这事儿吧，其实没你想的那么难

玩过帝国CMS的老铁都知道，这系统稳得一批，但一提到写采集规则，很多人头都大了。盯着屏幕上那一堆乱码和正则表达式，半天采不下来一条数据，那种感觉确实挺搞心态的。别急，今儿咱就像老朋友聊天一样，把这层窗户纸给你捅破。

说白了，采集规则就是个“筛选漏斗”。你把整个网页倒进去，把水（没用的HTML代码）滤掉，剩下的干货（标题、内容）就留下了。很多人失败，就败在不知道这个漏斗的孔该开多大。

正则表达式：别死磕，要巧取

很多人一上来就想去啃正则教材，千万别，那是教科书干的事儿。咱们实战派，讲究的是“拿来主义”。你有没有发现，90%的网站结构其实都差不多？

写标题规则的时候，千万别贪多。比如你要抓标题，源码里可能是`

这里是标题`。新手容易写成`

[!--title--]`，这看起来没问题，但一旦对方网站改了个class名，或者加了个空格，你的规则立马废了。

老手怎么干？咱们用模糊匹配。直接写`[!--title--]`，或者更狠点，只要包含``和``中间的内容全都要。虽然可能采到一点杂质，但后面可以用过滤规则解决。这就好比钓鱼，网眼大点虽然会捞到水草，但至少鱼跑不了，回来挑鱼总比空手强吧？

分页采集：这才是真正的深坑

列表页搞定了，以为万事大吉？太天真了。帝国CMS采集最让人抓狂的，往往是内容页的分页。有的文章分页是`_1.html`、`_2.html`，有的是`?page=1`，还有的干脆是动态加载。

这地方有个必须注意的细节：一定要勾选“下载分页”。如果你不勾选，系统只给你抓第一页，那文章读了一半就没了，读者体验差到爆。

遇到那种AJAX加载的分页怎么办？别硬刚。这时候别去研究什么JS逆向，累死你。直接看网页源码，很多时候数据其实藏在源码的某个变量里，或者是JSON格式。你直接用正则把那块JSON代码扣出来，用JSON工具格式化一看，字段清清楚楚，比扒HTML容易多了。

图片处理：防盗链就是纸老虎

辛辛苦苦采来的内容，打开一看全是“裂图”，那个心情简直想砸键盘。这就是防盗链在搞鬼。对方服务器检测到来源不是他们自己，就拒绝显示。

解决这招其实很简单，帝国CMS后台有个设置，叫“保存图片”。你勾选它，不仅把图片存到你的服务器，还能顺便加水印。这就好比把邻居家的花盆直接搬回自己家阳台，他想管也管不着了。

但这里有个坑，一定要检查服务器目录权限。我见过太多兄弟，规则写得完美，结果因为`d/file`目录没写入权限，图片全部挂掉，白白浪费了半天时间。

过滤规则：不仅要采，更要洗

采集回来的内容，经常带着一堆乱七八糟的广告、脚本、多余的div标签。这就好比你买回来的菜带着泥，不洗没法吃。

在“内容过滤规则”里，把这些都填上：