PHPCMS 、帝国及织梦对比分析(十一)之采集功能

提到采集，有些站长抛出鄙夷的眼神，而似乎大部分站长都会觉得是CMS的标配。在落叶看来采集只是一个功能，一个工具，关键看是采什么，采来后做什么，怎么处理采来的内容。大家都知道火车头，一般基本用来采文章，但落叶经常用来采集邮箱，CMS间导数据，基至都用来采过QQ号。火车头的整套流程即使对采集规则了解不多，也很方便来采文章，那么相较之于这种客户端软件，主流CMS中的采集模块，有哪些优缺点呢？

本文中落叶对PHPCMS、帝国CMS及DEDECMS的采集功能作些对比，同时也对采集流程细节作些需求分析。

我们知道，通常的采集流程都是通过列表页分页批量获取内容页网址，然后对内容页分析，获取内容标题、文章内容等信息，因为各目标站的结构不同，采集规则会不同，CMS不可能也不会提供通用的采集规则，那么要考量一款CMS采集模块是否好用基本是由整个采集任务设置流程的易用性、采集的稳定性与效率、采集完入库方便性等方面决定。

1.采集设置流程：

整体体验：

PHPCMS的任务添加流程中直接在TAB菜单的形式列出来网址采集、内容规则设置、高级设置三步骤，每一步中的结构都和火车头比较像，对火车头采集的比较熟悉用户会觉得PHPCMS的采集设置比较明了。DEDE中流程类似，只是没有直接将几步列出，后一步的设置的前提是前一步设置正确。帝国CMS中则是希望用户一口吃饱，从上至下把需要的信息全部列出来。

其实整体都基本三步，没有太明显的区别是，只是三者表现方式的不同给用户的心理感受是不同的。PHPCMS简洁明了，让用户觉得采集很简单，三下两下就设置好了，新手愿意去尝试。帝国CMS中用户一进入采集设置界面顿感压力，页面一直下拖，这么多设置项，首先想到的是“算了，换别的采集”，“这么多填到什么时候，填完了能不能提交还是一回事”，而DEDECMS中把采集过程和设置流程整合起来，优点时可以保证每一步都设置正确，但对采集比较熟悉的用户而言，效率偏低，每次都得POST提交一次测试一次。

网址采集：

PHPCMS网址采集通过列表页分页通配符实现列表页网址批量添加，然后设置所需采集的网址区域，很多时候，对不熟悉HTML采集规则查找技巧的朋友可以通过直接设置“网址中必须包含”和“网址中不得包含”这两项来实现内容页网址的采集。DEDECMS也用*作分页通配符，不过DEDE中的优点在于可以启用多栏目通配规则，针对不同的栏目页批量设置采集规则，这样可以方便对有相同URL规则的多个栏目同时采集。帝国中则也只是一般的以[page]为通配符的多分页获取，相对表现平平。

PHPCMS中提供通过填写COOKIES信息对需要登陆的网站的采集，不过只对深度用户有用，一般用不着，DEDECMS中则提供了防盗链模式的设置，通过填入目标站内容页地址，采集时伪造来源来达到破解简单防盗链采集的目的，这点还是挺不错的。帝国CMS对相对路径的处理提供了填写“内容页地址前辍”的字段，但其实本应该做到URL自动扩充补全的。

内容规则的设置：

内容页规则的设置一般是针对每个字段提供设置匹配规则，同时进行一些格式过滤和信息替换。对比三款CMS，PHPCMS中的字段设置更人性化些，很清晰的实现了匹配信息的提取、信息替换、格式过滤的功能，而DEDECMS和帝国CMS中都直接一个textarea给出，让用户填写正则内容，体验上稍差些。DEDECMS中也以弹出窗口的方式给出了常用格式的过滤的勾选框，直接勾选可以生成过滤规则，表现方式不够明显，不适合新手使用，帝国则似乎完全是针对正则高手的，而实际用帝国的新手用户居多，我很为帝国担心，“有人用他的采集功能么？”

2. 采集稳定性与效率：

采集效率受限于服务器本身及网络环境，各CMS在技术上的差异不大，而稳定性则处决于采集流程及出错处理。这块PHPCMS的优势很明显，支持多线程采集，并以进展条方式展示，在采集中断时可刷新界面断点续采，效率和稳定性个人觉得挺不错。对已采集过的网址记录方式也仿照火车头的方式进行记录，防止重复采集。

DEDE则仍体现在他的细致上，每一步做过很多细节提示，优点的可以清楚知道怎样操作，缺点是太多需要让我思考的地方，帝国CMS似乎对得重复采集未作判断，即使刷新或后退都存在得复采集的情况。

3. 采集完入库：

帝国CMS在采集设置流程中即设置好了所采集的信息所对应入库的栏目，采集过程字段设置也完全与栏目的字段匹配，PHPCMS在采集前设置好了对应的栏目，但各字段并没有绑定，在采集完进行发布时，可以重新选择字段的对应关系，并可对一些字段如关键词、摘要、缩略图、时间等在发布时自动使用函数处理后填充。DEDECMS中在采集时未绑定栏目，发布时选择栏目导入，比较方便，但不支持字段选择。总体，落叶个人还是偏向于PHPCMS的地导入方式。