTQ6InN1YmplY3R1cmxydW
xlIjtzOjMzOiI8IS0tIGxlZnQgLS0+W2xpc3RdPCEtLSByaWdo
dCAtLT4iO3M6MTg6InN1YmplY3R1cmxsaW5rcnVsZSI7czoyMD
oiPGxpPjxhIGhyZWY9Ilt1cmxdIj4iO3M6MTc6InN1YmplY3R1
cmxsaW5rcHJlIjtzOjA6IiI7czoxMToic3ViamVjdHJ1bGUiO3
M6MjQ6Ijx0aXRsZT5bc3ViamVjdF08L3RpdGxlPiI7czoxMzoi
c3ViamVjdGZpbHRlciI7czoxOiItIjtzOjE0OiJzdWJqZWN0cm
VwbGFjZSI7czowOiIiO3M6MTY6InN1YmplY3RyZXBsYWNldG8i
O3M6MDoiIjtzOjEwOiJzdWJqZWN0a2V5IjtzOjA6IiI7czoxOD
oic3ViamVjdGFsbG93cmVwZWF0IjtzOjE6IjAiO3M6MTI6ImRh
dGVsaW5lcnVsZSI7czowOiIiO3M6ODoiZnJvbXJ1bGUiO3M6MD
oiIjtzOjEwOiJhdXRob3JydWxlIjtzOjA6IiI7czoxMToibWVz
c2FnZXJ1bGUiO3M6ODY6IjxkaXYgaWQ9ImVuZFRleHQiPlttZX
NzYWdlXTxhIGhyZWY9Imh0dHA6Ly9zcG9ydHMuMTYzLmNvbS8i
PjxpbWcgc3JjPSIqIiogLz48L2E+KjwvZGl2IjtzOjEzOiJtZX
NzYWdlZmlsdGVyIjtzOjEwOiI8YSBocmVmPSo+IjtzOjE1OiJt
ZXNzYWdlcGFnZXR5cGUiO3M6NDoicGFnZSI7czoxNToibWVzc2
FnZXBhZ2VydWxlIjtzOjA6IiI7czoxODoibWVzc2FnZXBhZ2V1
cmxydWxlIjtzOjA6IiI7czoyMToibWVzc2FnZXBhZ2V1cmxsaW
5rcHJlIjtzOjA6IiI7czoxNDoibWVzc2FnZXJlcGxhY2UiO3M6
MDoiIjtzOjE2OiJtZXNzYWdlcmVwbGFjZXRvIjtzOjA6IiI7cz
o3OiJ2ZXJzaW9uIjtzOjU6IjUuNS4yIjt9
QUOTE:
既然您贴子发到了，我也帮着看了下。谢谢你提供的采集器先。我导入后机器人名字是乱码，你可能用的不是gbk的SS吧，试采集，标题乱码，内容基本没有，除了图。突然想起，你的编码规则写的是gb2312，见过类似问题，写gb2312的一般是拉倒，所以，删除后留空，初测采集基本正常。
如果你用的其他非gbk的SS，留空显示乱码，那就写上gbk试下，至少，采集器说明处，没有GB2312一说：
采集页面编码：请输入要采集页面的编码。比如：gbk、utf-8、big5。为空则不进行编码转换
上面的我看了大受启发，但是还没有讲有分页的怎么采呢？
我采了一些，正常，但就是分页里分采集原站的分页
因为这个代码不好弄：
如无分页的代码：
<div id="NewsContentLabel" class="ContentFont">－－－－－－－－文章内容－－－－－<div id="Message" class="Message"></div></div>
</td>
有分页的：
<div id="NewsContentLabel" class="ContentFont">－－－－－－－－文章内容－－－－－<p align='center'><b><font color='red'>[1]</font> <a href='7111_2.html'>[2]</a> <a href='7111_3.html'>[3]</a> <a href='7111_2.html'>下一页</a></b></p></div>
</td>
这怎么设置分页呢？
我是这样设置的（如下图），总是出错，一时也没有想到办法
分页设置.JPG
附,我采集的原网站分页是这样的：
分页设置一.JPG
[message]后面只用一个</td>，个人认为不妥，这个标志不会是唯一的。当然如果你采集内容正常，就当我没说，HEHE，
注意搜下[pageaera]前后的代码是否是唯一的，且，要注意啊，在第二页、第三页……应当也有这样的代码，且唯一
加URL前缀
建议你还是用我下面说的试下，个人认为页码导航比上下页要好很多。
=======================================
QQ群里回过：
(2007-09-12 08:46:50) 婚姻家庭律师网(64475774)
开始<b><font color='red'>[1]</font>
结束.html'>下一页</a></b></p></div>
URL：<a href='[page]'>[
加上前缀，用“页码导航”（我不太喜欢用上下页导航）
分析：一般首页，[1]是红的，可以做开始标志。下一页正好做结束标志，为了保证不搞错，比如文章中正好有下一页几个字造成重复，所以前后加了点限制代码，考虑到下一页的连接并不相同，所以只用了.html'>下一页的方式，加上前面的html可以有效避免多采第二页，系统读分页连接时，既使读到了下一页的连接，也是无效的。。
分页URL<a href='[page]'>[后面的[号很值得研究啊，可以有效避免采到下一页所带的连接。
=======================
一并再分析一下，虽然废话很多，但可能更有利于大家理解。
页码导航，是在第一页，就是下面代码处，把全部分页的连接都读出来，这个是3页。而上下页导航不同，在第一页读个下一页的连接（第2页），然后在第2页再读一个下一页的连接（第3页），由于每个分页都要保证代码的正确性，所以，很懒得用。
本人建议，能用页码的，就用页码导航。
<div id="NewsContentLabel" class="ContentFont">－－－－－－－－文章内容－－－－－<p align='center'><b><font color='red'>[1]</font> <a href='7111_2.html'>[2]</a> <a href='7111_3.html'>[3]</a> <a href='7111_2.html'>下一页</a></b></p></div>
</td>
我们知道，页码导航只在第一页读取全部分页连接，所以只研究第1页代码就行。
上述蓝色部分，为开始和结束的标志。第1页在网上显示为红色字，所以一般可用<p align='center'><b><font color='red'>[1]</font>来做开始，下一页正好做结束（加上适当代码限制）。。中间红色部分是第2、3页的连接。URL为什么最后要加个[呢？看下上面，绿色部分，这是下一页（也就是第2页的连接），如果加上了[，因为 <a href='7111_2.html'>后面没有[，所以系统认为规则不符，就会有效避免最后多采一个第二页。
在某些情况下，下一页也有[，即<a href='7111_2.html'>[下一页]的形式，这时只在Url加个[就不管用了，那我们就可以把结束标志提前些，设为html'>[下一页]的形式，或[下一页]的形式，使得下一页的连接<a href='7111_2.html'>[在采集区域内的代码不全，系统读到的只是<a href='7111_2.不符合URL规则，避免多采第2页。
[ 本帖最后由 dingzi 于 2007-9-12 09:28 编辑 ]
[ 本帖最后由 dingzi 于 2007-9-12 09:08 编辑 ]
QUOTE:
先找一个别人用着好用的，跟你编码一致的，试下，不好用，就要找服务器问题了。比如，有些服务器不支持fopen函数，看下phpinfo：allow_url_fopen是不是开着。不开到php.ini里打开。
还有的服务器，数据库不稳定，一采SQL就休班了，一般会有错误提示。
另外：在部分你的操作电脑、服务器、被采网页三者的任何网络不佳的情况，都有可能不工作。
# Version: SupeSite 5.5.2
# Time: 2007-09-16 00:17:13
# From: 天涯乐吧社区门户 (http://x.ty68.cn)
#
# This file was BASE64 encoded
#
# SupeSite: http://www.supesite.com
# Please visit our website for latest news about SupeSite
# --------------------------------------------------------
YTozNzp7czo3OiJyb2JvdGlkIjtzOjE6IjQiO3M6NDoibmFtZS
I7czo4OiLM7NHEwNawySI7czozOiJ1aWQiO3M6MToiMyI7czo4
OiJkYXRlbGluZSI7czoxMDoiMTE4OTg3MjE2NCI7czo4OiJsYX
N0dGltZSI7czoxOiIwIjtzOjg6InJvYm90bnVtIjtzOjE6IjAi
O3M6MTE6Imxpc3R1cmx0eXBlIjtzOjQ6ImF1dG8iO3M6NzoibG
lzdHVybCI7czo0MToiaHR0cDovL3d3dy50eTY4LmNuL3RocmVh
ZC1bcGFnZV0tMS0xLmh0bWwiO3M6MTM6Imxpc3RwYWdlc3Rhcn
QiO3M6NDoiMzAwMCI7czoxMToibGlzdHBhZ2VlbmQiO3M6NDoi
NTAwMCI7czo2OiJhbGxudW0iO3M6MzoiMTAwIjtzOjY6InBlcm
51bSI7czoxOiIxIjtzOjc6InNhdmVwaWMiO3M6MToiMCI7czo2
OiJlbmNvZGUiO3M6MzoiZ2JrIjtzOjEzOiJwaWN1cmxsaW5rcH
JlIjtzOjA6IiI7czo5OiJzYXZlZmxhc2giO3M6MToiMCI7czox
NDoic3ViamVjdHVybHJ1bGUiO3M6NDc6IjxkaXYgaWQ9InBvc3
RtZXNzYWdlX1tsaXN0XSIgY2xhc3M9InRfbXNnZm9udCI+Ijtz
OjE4OiJzdWJqZWN0dXJsbGlua3J1bGUiO3M6NTc6Ijxmb250IH
N0eWxlPSJmb250LXNpemU6MHB4O2NvbG9yOiNGRkYiPszs0cTJ
58f4fMzs0cTC28yzLSI7czoxNzoic3ViamVjdHVybGxpbmtwcm
UiO3M6MDoiIjtzOjExOiJzdWJqZWN0cnVsZSI7czowOiIiO3M6
MTM6InN1YmplY3RmaWx0ZXIiO3M6MDoiIjtzOjE0OiJzdWJqZW
N0cmVwbGFjZSI7czowOiIiO3M6MTY6InN1YmplY3RyZXBsYWNl
dG8iO3M6MDoiIjtzOjEwOiJzdWJqZWN0a2V5IjtzOjA6IiI7cz
oxODoic3ViamVjdGFsbG93cmVwZWF0IjtzOjE6IjEiO3M6MTI6
ImRhdGVsaW5lcnVsZSI7czowOiIiO3M6ODoiZnJvbXJ1bGUiO3
M6MDoiIjtzOjEwOiJhdXRob3JydWxlIjtzOjA6IiI7czoxMToi
bWVzc2FnZXJ1bGUiO3M6MDoiIjtzOjEzOiJtZXNzYWdlZmlsdG
VyIjtzOjA6IiI7czoxNToibWVzc2FnZXBhZ2V0eXBlIjtzOjQ6
InBhZ2UiO3M6MTU6Im1lc3NhZ2VwYWdlcnVsZSI7czowOiIiO3
M6MTg6Im1lc3NhZ2VwYWdldXJscnVsZSI7czowOiIiO3M6MjE6
Im1lc3NhZ2VwYWdldXJsbGlua3ByZSI7czowOiIiO3M6MTQ6Im
1lc3NhZ2VyZXBsYWNlIjtzOjA6IiI7czoxNjoibWVzc2FnZXJl
cGxhY2V0byI7czowOiIiO3M6NzoidmVyc2lvbiI7czo1OiI1Lj
UuMiI7fQ==
谢谢楼主帮我看看，我的怎么采集不了呢？
我想采集我论坛的帖子呢，不知道那里错了！？
论坛的采集我一直没大研究过，因为论坛你是采第一楼还是全采呢？全采怕是不太现实，一般是采第一楼的吧。感觉用处不大，且，规则不太好搞似的。
观你的采集器，说明还没有理解采集器各参数的内涵。建议你先仔细阅读下上面全部贴子的内容，有点了解才好。
就你的采集器说几句：
采集你用的地址是自动增长的，从3000到5000，且不说你的3000贴根本不存在，且你这3000到5000的地址根本就是具体的文章地址，不是列表，列表，应当是这样子的http://www.ty68.cn/forumdisplay.php?fid=17&page=48
另，再往下，全是空的，两个基本条件：文章标题和文章内容都没有规则，你说这儿是空的，能采回内容来么？