这次,小编来推荐一款WordPress博客网站的采集插件工具,希望能帮助使用Wordpress开源程序做网站的小伙伴们。
关于如何安装WordPress博客网站的采集插件工具
下载插件长腿蜘蛛-CTspider
- 然后到WordPress插件页面点击上传,安装启用即可。
- 如果使用FTP上传,请使用二进制上传协议。
关于采集插件工具如何授权?
登录长腿蜘蛛-CTspider官网注册账号(PS:注册账号需要邮箱验证激活码,请认真填写邮箱账号)。
- 点击用户中心->添加授权域名(PS:目前每位用户可以授权3个域名)。
- 得到授权码后,点击CTspider插件->系统配置->授权码配置->填入授权码->保存配置->验证授权

最近有很多网友问:为什么点击采集后显示没有任何数据只有两种可能
- 采集规则没有设置好。
- 如果确定采集规则没问题,请查看当前采集的网址是否是Ajax动态渲染加载(PS:目前长腿蜘蛛-CTspider 不支持动态渲染加载采集)
新建项目 / 基本配置
接下来我们详细说下如何采集一个项目
我们使用新浪科技为示例:
首先基本配置
- 任务名称:新浪科技(PS:自定义即可)
- 更新时间:默认60分钟(PS:当前任务60分钟自动执行一次)
- 字符集:默认选项就可以(PS:如果出现乱码情况,请针对当前web网页字符集选择即可)
- 随机IP:开启(PS:开启随机IP会在每次采集的时候自动更换IP,减少服务器IP被封的几率)
- 多线程采集:开启 (PS:开启后可提高采集速度)
- 多线程数量:默认10(PS:根据自己服务器配置酌情使用)

列表设置
- 列表URL: http://roll.tech.sina.com.cn/internet_all/index.shtml (PS:如需多个,可换行添加)
- 列表区域选择器:.contList>ul>li (PS:【完全和CSS选择器用法一样】【可填,可不填】如果采集当前页面有多个相同列表DOM节点就要填写,确保采集精准度)用谷歌浏览器右键审查元素,可以看出当前列表数据都在.contList>ul>li下面

- 列表缩略图:如果有图可以直接填写当前缩略图CSS选择器
- 文章网址匹配:a (PS:由于上面区域选择器已经定位,我们可以直接填入a标签即可,如果区域选择器没有定位则设置:.contList li a 或者.contList a 具体根据你采集页面dom结构自己分析)
- 添加来源网址到自定义字段:source_url(PS:【自定义】可开启或不开启,设置后会在每天文章添加一个自定义字段source_url并且会把当前采集到网址链接赋值给该字段用于前台调用显示)如: get_post_meta(‘source_url’) 可调用该字段的值。
点击列表测试可以查看当前项目列表配置情况

文章设置
标题匹配规则:h1
文章内容设置:#article_content

可以看到标题在h1标签下,也可使用.main-title来获取标题
正文内容看上去有好多 class和id 如果有id属性尽量采用id,毕竟id是唯一性,定位精准。
我们还可以增加规则来采集TAG标签
长腿蜘蛛-CTspider 提供了6总规则添加采集,并且可以自定义字段规则(PS:自定义字段规则可以添加多个)

点击采集测试
采集结果完美呈现(原文:标题:TAG)正确显示
但是我们发现结果中出现了a链接和一些多于的css属性和id属性还有span标签

我们可以利用长腿蜘蛛-CTspider强大的内容过滤模块进行数据清洗工作
内容过滤
- 首先删除数据中所有a链接但不删除a标签内容
- 删除数据中span标签并且也不删除内容
- 删除数据中无用的class属性和id属性
具体设置如下图:

最后在进行采集测试(得到纯净的数据)

原创文章,作者:SONIC SEO,如若转载,请注明出处:https://www.seo388.com/wpcaiji/