海洋 CMS 采集规则编写：XML 结构解析与字段提取实战案例

1. XML 规则文件结构详解​

海洋 CMS 采集规则包含 7 大核心节点，典型结构如下：​

TypeScript取消自动换行复制

<rule> ​

<info>规则基本信息</info> ​

<list>列表页解析</list> ​

<detail>详情页解析</detail> ​

<field>字段映射</field> ​

<config>采集配置</config> ​

<header>请求头设置</header> ​

<proxy>代理IP配置</proxy> ​

</rule> ​​

模板汇code.jishujc.com 提供《海洋 CMS 规则 XML Schema 文档》，包含各节点的属性说明和示例，适合新手快速上手。​

​

2. 字段提取实战：以 IMDb 为例​

第一步：解析列表页（Top250 电影）​

列表页 XML 规则：​

​

TypeScript取消自动换行复制

<list> ​

<url>https://api.imdb.com/top250?page={page}</url> ​

<parse type=”json”> ​

<item>$.items</item> ​

<detail_url><![CDATA[https://www.imdb.com]]>{id}</detail_url> ​

<title><![CDATA[{$title}]]></title> ​

</parse> ​

</list> ​​

第二步：解析详情页（获取导演和演员）​

详情页规则使用 XPath 解析：​

​

TypeScript取消自动换行复制

<detail> ​

<parse type=”xpath”> ​

<director>//div[@class=”credit_summary_item”]/a[1]/text()</director> ​

<actor>//div[@class=”credit_summary_item”]/a[position()>1]/text()</actor> ​

</parse> ​

</detail> ​​

第三步：字段映射与清洗​

将 IMDb 字段映射到海洋 CMS 标准字段：​

• imdb_rating → score（保留 1 位小数）​

• runtime → duration（转换为分钟单位）​

• 去除标题中的特殊符号（如「(2023)」）：​

​

TypeScript取消自动换行复制

$title = preg_replace(‘/\(\d{4}\)/’, ”, $title); ​​

3. 高级技巧：条件解析与循环采集​

• 条件解析：仅采集评分≥7.5 的影片：​

​

TypeScript取消自动换行复制

<where>score >= 7.5</where> ​​

• 循环采集：自动识别总页数，循环采集所有列表页：​

​

TypeScript取消自动换行复制

$total_page = get_total_page($first_url); ​

for ($page=1; $page<=$total_page; $page++) { ​

collect_page($page); ​

} ​​

完整 IMDb 采集规则可在模板汇code.jishujc.com下载，包含 XML 文件、字段映射表及异常处理代码，支持海洋 CMS V12 + 版本无缝接入。