◇ 采集说明

SXCMS支持采集的数据，不仅限于文章或图片等内容，可以是网站的任何数据。分两种采集方式，通用数据采集和内容采集。通用数据采集方式，适用于任何数据。内容方式，仅支持内容类型的采集，同时会建立搜索索引和更新相关页面。

采集过程：

从配置的入口页进入目标网站，通过地址读取规则逐层跟踪，一直到目标内容页，进行最后的数据分析获取。例如，通过首页进入一个网站，再从导航栏地址进入各列表页，然后从列表页获取最终内容页的地址，进行采集。例子说明的是个简单的3层结构，实际采集是不限层次的。

配置规则：

也可以理解为语法。支持正则表达和SXCMS规定的更简单的方法。SXCMS中用{}来表示要采集的数据块和名称。如<div id="content">{body}</div>表示要获取介于<div id="content">和</div>之间的内容，并把获取的内容命名为body。如果用正则表达式，可以是<div id="content">(?<${body}>.*?)</div>，两种写法都正确。通常，采集的数据都是有多个属性或字段的，在配置中每一行，表示一个数据项。所以，在设置中除非要另设置一个新项，否则不能有回车，这样会误认为是两个数据项。如

<div id="content">{body}</div>
<h1>{subject}</h1>

表示采集两个数据项，分别为标题和正文。如果放成一行，则会认为是一个项，忽略后面的subject.

SXCMS另有一个特殊符号“ -- ”（注意，两边各有一个空格)，表示任意字符，等同正则.*?。如，<div id="content" style="width:200px;height:300px;font-size:12pt; color:red;">{body}</div>,可以表示为 <div id="content" -- >{body}</div>，更为简洁些。

采集选项：

用“名称=值”表示，填写在配置参数“默认"中的系统参数。主要包括：

charset：要采集页的编码，如果跟本地一样，可以忽略，例如，本地使用gb2312,而要采的网页使用utf-8,则必须配置chartset=utf-8.

nextpage,pagebreak,nexturl,表示采集分页数据。必须一起配置。nextpage指启动分页采集的数据项，如nextpage=body,则在采集body值时会继续查找“下一面”链接的页面的数据。pagebreak表示采集到分页数据后，在本地使用的页分隔附，可以为空。SXCMS文章分页的符号为：<!--##page##-->。nexturl表示分面地址的规则，用{href}取地址值。

pic：图片的裁剪范围。可以用一个数字表示4个边距相同，可以分别用4个数字表示4个边距，顺序为上，右，下，左，用“，”号隔开。如pic=0,0,20,0 表示将采到的图片裁掉下部20像素高。一般用来去除原有的水印标记。

order：采集顺序。默认从列表中倒采。如果设置 order=asc,表示正采。

lrange：从页面指定的范围中获取地址列表。lrange+序号，分别对应“页面URL规则”中的各项。如 lrange0表示第一项，lrange1表示第2项，类推。

 参数配置：

在系统中新建一个规则时，各项参数的配置说明。

名称：为规则命名，便于管理。

类型：选自定义，指用通用数据采集方式，要填写数据类型的编码，是在entity.config配置项的Code值。除自定义外其他项都是系统支持的内容模块，需要配置要采入的目标栏目。

目录地址：采集的入口页，可以设置多个地址，一行表示一个地址。

页面URL规则：地址跟踪规则，用{href}或(?<${href}>.*?)表示要读取的链接字符窜。每行表示一个层次。例如：
空，直接在目录地址中配置的页面中采集内容数据。
配置一项，在目录页中按规则查找链接地址，并在地址页中采集内容数据。
配置N项，在目录页中按规则查找链接地址，并把地址页作为目录页用下一个规则查找链接地址，如此循环到最末。

内容获取规则：配置数据的各个属性或字段。每一项用一行表示。{}中分别对应数据属性或字段名称。如文章包含有subject（标题）,body（正文），则分别配置包含{subject}{body}的表达式。

默认值：每项一行，设置采集选项参数和数据字段的默认值。如采集文章时设置source=本站，则采集的文章都设置source（来源）为“本站“。

过滤规则:主要用于过滤广告等，只能用正则表达

采集来源：SXCMS系统支持网页采集，如果使用从其他文件或数据库的采集，这里配置组件名称。