水淼·万能文章采集器v2.17.7.0绿色版

水淼软件出品的一款万能文章采集软件， 可输入关键词采集各大搜索引擎网页和新闻，也可以采集指定网站文章。

基于水淼自主研发的正文识别智能算法，能在互联网纷繁复杂的网页中尽可能准确地提取出正文内容。

正文识别有自动识别（即以前的“标准”、“严格”模式）、“精确标签”、“头尾标记”。其自动识别能适应绝大多数网页的正文提取，而“精确标签”只需指定正文标签头，如“<div class=”text”>”，就能通吃所有网页的正文提取；头尾标记则是指定正文的开头和结尾。

关键词采集目前支持的搜索引擎有：百度、搜狗、360、谷歌、必应、雅虎

采集指定网站文章的功能也非常简单，只需要稍微设置（不需要复杂的规则），就能批量采集目标网站的文章了。

因为墙的问题，要使用谷歌搜索和谷歌转译文章的功能，需要使用VPN换国外IP。

软件截图：

下面是界面组件的说明：

采集分页：如果正文有分页显示，则自动采集分页合并

删除链接：删除网页中锚文本的链接功能，只留下锚文本的标题

txt 格式：保存成txt文本（自动清除HTML标签）

调试模式：在正文的开头插入“调试模式：标题和链接”的内容，以方便进入原网页对比正文识别效果

标题有关键词：只有标题中包含搜索关键词的网页才采集

放弃短标题：当自动识别的标题的长度低于原始标题三分之一时，即为短标题，通常这种标题是错误的，因此可以勾选放弃它，这样就使用原始标题（此段遇到时自会理解）。

删除外层代码：使用自动识别和精确标签时，通常都会包含<div id=”mm”></div>这样的外层代码，如果不需要，那就要打勾删除。

过滤正文：有些正文里包含了标题元素，如<h1><h2><h3>这三种需要删除，还有很多有class属性的标签也属于系统定义的非正文内容，比如 <p class=”ee”>推荐内容</p>，一般只要删除class代码，就能去掉绝大多数的非正文内容，然后跟着还有个例外编辑框，用于输入不能删除的class，直接填入class的值，多个值使用|隔开。

【精确标签】特别说明：

请使用谷歌浏览器或傲游浏览器，鼠标右键单击正文的开始位置-审查元素，然后定位正文的代码段，将该代码段的标签头复制。

如代码段：<div class=”text”>正文部分</div>，则复制<div class=”text”>

多个标签可以使用“|”隔开

关键词采集的文章自动比对本地相同标题的文章，相似度超过60%就跳过，低于60%就自动重命名保存。