aquan112 发表于 2011-7-11 13:41:19

采集时遇到的问题

采集地址100条，采集内容采集了50条，另外50条要换个规则，改了规则，再采集内容，1条也采集不到，这是为什么？

采集过程是不是这样的：
第一步：采集了100条地址，数据库里标识应该是未采集内容
第二步：采集内容50条，数据库里应该是50条标识为采集，另50条为未采集；
第三步：修改内容采集规则，再把剩下的50条内容也采集到数据库里

难道不是这样的吗？

303718 发表于 2011-7-11 19:48:49

因为你采了站点地址库有地址了.地址一重复就采不了了.

aquan112 发表于 2011-7-12 08:27:12

照你说的，地址已经有了，那我也是直接采集内容的呀，第一步采集了50条内容（对应50条地址），那还有50条地址的内容应该是未采集状态吧，那我第2次再采集那些未采集的内容，操作错了？

通常采集几千条信息以上的，规则肯定要变过的，因为被采集的网站也在改版的呀，采集标签什么的肯定要换一下的

我是这么理解的，比如先采集10000条URL，再采集内容，第一次如果采集到2000条内容，那么查看没有采集到的URL，修改内容采集规则，再从8000条里采集，依次来推，把所有URL的内容采集完，如果火车不是这样的，那我希望有这样的功能

aquan112 发表于 2011-7-12 08:38:42

刚试了一下，的确火车把不符合内容采集规则的记录删除了，其实火车只要再增加一个内容采集的字段就可以，比如，URL采集好时，内容采集字段标识为0，该条URL内容采集成功，标识为1，不成功或未采集仍为0，这样也不影响入库，入库只要判断内容采集为1的好了

ydab 发表于 2011-7-12 09:13:40

采集规则 也还是要先看看网站每个页面的源码 ，有些网站 对于不同的会员 所指向的路径也不一样
必有有些是普通内容，有些是vip内容，这些可能都存在的 ，所以 你根据需要 采集就可以，做到100%采集到，难度还是比较大呵呵个人观点，仅供参考。

huinoong 发表于 2011-7-12 16:05:50

新人。。多看看。。支持下~~
页: [1]
查看完整版本: 采集时遇到的问题