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

正在浏览标签为 V2.1 的文章

更新日志:

时间:2010-07-07

内容:
1.修正了一个在采集时间超长以后,数据库服务器出现“MySQL server has gone away”的问题。
2.修正了一个如果采集出错程序将不能正确返回的问题。
3.修正了一个,如果图片没有正确下载到,生成预览图时函数出错不能正常返回的问题。
4.增加了一个功能,将采集到的图片自动去掉原图片上附加的样式和TITLE等附加信息。
5.修正了一个,如果文章不属于同一个模型,生成HTML时可能会出错的问题。
6.修改了采集程序流程,以前如果没有文章入库是不会尝试生成HTML的;现在不管有没有文章入库,都会尝试将未生成过的文章生成HTML。

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

升级操作:
插件版本为DedePlus_AutoCollect_V2.1_20100629.rar的用户,
请注意查收邮件,将附件中的DedePlus_AutoCollect_V2.1_20100707update.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:2010-06-29

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..