一套内容采集系统解放编辑人员-阿里云开发者社区

一套内容采集系统解放编辑人员

2011-02-09 965

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： 内容采集系统，对于以内容为主的网站来说是非常好的助手，除了原创内容外，其它内容需要编辑人员或者采集系统来收集整理，然后添加到自己的网站里。Discuz DvBBS CMS等产品，内部都自带了一个内容采集功能，来采集指定的相关内容。

内容采集系统，对于以内容为主的网站来说是非常好的助手，除了原创内容外，其它内容需要编辑人员或者采集系统来收集整理，然后添加到自己的网站里。Discuz DvBBS CMS等产品，内部都自带了一个内容采集功能，来采集指定的相关内容。单客户端的火车头采集器也可以非常好的采集指定的内容。这些工具都是想让机器代替人工，把编辑人员从内容搬运的工作中解放出来，做一些更高端的工作，例如采集结果的内容微调，SEO优化，设定精确的采集规则，让采集的内容更加符合自己网站的需要。

下面的内容采集系统就是从这个想法开发而来的，这个采集系统由两个部分组成：
1. 编辑人员所使用的采集规则设定器和对采集结果进行审核、微调和发布所使用的Web站点。
2. 部署在服务器上的定时采集器和定时发送器。

首先由编辑人员通过一个采集规则设定器(NiceCollectoer.exe)设定要采集的站点，再等采集完成后，编辑人员再通过一个Web站点(PickWeb)对采集的结果进行审核、微调和优化然后发布到自己的网站上。编辑人员所需要做的是采集规则的设定，和对采集结果的优化，其它部分的工作都由机器完成。

NicePicker 是Html 分析器，用来抽取Url，NiceCollector 和HostCollector 都使用NicePicker来分析Html， NiceCollectoer 就是采集规则设定器，一个目标网站只用设定一次:

使用起来和最早的火车头采集器类似，这里使用博客园来做目标采集站点，设定采集精华区的文章，采集规则非常简单：当编辑人员设定好采集规则后，这些规则会保存到NiceCollector.exe同目录下的 Setting.mdb中。一般当采集规则设定好以后，基本上不用再变动了，只在目标网站的Html Dom结构发生变化时，需要再次微调一下采集规则。NiceCollector同时用于新目标采集站点的设定和添加操作。
等编辑人员完成采集规则的设定后，把Setting.mdb放到 HostCollector.exe下， HostCollector 会根据Setting.mdb的设定进行真正的采集，并把采集的结果存入数据库。

到这一步就完成了内容的采集工作，编辑人员可以打开PickWeb，对采集结果进行微调和优化，然后审核通过并发送到自己的网站上：

真正发送采集结果到自己网站的工作不是由PickWeb完成的，编辑人员完成内容审核后，PostToForum.exe 会读取数据库并发送这条通过审核的采集结果到自己的网站上，在自己的网站上当然需要一个. ashx或者某种其它方式来接收采集的结果，不建议PostToFormu.exe直接去操作自己网站的数据库，最好通过自己网站上的某个API，来接收采集结果。

NiceCollectoer, HostCollector, PickWeb, PostToForum, 这几个程序联合工作，基本上已经完成了采集和发送的工作，HostCollector, PickWeb, PostToForum 是部署在服务器上的，HostCollector需要被周期性的调用，来采集目标网站所产生的新内容，HostRunnerService.exe 是一个Windows Service，用来周期性调用HostCollector，使用管理员身份在控制台下运行 installutil / i HostRunnerService.exe 就可以安装这个Windows Service了：

HostRunnerService 的配置也很简单:

在RunTime.txt 中设定每天定时采集几次：

当新内容被采集后，编辑人员需要定期的登录PickWeb，来优化、微调、并审核新内容，也可以设定默认审核通过。同样PostToForum 也需要被周期性的调用，用来发送审核通过的新内容，CallSenderService.exe 与 HostRunnerService.exe类似，也是一个Windows Service,用来定期的调用PostToFormu.exe。

到这里整个系统基本上完成了，除此之外还有两个小东东: SelfChecker.exe 和HealthChecker.exe。 SelfCheck.exe 是用来检查Setting.mdb中设定的规则是否是一个有效的规则，例如检查采集规则是否设定了内容采集项。HealthChecker.exe用来收集HostCollector.exe 和 PostToForum.exe 所产生的log，然后将log发送给指定的系统维护人员。

这个内容采集系统还有很多地方需要改进和优化，现在的状态只能说是个Prototype吧，例如 NicePick 需要进一步抽象和重构，给出更多的Interface，把分析Html的各个环节插件化，在各个分析步骤上，可以让用户加载自己的分析器。在NiceCollector上，需要更多更全面的采集规则设定。在PickWeb上可以加入一些默认的SEO优化规则，如批量SEO优化Title的内容，等其它方面吧。