DEDE全自动采集插件

DedeCms织梦内容管理系统自动采集、伪原创、发布、更新一体化插件

正在浏览发布于 2010六月 的文章

如果文章正文中包含图片,DEDE将默认生成一个标准尺寸的预览图片。该标准尺寸,是在 系统设置->系统基本参数->附件设置 里面设置:缩略图默认宽度(cfg_ddimg_width)和缩略图默认高度(cfg_ddimg_height),这两个参数进行设置的。

在模板调用时,如果刚刚好需要显示这个尺寸的预览图,那么图片看起来就比较舒服,否则就是变形的。
杯具的是:绝大多数时候,模板要求的图片尺寸,都恰恰不是DEDE标准预览图尺寸。

本插件自诩为DEDE自动采集、伪原创、更新一体化插件,当然对这个预览图也是有处理方案的。
废话不多说,上图大家自己看:

这个功能要如何使用呢?
你只需要在DEDE模板显示预览图的代码段,比如像这样一段:
<img src='[field:litpic/]’ width=’143px’ height=’106px’/>

将它修改成:
<img src=”[field:litpic function=getLitPath(@me,143,106)/]” />

这里143是宽度,106是高度。如果宽度和高度一样都是143,这段代码还可以简写为:
<img src=”[field:litpic function=getLitPath(@me,143)/]” />

然后就可以手工生成看一下效果,使用起来就是这么简单。
这种既简单又方便的功能,只有 本自动采集插件第二版 才支持。

 

2011-12-05更新,感谢 【至诚】网友的反馈
—————————————————————–
【小技巧】生成多种缩略图的情况下,系统默认缩略图尺寸最好比自定义尺寸要大!例如:默认310X250 自定义可以是180X130 只要比默认的尺寸小即可。

阅读全文..

更新日志:

时间:2010-06-29

内容:
1.修正了一个在采集不到网页内容时,程序出错不能正常返回的问题。
2.修正了一个如果文章内容不包含中文,造成中文分词失败,程序出错不能继续的问题。
3.新增加了两个采集选项:$coIntervalTime$coTimeRange,详细说明如下:

$coIntervalTime=60; //采集进程间隔时间,在上次采集进程以后,至少间隔多少秒才能再次启动采集进程,建议为60秒,默认为0不限制

$coTimeRange=array(); //采集时间范围,在这个时间段内才会正常采集,所谓的定时采集
//格式为 开始时间-结束时间,可以同时写多条,表示在多个时间范围内都可以开始采集
$coTimeRange[]=’00:00:00-03:00:00′; //0点到3点可以采集
$coTimeRange[]=’04:00:00-06:00:00′; //4点到6点也可以采集

如果需要开启这两个选项,就把以上橙黄色内容的代码段拷贝到/plus/autocollect.php文件里面,放到$coNodes = array();代码段上面,并根据需要自己修改那两个选项的内容。

涉及的文件:
/plus/autocollect/cls_FoxSpider.php
/plus/autocollect/cls_FoxHttpDown.php

升级操作:
插件版本为DedePlus_AutoCollect_V2.1_20100625.rar的用户,
请注意查收邮件,将附件中的DedePlus_AutoCollect_V2.1_20100629update.rar解压,
将适合你的更新文件直接覆盖到对应目录下,就可以完成升级。

阅读全文..

更新日志:

时间:2010-06-25

内容:
1.修正了一个在生成预览图时,没有判断预览图高度宽度是否为0,造成被0除的问题。
2.修正了一个采集图片出错时,程序出错不能正常返回的问题。
3.修改了“是否下载远程资源”这个选项的配置方式,以前是由DEDECMS和本插件配置文件共同控制,稍显累赘。现在只由本插件配置文件控制。
从此以后DEDE采集选项里面的“下载字段里的多媒体资源”将不起作用。
4.修正了一个如果文章栏目只有一级栏目,将不能正确生成栏目列表页的错误。
5.将“自动摘要长度”由固定的200字,改由DEDE系统变量控制。

涉及的文件:
/plus/autocollect/cls_FoxSpider.php
/plus/autocollect/cls_FoxCollection.php
/plus/autocollect/cls_FoxHttpDown.php
/plus/autocollect/fun_image.php
/plus/autocollect/cls_FoxSplitWord.php

升级操作:
插件版本为DedePlus_AutoCollect_V2.1_20100623.rar的用户,
请注意查收邮件,将附件中的DedePlus_AutoCollect_V2.1_20100625update.rar解压,
将适合你的更新文件直接覆盖到对应目录下,就可以完成升级。

阅读全文..

更新日志:

时间:2010-06-23

内容:
1.修正了一个使用打乱句子排列顺序伪原创方式时,如果采集到的正文有单引号等字符,会造成插入数据库失败的问题。
2.修正了一个伪原创时不能进行关键字替换的问题。
3.增加了一个每天最多可以入库多少文章的选项,默认为0不限制,建议200。如开启此选项,入库到达上限以后网页还是照样采集,但要等到第二天才入库。
4.增加了设置入库文章的最少间隔时间,单位秒,默认为0不限制,建议600秒。如开启此选项,每次入库以后必须等待一定的时间才能再次入库。这个选项用来限制采集文章入库的速度。

以上两个选项都在/plus/autocollect.php文件里面进行设置。如果不想使用默认值,就在该文件里面找到(如果没找到,就在$coNodes = array();这一行上面添加)以下两句:
$maxAddArchives=0; //每天最多可以入库多少文章,为0不限制,建议200
$addArchivesTime=0; //入库文章的最少间隔时间,单位秒,为0不限制,建议600

涉及的文件:
/plus/autocollect/cls_FoxSpider.php
/plus/autocollect/cls_FoxCollection.php
/plus/autocollect/adcount.bin
/plus/autocollect/replacewords.bin

升级操作:
插件版本为DedePlus_AutoCollect_V2.1_20100622.rar的用户,
请注意查收邮件,将附件中的DedePlus_AutoCollect_V2.1_20100623update.rar解压,
将适合你的更新文件直接覆盖到对应目录下,就可以完成升级。

阅读全文..

更新日志:

时间:2010-06-22

内容:
1.增加了一个捕捉运行时错误的功能,如果采集出错将会在日志上显示详细的错误定位信息,方便调试程序。
2.在错误捕捉功能的帮助下,发现一些小问题,已经全部修正。
3.应网友要求,增加了一个采集入库时,是否对对标题进行同义词替换的选项。
以前对文章进行同义词替换,会同时替换文章标题和文章正文。
现在这两个替换可以分开设置。具体用法为在配置文件中进行修改:
$coNodes[76]=array(24,0,1,0);
/*
//array(24[栏目ID]
,2[采集该媒体到本地,1不采集使用原始媒体链接,0不采集去掉媒体]
,1[检查百度收录,0不检查]
,0[不使用伪原创,1正文关键字替换伪原创,2打乱句子排列顺序(会强制去掉图片等),4标题关键字替换伪原创
可以组合使用比如同时想要关键字替换和打乱句子那么这里就是1+2=3])
*/

涉及的文件:
/plus/autocollect/cls_FoxSpider.php
/plus/autocollect/cls_FoxCollection.php
/plus/autocollect/cls_FoxHttpDown.php
/plus/autocollect/cls_FoxSplitWord.php
/plus/autocollect/cls_FoxSql.php
/plus/autocollect/fun_image.php

升级操作:
插件版本为DedePlus_AutoCollect_V2.1_20100620.rar的用户,
请注意查收邮件,将附件中的DedePlus_AutoCollect_V2.1_20100622update.rar解压,
将适合你的更新文件直接覆盖到对应目录下,就可以完成升级。

阅读全文..

更新日志:

2010-06-20

1.修正了一个单进程多线程采集图片时,文件保存路径错误导致图片不能正常保存的问题。
2.增加了采集时检查采集到的文章百度是否已经收录的选项,如果已经收录那么不入库。默认选项为不检查百度收录直接入库。
3.增加了采集时不采集并去掉文章中的图片的选项,默认为采集图片。
4.应网友要求,增加了入库时打乱句子排列顺序的伪原创选项。打开这个选项会自动去掉文章中的图片。默认为不打开此选项。

以上三个选项的用法是,在配置文件里面进行配置:
配置文件原来的写法:
$coNodes[76]=24;
现在依然可以这么写,但那些采集选项将自动设置为默认的。如果想改变采集选项,那么应该这么写:
$coNodes[76]=array(24,0,1,0);

这个数组有4个元素,一个是栏目ID,这里是24
,第二个元素是媒体采集选项,0[(默认)2采集该媒体到本地,1不采集使用原始媒体链接,0不采集去掉媒体]
,第三个元素1[1检查百度收录,(默认)0不检查]
,第四个元素0[0不使用伪原创,(默认)1关键字替换伪原创,2打乱句子排列顺序(会强制去掉图片等),
可以组合使用比如同时想要关键字替换和打乱句子那么这里就是1+2=3]

阅读全文..

更新日志:

2010-06-16

1.将版本号正式升级为V2.1
因对采集代码进行了大幅调整,将原来的同一进程时间内只采集一个网页(单进程单线程),修改成同一进程时间内可采集多个网页(单进程多线程)。
经过不完全测试,采集速度至少提高30%。
如某个包含7个采集列表页面的采集节点,单进程单线程采集完7个页面时间为:7655毫秒,单进程多线程采集完7个页面时间为:5030毫秒
2.将中文分词代码进行了简化,去掉了反向分词部分的代码。
因分词这里占用时间不少,去掉反向分词可以减少词库容量,加速程序执行速度。

阅读全文..

更新日志:

2010-06-13

1.调整了采集流程,现在每次程序运行最多只处理一个临时文档,缩短了程序执行时间。
2.将采集线程锁的默认锁定时间调整为180秒,因以前已经调整过相关代码段,现在不会再出现两篇相同标题的文章。
3.修正了一个处理预览图片时,如果输入图片格式不正确将导致程序出错线程锁定的错误。
4.增加了解压缩gzip编码的功能,支持采集经过gzip编码的网页。
5.给采集程序增加了一个调试选项,具体用法是:
http://www.xxx.com/plus/autocollect.php?act=show

在调试状态下,将会显示一些具体的执行步骤信息,并且日志将不记录本次操作。
6.应网友要求,增加了采集某一特定节点的采集选项,具体用法是:
http://www.xxx.com/plus/autocollect.php?nid=54
nid后面对应的是采集节点ID,打开这个选项将只采集该节点,以及只处理该节点采集到的文档。
这个选项也可以和上面的act=show选项混合使用,具体用法为:
http://www.xxx.com/plus/autocollect.php?act=show&nid=54
这样就是对id为54的采集节点进行调试。

阅读全文..

更新日志:

2010-06-08

1.增加了采集日志记录功能,生成的日志按照日期自动生成文件名,并存放在/plus/autocollect/log 目录。
2.在日志的帮助下发现了一个采集线程锁定的逻辑错误,现已修正。

阅读全文..

更新日志:

2010-06-06

1.修正了一个正则表达式错误,造成不能自动判断网页字符编码的错误。
2.修改了采集节点与栏目ID的对应数组定义,使之更有效率。
3.修正了一个不能正确判断文章标题,可能造成相同标题的文章会采集入库两次的问题。
4.修改了采集流程,将采集节点随机选择改成采集节点轮询,提高了采集效率。
5.采集链接增加了一个选项,用于检查采集节点设置是否正确。
6.修正了一个路径错误导致不能正确生成缩略图的问题。

阅读全文..