火车头采集器怎么采集内容页网址？

在编写火车头采集器规则时，设置好要采集的列表页地址后，就要开始配置采集内容页网址的获取方式。这里就简单讲解下火车头采集器怎么采集内容页网址？首先我们要知道获取内容网址有两种模式，分别是：常规模式和高级模式。

 第一种常规模式：该模式默认抓取一级地址，即从起始页源代码中获取到内容页A链接。它有2种方式：A.自动获取地址链接 B.手动设置规则获取。
 第二种高级模式：该模式对0级，多级，POST类型网址的抓取有效。即起始网址就是内容页网址；这时需要对多级列表网址采集才能得到最终内容页链接；也可能是post网址类型抓取等情况下使用高级模式。一般情况下使用的较少，初学者可以优先学习常规模式即可。

下面对常规模式采集进行具体说明
高级模式 详细教程后续分解

【第一种常规模式】A、自动获取地址链接

自动获取地址链接:自动获取该级列表页中所有的a标签<a href="URL">内的URL链接

如新浪内地新闻：http://roll.news.sina.com.cn/news/gnxw/gdxw1/index.shtml

获取结果如图：

共81个一级网址，但实际我们需要抓取的1级网址是每页40个，所以我们可以通过区域设置和链接过滤设置 来获取我们所需要的链接。

用谷歌浏览器在网页上右击——查看网页源代码，分析源码得出：开始字符串为<ul class="list_009"> 结尾字符串为 <!-- 分页 begin -->

这样我们再点击网址采集测试，可以看出结果是正确的。

【第一种常规模式】B、手动设置规则获取

对于有些由脚本生成的网址，采集器不能自动识别，此时就要手动设置规则获取了。手动设置规则获取设置原理是编写脚本规则，去和源代码里的内容匹配，获取到自己设置的参数即可。其中提取规则里的[参数]，(*) ，[标签:XXX] 都是通配符，可以统配任意字符，区别在于[参数]有返回值，一般用于拼接地址，(*)没有返回值，[标签:XXX]有返回值，返回值给标签。

如新浪内地新闻：http://roll.news.sina.com.cn/news/gnxw/gdxw1/index.shtml有如下源码：

    <li><a href="http://news.sina.com.cn/c/nd/2015-10-10/doc-ifxirmpy1472664.shtml" target="_blank">山西公布政府部门责任清单 建立拒腐机制</a><span>(10月10日 20:20)</span></li>
    <li><a href="http://news.sina.com.cn/c/nd/2015-10-10/doc-ifxirwnr6902154.shtml" target="_blank">河南登封市长被举报建寺涉贪 与释延鲁关系密切</a><span>(10月10日 20:14)</span></li>
    <li><a href="http://news.sina.com.cn/c/nd/2015-10-10/doc-ifxirmqc5006034.shtml" target="_blank">张家界国土局副局长涉严重违纪被查</a><span>(10月10日 19:45)</span></li>

此时，我们可以取其中的一条代码作为循环匹配，把我们要获取的链接替换成[参数]，需要采集到的值替换成标签。 如：

 <li><a href="[参数]" target="_blank">[标签:title]</a><span>([标签:time])</span></li>

第二种高级模式：高级模式需要清空多级列表，列表地址就是内容页网址，因此不存在获取内容页网址的说法了。

如果你还有其它疑问可以来本站搜索相关问题，这里会有你想要的答案：火车脚本网