一、服务器环境基础检查

在开始配置采集规则之前，必须确保服务器环境支持PHPCMS的采集功能。PHPCMS的采集模块依赖于PHP的 allow_url_fopen 选项或者 cURL 扩展。如果服务器配置不当，采集时会出现“无法连接目标服务器”的报错。

请打开你的 php.ini 配置文件，找到以下项并确认配置：

allow_url_fopen = On

如果服务器禁用了 file_get_contents 对外URL的访问，PHPCMS会尝试使用cURL，请确保php_curl扩展已加载。保存配置后重启Web服务（Apache或Nginx）。

二、创建采集节点与基础配置

登录PHPCMS V9后台，点击顶部导航栏的 “扩展” -> “采集管理” -> “添加采集节点”。这里是配置所有采集规则的起点。

在“添加采集节点”页面，我们需要填写以下基础信息：

• 节点名称：用于后台识别，例如“科技新闻源”。
• 网站编码：这是最容易出错的地方。请按F12查看目标网页源码，在 标签内查找 charset="utf-8" 或 charset="gbk"。如果目标站是UTF-8，这里必须选UTF-8，否则采集下来的中文全是乱码。
• 网页类型：通常选择 “静态页面”或“动态页面”。如果是伪静态URL，选择静态页面即可。

配置完成后点击 “下一步”，进入最核心的规则配置环节。

三、配置列表页采集规则

列表页规则的目的是让PHPCMS找到文章列表所在的区域，并提取出每篇文章的链接地址和标题。

1. 配置列表页URL规则

在“获取列表URL规则”配置项中，我们需要定义列表页的地址结构。

• 起始页：输入列表页的第一页地址，例如 http://target.com/list/1.html。
• 分页规则：观察目标网站分页URL的变化规律。

  如果URL是 list_1.html, list_2.html，则规则写为：

  list_().html
  

  如果是 list?page=1, list?page=2，则规则写为：

  list?page=()
  

• 页码范围：设置采集的页数，例如从 1 到 10。

2. 配置文章链接获取规则

这是最关键的一步。我们需要使用正则表达式匹配列表页中的HTML代码，提取出文章的URL和标题。

点击目标列表页，右键“查看源代码”，找到包含文章链接的HTML代码块。例如：

这是文章标题
这是另一个标题

在“配置内容规则”区域的 “链接规则” 输入框中，输入如下正则：

(.)

注意：PHPCMS使用正则表达式的捕获组。第一个 (.) 对应“文章网址”，第二个 (.) 对应“文章标题”。如果你的目标网站HTML结构不同，请务必根据实际源代码修改标签属性，确保能唯一匹配到文章链接。

四、配置内容页采集规则

点击 “下一步”，进入内容页规则配置。这里定义如何从具体的文章详情页中提取标题、作者、正文等内容。

1. 标题规则

在“标题规则”输入框中，填写匹配文章页

或者匹配页面中的H1标签：

(.)

2. 内容规则

这是采集成功与否的核心。在浏览器中打开一篇目标文章，查看源代码，找到包含正文的最外层 div。

假设正文HTML结构如下：

第一段内容...
第二段内容...

在“内容规则”输入框中，输入：

(.)

重要细节：如果正文和页脚版权信息在同一个父级div下，且没有明显的结束标签，可以使用更精确的正则截取，或者在“过滤规则”中去除不需要的内容。

3. 过滤规则

目标网站通常包含广告、脚本或无关的HTML标签。在“过滤规则”配置项中，可以使用字符串替换功能。

例如，需要去除正文中的

PHPCMS会自动将匹配到的这些内容替换为空字符串。

五、测试与执行采集

规则配置完毕后，不要直接批量运行，先进行测试。

在节点列表页，找到刚创建的节点，点击右侧的 “测试采集” 链接。系统会尝试采集第一页的第一篇文章内容。

仔细检查弹出的测试窗口：

1. 检查标题：是否正确提取，没有包含多余字符。
2. 检查正文：图片是否显示，排版是否错乱，是否存在乱码。

如果测试失败，请检查正则表达式是否写错，或者目标网站是否设置了防采集IP限制。测试通过后，点击 “开始采集” 即可运行。此时，数据会被存入PHPCMS的采集附表（v9_collection_news）中，尚未进入发布系统。

六、批量导入至内容栏目

采集完成并不意味着文章已经在网站上显示，还需要将数据从“采集表”导入到“内容表”。

1. 进入导入界面：点击后台菜单 “内容” -> “内容发布管理” -> “导入数据”。
2. 选择节点与栏目：
   • 采集节点：选择刚才配置的节点名称。
   • 目标栏目：选择数据最终要发布的PHPCMS栏目ID（例如“新闻中心”下的“国内新闻”）。
   • 审核状态：选择 “已审核”，这样导入后文章立即可见。
3. 执行导入：点击 “提交” 按钮。系统会遍历采集表中的数据，将其写入 v9_news 主表和 v9_news_data 附表，并自动处理缩略图下载和附件本地化。

七、常见问题与修复方案

在实操过程中，可能会遇到以下两个典型问题，请参照方案修复：

1. 采集内容为空

如果采集成功但内容为空，通常是因为目标网站使用了JavaScript动态加载数据。PHPCMS的采集器不支持JS渲染。解决方法是查看目标站是否有API接口或移动端页面（M站），通常M站是静态HTML，更容易采集。

2. 图片无法本地化

如果导入后文章图片显示裂图，检查 php.ini 中的 upload_max_filesize 和 post_max_size 设置是否过小。确保目标网站的图片协议（http/https）与你的网站一致，或者开启PHPCMS的“图片远程下载”功能。在采集节点配置中，勾选 “下载图片” 和 “水印处理” 选项。