15
2018
11

关关采集器规则编写教程(最详细的教程)

首先需要了解下 关关采集器通用替代符

   1.  \d*  表示数字

   2.  \s*  空格或换行

   3.  .+? 表示不需要的字符

   4.   .* 表示字符

   5.  ()  表示需要截取的部分

   6.    ((.|\n)*) 章节内容截取

   7.  .  表示单个字符

   8.  $   表示结束字符 例如正则表达式weasel$ 能够匹配字符串"He's a weasel"的末尾,但是不能匹配字符串"They are a bunch of weasels."。

   9.  ^  表示一行的开始 

   10.  < [^<]*((?<=<(?:img|IMG)[^>]*(?:(?:src|SRC)(?:\s*=\s*(?: ["']?))))(?:[^\s"'>]*)\.(?:jpg|gif|jpeg|bmp|png|GIF|JPG)) [^>]*> 万能图片代码

 

 

 ------------------------------------------------------------- 下面用以上字符演示下如何编写关关规则---------------------------------------------------

 

 第一步 1.寻找目标站 这里我们拿 遮天小说吧 http://www.zhetianxs8.com为例子  

            2. 复制原有规则为采集模板 zhetianxs8.xml 重新复制一份

            3.打开关关规则编辑器  选择 zhetianxs8复件.xml 读取 

            4. 开始编写规则.

 

第二步  1.RULEID(规则编号)这个任意写即可

            2.GetSiteName(站点名称)这里我们写zhetianxs8

            3.GetSiteCharset(站点编码) 这里我们打开www.zhetianxs8.com源代码查找 charset= 得到charset=gbk这个gbk就是我们需要的站点编码
            4.GetSiteUrl(站点地址)目标站地址 写入http://www.zhetianxs8.com

            5.NovelSearchUrl(站点搜索地址) 这个搜索栏地址的获得,按照每个网站程序的不同,适当的修改(也可以忽略)

            6. NovelListUrl(站点最新列表地址) 目标站点显示更新的网址 例如 http://www.zhetianxs8.com/modules/article/toplist.php?sort=lastupdate

           7.NovelList_GetNovelKey(从最新列表中获得小说编号)在这个规则中我们要获取小说名和小说编号 例如  这个地址查看源文件,我们编写这个规则的时候找到想要获得的内容所在的地方,比如我们打开地址看到想要获得的内容的第一本小说的名字是“遮天”我们在源文件里面找到“遮天”

 

     

<ul>
<li class="t1 red12">1</li>
<li class="tt3"><a href=http://www.zhetianxs8.com/book/1258.html]http://www.zhetianxs8.com/book/1258.html title="《遮天》
小说内容提要:    【作品简介】:
" target="_blank">遮天</a></li>

<li class="t5"><a href="/bookreader/10071-3622060.html">遮天</a></li>
<li class="t4"><a target="_blank" href="http://www.zhetianxs8.com/modules/article/authorarticle.php?author]=辰东">辰东</a></li>
<li class="t7">3624007</li>
<li class="t6">连载中</li>
<li class="t8">12-13-09 22:13</li>

</ul>

以上代码中 我们要找到 <li class="tt3"><a href=http://www.zhetianxs8.com/book/1258.html title="《遮天》 把这段代码 改成

<li class="tt3"><a href=http://www.zhetianxs8.com/book/(\d*).html title="《(.+?)》  (\d*) 表示小说编号 (.+?) 表示小说名 测试下 获取正常
8.NovelUrl(小说信息页地址)这个很简单  比如http://www.zhetianxs8.com/book/1258.html这本小说 我们可以看到的 我们改下 将里面的1258 换成 {NovelKey} 一般情况表示小说编号 就是  http://www.zhetianxs8.com/book/{NovelKey}.html

 

 9.NovelErr(小说信息页错误识别标记) 这个我们随便输入一个没的小说的编号如http://www.zhetianxs8.com/book/1234465460.html这样我们获得的错误标记就是:对不起,该文章不存在! 
10. NovelName(获得小说名称正则)我们随便打开一本小说http://www.zhetianxs8.com/book/1258.html查看源代码 获得小说名称 这个我们可以从固定模式着手 比如我们刚才打开的 遮天 这本小说 我们看到他的固定小说名格式是《遮天》 那我们在源代码里 找到《遮天》 这个 我们得到的内容是

    《<a href="/book /1258.html" id="htmltimu" title="遮天">遮天</a>》 改成 《<a href=" /book/\d*.html" id="htmltimu" title=".+?">(.+?)</a>》

 

 NovelAuthor(获 得小说作者)、LagerSort(获得小说大类)、SmallSort(获得小说大类)、NovelIntro(获得小说简介)、 NovelKeyword(获得小说主角(关键字))、NovelDegree(获得写作进程)、NovelCover(获得小说封面) 这些同 10. 一样获取即可

 

11.NovelInfo_GetNovelPubKey(获得小说公众目录页地址)这个的地址获得跟上面的一样的方法

 

12.PubIndexUrl(公众目录页地址) 这个我说明一下,这个的用法这个一般是在知道采集目标站的动态地址的时候用到,如果不知道对方动态地址的话就在这个里面写入{NovelPubKey} 如果知道动态路径比如说http://www.zhetianxs.com这个站的没本小说的章节目录的动态地址是那么 PubIndexUrl 这个的规则就是

 http://www.zhetianxs8.com/modules/article/reader.php?aid={NovelPubKey}

 

 PubVolumeSplit(分割分卷)这个分割分卷 有写地方需要注意到 如果分割分卷的正则没对 那么有可能 对于下面的 获得章节名那些有很大的影响 这里 我们获得 分割部分的代码呢 按我的经验呢 是找到第一个 分卷 跟下面的分卷 查看他们的共同处 在我们分析这个目录章节里面的源代码 可以看出他们有个共同点 拿这一段来说明下

 

 

<dt>
<strong>遮天正文
</strong>
</dt>

 

单一代码为 <dt>
<strong>   修改正则 为<dt>\s*<strong>

其中的\s* 表示 匹配 与任何白字符匹配,包括空格、制表符、分页符等 也就是说 在 </ul> 与<dt><strong> 之间 不管有多少个空格 都可以用 \s* 来表示 
14.PubVolumeName(获得分卷名) 想要获得准确的分卷名,必须在上面的分割部分的正则必须正确,一般情况下分割部分跟分卷名是在一块的,上面我们说明分割部分用到的

 

<dt>
<strong>遮天正文
</strong>
</dt>

大家如果有注意看到的话 会发现 里面有 我们在这一步里面要获得的分卷名
我们 改下代码 <dt>\s*<strong>(.+?)</strong>\s*</dt>

15. PubChapterName(获得章节名) 这个我们拿一段来说明<li><strong><a href="/bookreader/1258-3467015.html">仙墓</a></strong></li>

如果有碰到时间、日期、更新字数什么的我们直接忽略,因为这些不是我们要获得的内容,这个我们可以用 .+? 来表示。 好了我们吧上面的那一段改下改成表达式

<li><strong><a href=".+?.html">(.+?)</a></strong></li>

不是单行的话我们用\s* 来表示N个换行符

 

16.PubChapter_GetChapterKey(获得章节地址(章节编号))这里说明下 这个里面的章节编号是在下面的 PubContentUrl(章节内容页地址)用到,那么这里我们需要获得的是章节地址分析得到

 

<li><strong><a href=" (\d*.html) ">.+? </a></strong></li>

章节地址那为什么我们还有用到章节名的呢?这个说下主要就是为了避免获得的章节名跟获得的章节地址不匹配。 
如果是章节页是乱序的这里就要获得章节编号了(强烈见意用户用获得章节编号)
我们说下章节编号的写法 其实并不麻烦只需要稍微改下就行了。 

<li><strong><a href="/zhetianxs8/\d*-(\d*).html">.+?</a></strong></li>改成这样就可以了

17. PubContentUrl(章节内容页地址) 这里我拿http://www.zhetianxs8.com/book/1258-3287009.html这个来说明下该怎么用,其中的1258 这个是小说编号这里我们用{NovelKey} 替代,3287009这个就是在 PubChapter_GetChapterKey 里面获得的 章节编号我们{ChapterKey} 替代,以后我们分两种写法说明

http://www.zhetianxs8.com/bookreader/{NovelKey}-{ChapterKey}.html

 

注: 这种写法 PubChapter_GetChapterKey里必需是获得章节编号的如 “<li><strong><a href="/book/\d*-(\d*).html">.+?</a></strong></li>” 

或者直接用 

{ChapterKey}


18. PubContentText(获得章节内容) 这个获得方法我们就拿http://www.zhetianxs8.com/book/1258-3287009.html这个地址来说吧,打开源代码我们看到 

</p>

</div>

<div class="novel_content">

&nbsp;&nbsp;&nbsp;&nbsp;辰东_遮天小说吧<br />

................ ................ 中间省了............ ................ .................

&nbsp;&nbsp;&nbsp;&nbsp;完

</div>

<div class="novel_bottom"> 
直接改成 <div class="novel_content">((.|\n)+?)<div class="novel_bottom"> 

((.|\n)+?)为我们要获取的内容,

 

19.PubContentImages(章节内容中提取图片正则) 章节中图片可以直接用我们上面提到的万能图片规则

<[^<]*((?<=<(?:img|IMG)[^>]*(?:(?:src|SRC)(?:\s*=\s*(?:["']?))))(?:[^\s"'>]*)\.(?:jpg|gif|jpeg|bmp|png|GIF|JPG))[^>]*>

 

20.出现空章节情况有可能是目标站正好重启网站或者你的采集IP被封等原因
如 果不是以上原因,请先检查你采集的章节是否是图片章节,如果你的PubContentImages(章节内容中提取图片) 没有获得图片章节内容的话软件 就会检查你的采集文字内容 PubContentText(获得章节内容)这个里面的正则的匹配,如果 PubContentImages(章节内容中提 取图片) 跟PubContentText(获得章节内容) 都没有匹配的内容,那么就出现了上面我们说的空章节的原因。

« 上一篇 下一篇 »

发表评论:

◎欢迎参与讨论,请在这里发表您的看法、交流您的观点。