船说 CMS 小说简介怎么自动抓取

学完这篇，你能让船说CMS 在采集小说时把「简介」字段一起自动抓下来，不用再点进每本书手动复制粘贴。

船说CMS 是 PHP+MySQL 的小说站程序，市面上流传的版本比较多（v2、v3 以及各种二次开发版），后台菜单叫法不完全一样，所以下面每一步我都会同时说明「找什么名字的入口」和「进去改哪个字段」，你按自己后台的实际情况对号入座即可。

第一步：确认采集入口和小说表结构

这一步要搞清楚两件事：简介存在哪个字段、采集规则从哪配，后面所有改动都围绕这两处。

登录后台（一般是 /admin 或 /admin.php），左侧菜单找【采集管理】→【采集规则】。如果你的版本里写的是【小说采集】、【采集节点】或【采集任务】，点进去是同一个功能页。

同时打开 phpMyAdmin，找到船说CMS 的数据库，展开小说主表（常见表名 novel、book、article 之一，以你实际为准），确认简介字段叫什么。常见的是 intro、description、summary 里的某一个，把字段名记下来，第二步要用。

注意：很多版本的 content 是「小说正文/章节内容」而不是简介，别搞混，填错了会把正文塞进简介框。

第二步：在采集规则里做字段映射

这一步要告诉程序「网页上哪块 HTML 是简介，抓下来存进哪个字段」。

进入【采集规则】→ 选中你在用的那条规则 → 点【编辑】→ 切到【字段映射】（有的版本叫【字段设置】【内容规则】）。

找到目标字段一栏填 intro（按第一步查到的真实字段名），然后在「采集方式」里选一种：

• XPath / CSS 选择器（推荐，稳定）：小说站的简介一般在 <div class="intro">、<div id="intro"> 或 <p class="book-intro"> 里，对应写 //div[@class="intro"] 或 //div[@id="intro"]。
• 正则：写 <div[^>]*class="intro"[^>]*>([\s\S]*?)<\/div>，括号里那一段就是要抓的内容，记得勾选「只取第一个匹配」和「去除 HTML 标签」。

第三步：加过滤规则，把脏内容清掉

这一步保证抓下来的是干净的一段话，而不是一堆 <br>、  和「最新章节」字样。

在规则的【内容过滤】/【替换规则】里按顺序加几条：

1. 替换 <[^>]+> 为空（去标签）
2. 替换   为空格，替换 & 为 &
3. 替换 最新章节.* 为空（去广告尾巴）
4. 首尾 trim，超过 500 字就截断

注意：过滤规则是按顺序执行的，去标签必须排在实体替换之前，否则 <div> 这类转义内容会漏网。

第四步：先测单条，再批量跑

先别急着跑全站。在规则编辑页点【采集测试】/【测试采集】，粘一条真实的小说详情页 URL，点执行，看返回结果里 intro 有没有值。

有值就回【采集任务】建任务：填列表页 URL、抓取页数、间隔设 2~5 秒，点【开始采集】。没值基本是选择器写错了——按 F12 看目标页简介那块的真实标签和 class，重新对一遍。

注意：库里已有的小说不会被自动补简介，要么在列表勾选后点【重新采集】/【更新信息】，要么走第五步。

第五步：给已有小说批量补简介

书已经在库里、只是简介为空时，采集规则帮不上忙，直接补。

方法 A：SQL 筛选后按 URL 重采

SELECT id, title, url FROM novel WHERE intro IS NULL OR intro = '';

把结果导出，用采集工具的「按 URL 列表采集」重新跑一遍。

方法 B：写个 PHP 小脚本抓

$html = file_get_contents('https://目标站/book/123.html');
preg_match('/<div[^>]*id="intro"[^>]*>([\s\S]*?)<\/div>/', $html, $m);
$intro = trim(strip_tags($m[1]));
// 再用 PDO 更新到 novel 表的 intro 字段

注意：目标页若是 GBK 编码，file_get_contents 拿到的中文会乱码，需要 mb_convert_encoding($html, 'UTF-8', 'GBK') 转一下。

注意：请求频率别太猛，同一 IP 短时间内大量抓取很容易被封；简介入库前记得再 htmlspecialchars 转义一次，防止前台 XSS。

小结

• 简介自动抓取 = 采集规则里的字段映射 + 内容过滤，核心是把 intro 绑到页面上简介所在的 HTML 节点。
• 动手前先在 phpMyAdmin 确认简介字段真名，别把正文当简介。
• 选择器优先用 XPath/CSS，比正则好维护；去标签一定要排在实体替换前面。
• 新书靠采集任务自动抓，老书靠 SQL 筛选后重采或脚本补齐。
• 频率控制、编码转换、入库转义这三条不注意，迟早出问题。