|
第一步: 我们先复制一份原来的规则 做模板 比如说我今天演示的采集站点是 feiku 这个小说站点 那么我就把我复制的那份做模板的规则 命名为 dhabc.xml 这个主要是便于记忆 第二步: 我们运行 采集器里的规则管理工具 打开后加载刚刚我们命名为 dhabc.xml的这个XML文件 第三步: 开始正式编写规则了 1. RULEID(规则编号) 这个任意 2. GetSiteName(站点名称) 这里我们写 飞库网 3. GetSiteCharset(站点编码) 这里我们打开 www. 查找 charset= 这个 =号后面的就是我们需要的站点编码 www. 我们查到的 编码是 gb2312 4. GetSiteUrl(站点地址) 这个就不用我说了吧 写入 http://www./ 5. NovelSearchUrl(站点搜索地址) 这个地址的获得 得按照每个网站程序的不同而言 不过呢有个通用的方法就是 通过抓包来获得自己想要的内容 虽然说是通过抓包来获得但是 怎么就知道获得的就是我们想要的呢 看我操作 首先我们运行封包工具 选择 IEXPLORE.EXE 这个进程 最好是你只开一个网站也就是你只 打开了 你要想编写规则的那个网站 确保进程里只有一个IEXPLORE.EXE这个进程 这里我们 我们可以 看到提交的地址是 /book/search.aspx 我们来组合一下 得到的地址 是 http://www./book/search.aspx 而提交 内容的代码是SearchKey=%C1%AB%BB%A8&SearchClass=1&SeaButton.x=26&SeaButton.y=10 但是对于我们有用的是 SearchKey=%C1%AB%BB%A8&SearchClass=1 这一段 这里获得的这段 将在NovelSearchData(搜索提交内容) 这里用到 把这段改成我们想要的代码就是 把这一段%C1%AB%BB%A8 替换成 {SearchKey} 这个 表示搜索提交的内容 完整的代码是 SearchKey={SearchKey}&SearchClass=1 然后我们测试下是否正确 经过测试 我们获得的内容是正确的 6. NovelListUrl(站点最新列表地址) 这个我就不说了 因为这些 每个站点的不同 这个就需要自己去找了 FEIKU 的是 http://www./Book/ShowBookList.aspx 7. NovelList_GetNovelKey(从最新列表中获得小说编号此规则中可以同时获得书名 获得书名是在手动模式的时候用到 如果你要用手动模式 那么必须获得书名 否则 手动模式将会无法使用) 我们 打开 http://list./book/showbooklist.aspx 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 立地成魔 我们在源文件里面找到 莫伦特传 <ul> <li class="li1"> <a target=_blank href="/Book/LN/131.html" >奇幻</a></li> <li class="li2"><a target=_blank href="/html/book/130/150557/List.shtm" ><font color="#006699">[目录]</font></a> <a href="http://www./Book/150557/Index.html" target="_blank"><font color="#006633">莫伦特传</font></a></li> <li class="li3"><a href="/html/book/130/150557/3946236.shtm" target="_blank">第一卷 第八章 黑暗崛起</a></li> <li class="li4">11月27日</li> <li class="li5"><a href="/Author/WB/150557.html" target="_blank">巨龙之瞳</a></li> <li class="li6">连载 </li> </ul> 我们编写规则用到的代码其实也不是很多 我编写规则的原则是能省则省 也就是说代码 越短越好除非万不得已 一般精短一些比较好 好了不废话了 在这个规则里面 我们需要用到的是 <a href="http://www./Book/149539/Index.html" target="_blank"><font color="#006633">立地成魔</font></a> 我们将这段改下 <a href="http://www./Book/(\d*)/Index.html" target="_blank"><font color="#006633">(.+?)</font></a> 其中 (\d*) 表示编号 (.+?) 表示 小说名 经过测试 正确 8. NovelUrl(小说信息页地址) 这个很容易 我们随便点开一本小说 就能知道了 比如说 http://www./Book/150557/Index.html 这本小说 我们可以看到的 我们改下 将里面的 150557 换成 {NovelKey} 一般情况表示小说编号 http://www./Book/{NovelKey}/Index.html 9. NovelErr(小说信息页错误识别标记) 这个 一般是 http://www./Book/149539/Index.html 吧 中间的 那个 编号随意改变下 比如 http://www./Book/15055799/Index.html 这样我们获得的错误标记就是 未找到该编号的书籍信息! 10. NovelName(获得小说名称正则) 我们随便打开一本小说 http://www./Book/149539/Index.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 立地成魔 这本小说 我们看到他的固定小说名格式是 《立地成魔》 那我们在源代码里 找到 《立地成魔》 这个 我们得到的内容是 <div id="CrBookTitle"><span class="booktitle">《立地成魔》</span></div> 这一段 我们改下 <div id="CrBookTitle"><span class="booktitle">《(.+?)》</span></div> 下面的 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) 这些呢 我就不演示了 这些跟上面的那个获得小说名 方法是一样的 也就所谓的一通百通 这里有些时候获得的内容里面有些不想用到的 因为格式不固定有些内容只能先获得然后在用过滤功能 过滤掉 过滤的用法 在后面有说 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 这里我就不说明了 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. 这个站的没本小说的章节目录的动态地址是 http://www./Book/149539/Index.aspx 那么 PubIndexUrl 这个的规则就是 http://www./Book/{NovelKey}/Index.aspx 13. 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 http://www./html/book/130/149539/List.shtm 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 </ul> <div id="feiku_e_n_d"></div> <div id="mmuu88">力量的追求 </div> <ul> 从这里我们可以看到他的共同点 是 </ul> <div id="feiku_e_n_d"></div> 我们吧他改下改成正则格式 </ul>\s*<div id="feiku_e_n_d"></div> 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 <div id="feiku_e_n_d"></div> 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 </ul> <div id="feiku_e_n_d"></div> <div id="mmuu88">力量的追求 </div> <ul> 这一段 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 <div id="mmuu88">(.+?)</div>\s*<ul> 我们测试下 正常获得分卷 但是有 这些 我们一般在 过滤规则里面过滤掉就行了 15. PubChapterName(获得章节名) 这个我们拿一段来说明 <li><a title="更:2008-10-24 12:58:00 更:3264" href="3859084.shtm">强悍的驯服方法</a></li> 对于这种里面有 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 有些人就问了 为什么我这里没用() 括起来呢 这里我跟大家说下 我们获得的内容是()里面的内容 如果不是你想要的内容但是写规则的时候又必须用到的 我们 可以吧表达式稍微改下就可以了 好了 我们吧 上面的那一段 改下 改成表达式 <li><a title="更.+? 更.+?" href="\d*.shtm">(.+?)</a></li> 正常获得内容 这个大家是不是看着这个规则有些别扭 这个是因为 中间有换行符导致的 我没改下代码 我们用\s* 来表示N个换行符 我们改后的代码是<li><a title="更.+?\s*更.+?" href="\d*.shtm">(.+?)</a></li> 现在是不是好些了 经过测试 也一样正常获得内容 说明规则无问题 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 一般式知道目标站的动态地址 静态地址一般用不到 在不知道目标站的动态地址 那么 这里 我们需要获得的 是 章节地址 分析得到 <li><a title="更.+? 更.+?" href="(\d*.shtm)">(.+?)</a></li> 这里既然是获得章节地址 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 这里在说下章节编号 的写法 其实并不麻烦只需要稍微改下就行了 <li><a title="更.+? 更.+?" href="(\d*).shtm">(.+?)</a></li> 改成这样就可以了 我们测试下看看 看到了吧 这样改下就是获得编号了 这个获得的编号 只能在 知道目标站动态地址的情况下采有用到 17. PubContentUrl(章节内容页地址) 上面的获得章节地址里面有说明 这个是在知道目标站的动态地址的情况下 用到 因为一般静态地址用不到 这里我拿 http://www./html/book/149539/3790336.ASPX 这个来说明下 该怎么用 其中的 149539 这个是 小说编号 这里我们用 {NovelKey} 替代 3790336 这个 就是在 PubChapter_GetChapterKey 里面获得的 章节编号 我们用 {ChapterKey} 替代 组合一下 就是 http://www./html/book/{NovelKey}/{ChapterKey}.ASPX 这个就是我们的动态章节地址了 !!!记住 前提是 知道对方的动态地址 !!! 如果不知道对方的动态地址 那么我们在 PubContentUrl(章节内容页地址) 这里写的内容就是 {ChapterKey} 18. PubContentText(获得章节内容) 这个获得方法同于 获得章节名的那些 这个就不说明了 |
|
|
