wewe's blog

我说的火车指的是火车采集器,之前用它做了本杭州公交线路词典，很傻瓜很方便。

今天在豆瓣上找书看，有的书没有txt或者电子版，新浪读书频道上面到是有，一页一页复制忒人肉了点了吧。

这时候神奇的火车采集器登场了，真是又傻瓜又愉快，一分钟样子TXT文本就可以出来了，自己稍微排版下就可以了。

如果有兴趣，可以看看我弄的：

首先安装，当然先下载火车采集器（点我去下载）

安装好了去新浪读书频道，找想看的书的页面吧，就是那种有所有章节的页面，我要看的书是《集装箱改变世界》

页面是:

http://book.sina.com.cn/nzt/live/fin/jizhxgbsj/index.shtml

接着打开火车采集器。基本上是这样的，你可以新建一个站点(为了看起来清爽点)，名称之类随便填，因为我们保存在本地，用不到在线发布的功能.

采集网址了

接着在你点新建的站点，在下面新建任务，随便填一个任务名。接着在“采集网址规则”——开始采集网址——向导添加——填进去刚才找到的书的主页网址，我的是http://book.sina.com.cn/nzt/live/fin/jizhxgbsj/index.shtml，按添加。

因为页面上面有很多不相关的链接，所以要把他们都去掉，看了看具体章节的页面的网址都是

http://book.sina.com.cn/nzt/live/fin/jizhxgbsj/30.shtml

这样的形式，前面的网址都一样，就是在最后结尾是以 “数字.shtml"的形式结尾的，所以还需要在”文章内容的页面地址必须包含“这里添加

http://book.sina.com.cn/nzt/live/fin/jizhxgbsj/(*).shtml

(*)好像是通配符，代替变化的数字，直接用"http://book.sina.com.cn/nzt/live/fin/jizhxgbsj/"可能也可以（不确定）

接着可以”开始测试网址采集“，可以看到很多网址都被抓出来了。确定没问题了，进下一个标签页。

采集内容规则

左边有很多标签，都是在线发布到网站上用的，我只保存的本地文件。作者，时间，出处的标签都删掉它。

右边有采集页面测试的区域，把具体书的一张节的页面的网址填进去，“http://book.sina.com.cn/nzt/live/fin/jizhxgbsj/30.shtml” 测试，就把网页的html全部抓过来了。

先搞标题

【标题】： 码头上的拥堵(9)_读书频道_新浪网

"_读书频道_新浪网"这几个字看着碍眼，可以双击左边的"标题"的标签进去设置。
在"内容排除"里面添加"_读书频道_新浪网" 就可以把这几个字去掉了。

然后搞内容
看旁边的html，找到正文的地方。

　　残酷的工作条件、经济上的不确定性以及码头工人生活的闭塞.......
在新建的生活设施大楼里配备了单人的储物柜和淋浴间，而私人雇主一向认为这些设施不该由他们提供。17

基本上是这样的形式，那我们就可以到"内容"的标签里面设置了，
开始字符串：

结束字符串：

设置好了，测试一下，看一下。还有一个DIV的代码在里面，那就在html标签里面把DIV勾上，这样抓出来的内容就没有闲杂代码了。

发布内容了

第三个标签“发布内容设置”
勾选方式二 “保存为本地文件” 选择txt，选择保存文件夹。

最后"文件保存及运行设置"
成功定义发不到哪定义为发布成功—— "二.保存为本地文件"

保存——OK 右键点击任务”开始任务采集“ go 喝水去吧

排下版

导出的文件都是一节一个段落，可以用word打开，把不要的词都替换掉(比如缩略图，内容之类的)

之前段落中还有

的标签，所以换行的地方都有很多空格，可以复制出来用word替换成段落符号，然后段落前缩进调整一下再保存就OK了。吼吼，看看我弄的
《集装箱改变世界》.txt
最后发现一个问题，新浪上面的书有的不是足本，这可惜了。不过这招也可以用在腾讯读书频道，搜狐腾讯频道等一切以文本为基础的看书网站。