网页抽取规则失效怎么办

采用了多项发明专利，例如，确保有很高适应性的FreeFormat技术， 当目标网页结构发生改变时，该技术能够尽可能确保以前定义好的网页抽取规则有效。但是，如果目标网站大规模改版，无法避免网页抽取规则失效。此 时，MetaSeeker还有最后一道防线：降低修改规则的复杂度，用可见即可得（WYSISYG）的方式修正以前的规则，就像操作MS Word编辑文字文档一样简单。

下面，我们用主题名是demo_JD_list_1的信息结构为例说明怎样修改失效的抽取规则。

注释1：demo_JD_list_1是在写作本文之前不久定义好的信息结构，详细步骤参见《抽取京东商城网页数据》，这说明引起加载失效的原因不是目标网页结构改变，而是因为网页语义信息块的定位不精确。但是，本文我们仍然以它为例，仅仅用以说明怎样编辑失效的网页抽取规则，所以，修正后的信息结构仍然可能因为定位不精确而不能被成功加载。关于怎样精确定位，请参见《抽取新蛋网页数据》。

注释2：本文非入门教程，所以，不会将操作步骤一步步分解开并用屏幕截图显示出来，如果需要入门知识，请参考《抽取当当网页数据》。

注释3：即使信息结构无法成功被MetaStudio加载，此信息结构生成的网页抽取规则可能仍然有效，因为MetaStudio和 DataScraper采用不同的定位规则。所以，不必急于用MetaStudio对其重新修改，可以直到DataScraper在运行期间显示出错日志 再采取行动。

---

1 加载信息结构

如图1，有下面的步骤：

1. 将MetaStudio工作台转换到Schema List
2. 输入查询条件，可以包含多个通配符“*”
3. 选中主题名是demo_JD_list_1的信息结构，点击鼠标右键，弹出一个菜单，选择加载
4. 在加载该信息结构时，MetaStudio遇到麻烦，编号3的信息属性（用于存储抽取到的网页数据的字段）无法定位

即便如此，我们仍然点击确认按钮，将加载过程进行到底，以便修改信息结构。

图2分析失败原因：

1. 我们看到信息属性市场价格定位到的节点号是-1，表示没有定位成功
2. 在《抽取京东商城网页数据》教程中，我们本来选择商品列表中的第一个商品作为样例，但是，重新加载时错误地使用了热卖推荐中的第一个商品，而且这个商品没有市场价格信息，也就是说丧失了作为样例的代表性，导致加载信息结构失败。

下面，我们将重新编辑信息结构。

---

2 重新做映射

MetaStudio通过网页内容映射方式描述网页抽取规则，您可以不用关心真正的抽取规则指令，由MetaStudio自动生成，您只需要告诉MetaStudio：网页上的哪块数据需要抽取。直观友好的图形界面利于快速定义和低成本管理网页抽取规则。

2.1 清除映射关系

因为MetaStudio自动选择的样例不合适，所以，为所有信息属性定位到的网页数据都不合适，首先需要清除这些映射关系。

如图3，挨个选择信息属性，然后点击鼠标右键，看到弹出菜单，进行如下步骤：

1. 清除FreeFormat映射
2. 清除数据映射，清除后节点号变成-1

2.2 重新映射

如图4，选择正确的样例后重新做数据映射和FreeFormat映射，步骤如下：

1. 选择正确的样例，即商品列表中的第一个商品
2. 为每个信息属性做数据映射和FreeFormat映射，详细过程参见《网页抽取软件MetaSeeker速成手册》，前面几章都是讲解映射过程的。
3. 为了抽取多个商品实例，采用FreeFormat映射方法，详细过程参见《抽取京东商城网页数据》；也可以用样例复制品方法抽取多实例，详细参见《抽取当当网页数据》

2.3 上载修改后的信息结构

假设没有更改主题名，上载后，新信息结构覆盖老的，会有如图5的提示：

1. 点击工具条上的schema按钮启动上载过程
2. 弹出一个对话框，询问是否要覆盖，如果不覆盖，则终止上载过程

---

3 对DataScraper的影响

上载信息结构时，MetaStudio将自动生成的网页抽取规则同时上载到了MetaSeeker服务器，假设现在有DataScraper正在运行，会有什么影响呢？

根据《批量抽取当当网页数据》，DataScraper有两种批量抽取模式：

1. 手工启动的批量抽取
2. 周期性自动启动的批量抽取

当DataScraper以第一种模式运行时，正在抽取的网页不会使用新规则，但是，当用户开始新一批抽取时，DataScraper会再次向服务器查询抽取规则，所以，会使用新规则。

相反，当DataScraper以第二种模式运行时，新规则永远不会被采用，只得重新运行DataScraper才行。

---

4 还要做什么

经过上面步骤以后，信息结构被修改了，但是，本例仅仅为了讲解修改信息结构的过程，并没有解决实际问题。实际问题是：本例的信息结构不能加载的原因是因为没有精确定位，而不是网页结构变化。请参考《抽取新蛋网页数据》彻底解决精确定位问题。