第四步：写出和测试采集规则。

采集网站的话，采集规则是核心。这也是整个建站过程中的难点所在。要学会如何采集必须要懂一定的html，css的知识。这是你看懂代码的前提。当然，并不需要你语言方面非常厉害，只需要你能看懂就基本OK了。采集新手可以利用织梦系统本身的采集功能，如果要采集较为复杂的网站，就需要用火车采集器，内容排除和替换功能比较强大。

下面结合火车采集器软件举例说明如何采集。

安装火车头软件后，新建站点，在新建站点下新建任务。

1. 采集网址。采集网址的意思就是首先采集你需要采集文章的所有页面的地址。比如你要采集A站上的300篇文章，那么你首先需要采集到这三百篇文章的实际地址。然后才能根据这300个地址，一篇一篇的去采内容。那么，如何采集网址，一般来说，这300篇文章都是有一个列表的，可能是一共10页，每页罗列了30篇文章。火车采集软件有四种采集文章列表的方式，最常用批量/多页。比如你查看到这10页列表页的地址有一个规则都是list1.htm, list2.htm, list3.htm……list10.htm，那么你可以写成 域名/list(*).htm添加到规则里，数量从1到10. 网址中(*)就是一个通配符。

这样的话，火车软件就会采集以上10个页面上的所有地址，为了精确得到那300个文章页地址，我们仔细查看那300个文章页地址(找其中几个看看比对下)，就大致可以找到一些限制条件，比如前缀可能都是域名/article/，在软件下方添加对应的排除规则就可以筛选到我们要找的300个文章页的地址了。为了验证，可以先验证采集一下网址试试。

注意，在我们正式采集之前，建议在这里都设置采集页面1-1，只采集部分文章网址，目的在于，接下来还需要测试采集内容，减少我们的测试时间。等到所有测试成功了，再回来修改参数，一次全部采集。

2. 采集内容。采集一个网页，我们一般会采集它的标题，关键字，描述，主题内容，缩略图，作者，时间，出处等等。采集方法总的原则是：在页面中找到一个或一段A代码和B代码，在A,B代码之间包含你要采集的内容，然后筛选掉其他无关的内容即可。A，B代码在采集软件中分别指开始字符串和结束字符串。

怎么找到你要的A,B代码呢。有几个原则如下：

a. A,B代码尽量靠近你要采集的内容。这样可以减少其中的无关垃圾内容。比如，采集标题一般就直接以<title>为A代码，</title>为B代码，中间部分正好就是标题。没有其他无关内容。

b. A,B代码尽量保持在网页中的唯一性。如果这两个代码在网页中是唯一的，那么火车头采集软件就会准确找到采集的内容部分，不会有起止点的迷惑。当然，并不完全要求一定要唯一，比如A代码在网页中出现3次，那么采集软件会以第一次出现的A代码为开始点采集内容，然后截止到看到第一个B代码为止。

c. A,B代码都不能跨行，必须都是写在同一行内的代码，否则火车头无法识别匹配。

找到A,B代码之后，软件会采集A,B代码之间的所有代码，不包含A,B代码本身。这其中可能会包含一些我们并不需要的代码，比如原来的css代码，原网页中的广告代码，其他外站链接，原网站的标识等等。那么我们就需要利用采集软件的内容排除和内容替换。

a. 内容排除的意思就是系统在采集过程中自动排除掉你指定的相关代码。

b. 内容替换的意思就是系统在采集过程中一旦遇到你指定的相关代码自动替换成你指定的另外的代码。

举例来说，采集标题的时候，原网站标题中带有原网站名称C，那么我们可以在内容排除中添加一段C代码。那么采集的结果中就自动删除了该名称C。

或者你可以在内容替换中，将C代码替换成你的网站的名称D，那么网站采集的标题中就自动替换成你的网站名称。

网站内容的采集是一个比较辛苦的活，尤其是主体内容的采集，需要剔除到其中许多不必要的代码，这个时候就需要你不停的测试，直至得到想要的结果，建议采集新手以简单的网页练手，熟悉了再采集复杂的网页。火车采集器是一个功能非常强大的工具，可以参考官网的教学文档快速上手。