火车头采集文章列表地址列表错误 URL多了一层网址解决方法

火车头采集文章列表地址列表错误 URL多了一层网址解决方法

   今天又打开了火车头采集器需要更新下网站,可是点了开始后发现错误了。玉是重新修改了列表采集规则。没仔细看等抓完300多个连接导入数据库时发生错了,仔细一看该站的文章列表页将文章url地址做了处理。

   表现:

   常规的文章列表文章URL应该是  <a  href=” https://www.jiaidc.com.com/url.html “>才对,而该站处理成了<a  href=” //www.jiaidc.com.com/url.html “>,就是把协议头https或者http给取消了,这个 在一定程度上是可以防范很多采集程序,软件,爬虫的。采集后的地址列表会多一层网址,就成了 https://www.jiaidc.com/www.jiaidc.com.com/url.html ,这样的话就无法正确采集内容了。

   解决方法:

   在网址获取选项里点选“手动填写链接地址规则”,

   右侧脚本规则填写【a href=”[参数]” class=”title” target=”_blank”】这里的参数就是原始目前的不带协议头的网址。

    实际连接:填写【http:[参数1]】如果该网站是https的这里就填写【https:[参数1]】

   结果:

   以上操作后点获取网址测试正确,从采集,入库等都OK了。

    PS:

    这个网址问题在SOHU以前看到过,用DEDECMS采集就是网址错误,今天在火车头上总算是解决了。

    希望该文能帮助到你。

您可能对以下内容感兴趣

发表评论

电子邮件地址不会被公开。 必填项已用*标注