我们首先打开一篇文章，看看他的基本结构：标题和内容起始，以及是否有重复。

　　从右图可以见到有标题重复，以及我们不需要的内容（他的广告）

　　我们查看网页的源代码，CTRL+U

　　先搜索标题，看看标题都在什么位置

　　可以见到有三个位置都是标题，看到这三个位置，分析下前后的内容。最终我选择了第三个作为采集标题的位置。

　　因为前后和其他文章更不容易出现不同的情况。避免出现某些文章采集标题为空的情况。

　　我们打开火车头采集器

　　将<h3>作为标题的开头字符串

　　</h3>作为标题的结尾字符串

　　这两个字符串之间的内容，火车头会全采集下来，当做标题。所以不要选择错了

　　我们可以复制文章链接，在火车头里先测试下标题才是是否正确。

　　在下边有填测试联接的位置

　　我们看见标题采集没问题

　　下面开始找内容的采集规则

　　在文章页面源代码里我们搜索内容上面几个字，发现有两个位置，一个是底部的页面描述，一个是真正的正文开始位置。当然用下边这个啦

　　下面这个正文开始前的是他网站的广告火车头采集教程火车头采集教程，我们要在广告前面选定位置开始采集

　　记得那句话，火车头会从你选定的位置，采集下来上面所有的字符！所以位置要选对！

　　我们选择<div>最为采集起始位置，这个恰好也是实际正文内容的起始位置，并且在源码里搜索不到第二处！

　　将<div>填入火车头正文采集规则的开头字符串

　　然后是正文结束的位置

　　正文在这里结束，因为结束恰好是一段代码，所以看着可能比较乱。

　　请注意，搜索内容时，空格不要带，在源码里空格是其他的字符串，会出现搜索不到的情况。

　　我们就选择正文结束后的<div>作为火车头采集结尾字符串

　　这个字符串在源码里没有其他重复位置，并且是正文DIV结束后的第一个内容！

　　下面我们测试一下内容的采集，看看疗效

　　然后会发觉内容里有好多多余的字符款式之类。

　　查看内容可以点击内容前面的那种三个点，就可以下来个窗口查看了

　　我们须要对内容进行一下过滤

　　过滤掉不需要的字符

　　就是这个html标签过滤

　　我们过滤掉：链接a标签、图像img标签、字体font标签、脚本script标签、层DIV标签、Span标签

　　具体须要过滤什么，根据你采集的文章来决定，每个网站他发文习惯都不一样。

　　这里我过滤掉图片，并且没有做文件下载（图片下载）是因为图片下载，需要单独开一篇文章来写。

　　我们在测试一下瞧瞧采集内容的疗效

　　可以看见还是有字体相关的标签存在，但是他是以<p开头的，还负责文章的段落作用。这里就没办法通过火车头进行过滤了。不过也没啥影响。