织梦如何写采集规则

织梦的织梦采集功能藏得不算深，但第一次用的何写人多半会卡在“规则怎么写”这一步。后台点开“采集节点”，采集面对那一排字段——采集网址、规则区域匹配、织梦字段提取——每个框都在等你填代码。何写别慌，采集它不是规则让你写程序，只是织梦让你告诉织梦：去哪抓、抓哪块、何写怎么拆。采集

核心就三样东西：列表页的规则URL规律、内容页的织梦链接范围、字段的何写HTML标签区间。先拿一个实际例子说。采集假设你要采一个新闻站，列表页地址是https://example.com/news/list_1.html，翻页变成list_2.html、list_3.html。那“采集网址”就填https://example.com/news/list_[1-10].html，方括号里是页码范围，织梦认这个通配。如果URL是参数式的，比如?page=1，就写成?page=[1-10]。这一步不写对，后面全白搭。

接着是“区域匹配”。意思是：从列表页的HTML里，圈出所有内容页链接所在的那一段。比如列表页里每条新闻的标题都包在<div class="news-item"><a href="...">标题</a></div>里。你就在“区域匹配”里填<div class="news-item">(*)</div>，星号代表织梦要抓的链接区域。注意，这里填的是列表页的HTML特征，不是内容页的。很多人搞反，把内容页的标签写进来，结果一条都采不到。

然后是最磨人的字段提取。切换到“字段提取”标签，每个字段都要写“提取规则”。拿标题来说，内容页里标题通常在<h1>...</h1>或<title>...</title>里。规则写成<h1>([^<]*)</h1>，括号里就是抓取内容。正文更麻烦，因为正文HTML里嵌套多。常见做法是找正文外层容器，比如<div id="content">([\s\S]*?)</div>，[\s\S]*?表示匹配任意字符包括换行，且非贪婪。这里有个坑：如果正文里还有</div>，非贪婪会提前截断。那就得换更精确的边界，比如<div id="content">([\s\S]*?)<div class="share">，用后面的兄弟元素当结束标记。

时间字段一般用<span class="date">([^<]*)</span>，来源字段类似。作者字段如果页面里没有，可以留空或固定值。缩略图稍微特殊，要填<img src="([^"]*)"，织梦会自动下载远程图片到本地。但注意，如果图片是懒加载，src里是占位图，真实地址在data-src里，那就得改成data-src="([^"]*)"。

写完规则别急着采，先点“测试”。织梦会拿第一条URL跑一遍，把提取结果打出来。如果标题是空的，检查括号是不是写成了中文括号；如果正文只有半截，把非贪婪改成贪婪[\s\S]*再试，但贪婪容易把页脚也吞进来。我一般先用非贪婪，截断了再手动加结束标记。

还有个细节：编码。目标站如果是GBK，而你的织梦是UTF-8，采回来全是乱码。在“采集节点”的“高级设置”里把“采集编码”改成对应格式，或者勾选“自动识别编码”。别小看这个，我见过有人折腾一下午规则，最后发现是编码没选对。

规则调通之后，把“采集间隔”设成1到2秒，别把人家服务器拖垮。采集不是爬虫，它只是按你给的模板批量套用。模板越精确，采回来越干净。第一次写规则花半小时很正常，第二次就快了。织梦这套逻辑虽然老，但摸清了比很多新CMS的采集都直接——它不跟你绕弯子，你给什么标签，它就拆什么内容。