蜂集采集如何进行全站采集
今天给大家带来一个超级简单的抓取全站的教程,文末有小福利哦~
话不多说,我们开始吧!
第一步:设置列表规则
想要抓取全站,就需要一个能够不断获取站内链接的列表页规则。一般来说,一个好的网站是利于蜘蛛抓取的,通过一个入口就可以找到站点内所有的文章链接,因此列表页的规则就是匹配文章地址。
列表规则默认会获取当前页面上所有的链接,我们需要做的就是通过一系列的规则把需要的网址提取出来,不需要的网址剔除掉。
以lz13为例,它所有的文章链接都以.html结尾,所以我们的网址包含规则里写上.html,为了不让蜘蛛乱爬,我们限制蜘蛛在这个站点内爬行,因此网址还需要包含lz13.cn,规则就是.html&&lz13.cn。这里的&&表示且,意思就是一个链接需要同时满足这两个条件才会被匹配到。
抓取全站的重点就在于终止列表获取这个选项,不勾选表示所有的地址都会使用这个规则,这样就能源源不断获取新的链接,达到抓取全站的目的。
比如我们使用首页测试一下抓取,可以看到下面抓取了很多链接
我们再用内部文章页面测试抓取,可以看到下面依然有新的链接
第二步:设置正文规则
如果你懂XPath或者正则,那么写一个抓取正文的规则是一件很容易的事情。这里以XPath为例。
如果你会XPath,那么可以看到下面的正文实际上是被PostContent这个class包住,那么XPath长这样 //*[@class=”PostContent”]。如果不会,可以直接从浏览器***xpath,长得可能不太一样。具体方法可以参考:如何利用浏览器***XPath
其他的字段同理可以这样获取,设置好抓取规则,添加任务,运行起来就可以抓取全站了!
小福利
为了让大家更好地理解如何做全站采集,这里把上面做的采集规则分享出来,大家可以去网盘下载。
地址 https://pan.baidu.com/s/1TjgMPCXGvJfC9aQqRZNSNw
密码 r7rg
如果链接过期,可以加群175991304,找群主获取即可!
你可能还喜欢下面这些文章
蜂集采集器可以采集任意结构的网页,包括分页列表。首先我们需要找到分页链接和其他链接不一样的地方,例子中的分页的链接都有“page”这个单词而其他的链接都没有这个单词,那么我们在列表规则中的链接包含框填上“page”,这样就可以采集到所有的翻页
蜂集采集是一款全自动的wordpress采集插件,如果还没有下载,可以去蜂集采集下载页面去下载。当所有的规则都编写完毕之后,我们需要验证一下采集器是不是可以根据该规则正确采集,进入测试抓取Tab,填写链接和页面层级,点击抓取测试,查看效果,如
自动内链工作原理简单来说,我们设定一些词表以及词表对应的链接,比如词是wordpress插件,链接是http。然后我们的文章中包含wordpress插件这个词,自动内链插件发现了这个词,则将”wordpress插件”替换成”<a。
wordpress去除index.php的方法:首先登录wordpress后台;1-2-2) wordpress nginx 静态链接重写规则这样就能把 wordpress 链接中的 index.php 去掉。
在本章中,我们将学习在WordPress页面中添加链接。Or link to existing account- 通过从给定列表中选择页面,添加指向现有内容页面的链接。
请查看更详细的设置教程:wordpress如何设置固定链接。保存更新后,固定链接完成,可以点入网站的文章看看是否设置成功,是数字.html结尾的链接说明设计成功。
wordpress去除index.php的方法:首先登录wordpress后台;RewriteRule . /wordpress/index.php [L]这样就能把 wordpress 链接中的 index.php 去掉。
当用户注册或者忘记密码获取新密码时WordPress会自动向用户邮箱中发送一个验证链接地址,用户通过打开这个链接设置密码,不过经常发现这个链接直接打开后,并不是设置密码的正确链接。login=” . rawurlencode( $user-&