淘博客在站长群里混的时候，一个站长无意透露他的分类目录站，就用来让大家提交自己网址，增加外链，供搜索引擎抓取，促进收录那种。因为排名不错，每天不多，但有进项。这下彻底使博主眼红，加上自己会点火车头，说干就干，打算也搞一个分类目录站，万一做成一个搞包烟钱（结果搞了好几个，汗一个）。
书归正传，群里买到cms，对付能用，基本没有bug，搭建起来，内容伪原创，但是遇到新问题：
利用火车头采集发布，处理内容主要包括标题、内容、关键词、来源、栏目id等，其它都好说，但栏目id这个问题令人头痛。采集内容若直接对应自己网站的栏目，就可以实现边采边发布，完全不加干涉，不论数据质量如何，但是省事。节省的时间可以干很多更重要的事情，比如上搜米域名网抢注域名卖终端赚大钱。
多数情况下，目标网站的分类id与自己的网站分类id不一一对应，毕竟对方不可能按自己的意思建站吧？那就需要解决分类id这个问题。
比较原始的办法是：不管栏目id对不对，先发布到网站作为等审核状态，再进后台管理手动修改分类id正式发表（如果栏目id不对的情况下也能发布的话）。但这样很尴尬，很无语，很痛苦，不赚钱，费时间，怎么办？有没有采集时直接对应自己网站栏目id写入，直接发布的一劳永逸的解决办法？三种解决办法：
第一种解决办法：一对一采集发布，选准目标站一个栏目的内容全部采集，内容处理好直接发布自己网站的一个栏目，但这种方法太low，况且采集内容不一定完全适合自己的栏目，效果不算上佳。
第二解决办法：随机抽取设定栏目id发布，适合栏目少的网站。好处是可以发到多个栏目，坏处是不够智能，发布内容不受控制，域名的内容你发到建站栏目，建站的内容可能发到域名栏目，主题不够集中，基本成为垃圾站。如下图：
第三种解决办法：根据自己网站栏目智能处理，比如：采集内容若含“房产”就处理为自己“房产”栏目id，若含“招聘”就处理为自己“招聘”栏目id，相近词也可以这样处理，进一步增加精准度，发布栏目时基本做到归类精准。
以下是淘博客原创技术教程，不怎么高深，但思路清晰，亲测可用，供各位看官参考吧。
思路：结合自己网站栏目分类情况，根据采集目标站<title>标题</title>，<meta name="keywords" content="关键词">，<meta name="description" content="描述" /> 三大标签，甚至是<body>正文</body>等内容进行分析，将含有指定关键词内容按自己网站的分类id进行处理采集入库，达到全自动采集、全自动发布的效果。
采集处理内容需要一定的正则知识，否则会用但看不懂，博主尽量加上注释。
步骤1.打开火车头采集任务→内容采集规则，双击“分类”开始编辑
步骤2.“数据获取方式”：从源码中获取数据；“提取方式”：正则提取；匹配内容：<title>(?<content>[\s\S]*?)</title>，注释：从网页源码的头部标题标签内采集内容供处理，当然你也可以扩大范围，获取更多标签内容供处理。
步骤3.根据提取的源网页数据，按照含有的关键词，将该块内容替换为与自己网站的栏目id，采集写入数据库。
这一步最重要，如果想扩大提取内容范围，把标题、关键词、描述作为内容块，从中找到匹配自己栏目的关键词，然后替换成自己栏目id，需要注意必须整块替换。比如，自己网站关于域名的栏目id是12，提取的内容块只要含“域名”两个字，那就将整块内容替换为id：208。关于博客的栏目id是13，提取的内容块只要含“博客”两个字，那就将整块内容替换为id：209。
示例1：
匹配内容：搜米网(www.SouMi.CN)集成国际国内权威域名注册局接口，实体运营、专业运维，是域名注册查询、过期域名抢注、域名拍卖交易的综合域名服务平台,投资域名、注册域名请认准好搜米网!（含域名二字）
正则表达式：^[\s\S]*?(域名)[\s\S]*?$
替换表达式：208
示例2：
匹配内容：淘博客 - 关注互联网行业分享实践经验和实用知识的IT科技博客（含博客二字）
正则表达式：^[\s\S]*?(博客)[\s\S]*?$
替换表达式：209
如图：
如此一路替换下来，只要内容块匹配设定的关键词，就会替换成对应的栏目id。但不算完，提取到的数据内容块，你的设定的关键词并不能完全穷尽匹配，那就不能自动替换，数据处理的结果仍会是一段文字。
比如“分类目录站www.muluzhan.com是一个免费提交网站目录的分类检索网站,全程人工编辑和审核，致力收录国内外各行业优秀的网站网址,让网站在各大搜索引擎收录快，排名靠前”，里面既没有“域名”二字，也没有“博客”二字，就不能应对的替换为栏目id208或209，处理的结果还是“分类目录站是一个免费提交网站目录的分类检索网站,全程人工编辑和审核，致力收录国内外各行业优秀的网站网址,让网站在各大搜索引擎收录快，排名靠前”这一段话，而你的栏目id是数字，文字和数字类型不一致，栏目id不对就不能写入你的网站，会浪费已经提取而不能正确发布的大量数据。这个时候就需要继续用更宽泛的正则表达式继续替换，直至所有替换过后的内容都是你网站存在的栏目id。但采集的内容千奇百怪，包罗成象，你怎么可能一一提前预设好呢？进数据库操作，那不是走回头路么？
好在经过摸索，博主找到了正确方法，那就是把除了设定的含“域名”或“博客”二字的内容块替换为208或209外，不含上述两个关键词一律替换为指定的栏目id210，这样就不存在浪费数据的问题了。这种方法特别选用于栏目多的情况，假如有几十个栏目的话，效率明显体现出来了。
还是不得要领，那就下载现成的规则，导入火车头，进入“内容采集规则”直接修改吧。注意最后两步替换规则，凡是替换后栏目id不是208、209的，一律替换为栏目Id210的写法。
码字不易，感谢支持，下载修改即用，地址付费可见：
正在加载二维码...
转载请注明出处：淘博客，如有疑问，请联系（6677869）。
本文地址：https://www.taoboke.com/jishujiaocheng/28.html
