内容采集与批量导入：AnQiCMS 如何从 ZIP、Excel 与其他网站自动聚合内容

📅 2026-10-21 👁️ 0

AnQiCMS 提供了多种内容导入方式，包括 ZIP 压缩包批量导入、Excel 表格导入以及从其他网站自动采集内容。系统还开放了 /api/import/archive 接口，支持程序化导入并按标题查询是否已存在以避免重复。所有导入的内容都会进入待审核状态，需经过内容审核流程后才能正式发布。

ZIP 压缩包批量导入的操作步骤

当需要将大量离线文档快速迁移到 AnQiCMS 时，ZIP 压缩包是最便捷的方式。将文章以 HTML 或 Markdown 格式整理好，打包成 ZIP 文件后，在后台「内容管理」菜单中选择「批量导入」，上传 ZIP 文件即可。系统会自动解压并识别文件结构，将每篇文章转换为系统内的文档记录。

导入过程中，系统会保留原始文件的标题、正文与图片引用。如果 ZIP 包内包含文件夹结构，系统会尝试将其映射为分类或标签。导入完成后，可在「草稿」或「待发布」列表中查看结果，确认无误后再批量发布。

对于结构化数据（如产品列表、新闻摘要），Excel 表格导入更为高效。准备 Excel 文件时，第一行应作为表头，包含 title（标题）、content（正文）、keywords（关键词）、description（描述）等字段名。系统会根据列名自动匹配对应的数据库字段。

上传 Excel 文件后，系统会预览前几行数据供确认。若格式无误，点击「开始导入」即可完成批量创建。导入失败的行会在日志中记录具体原因，例如缺少必填字段或编码错误。

AnQiCMS 内置了内容采集功能，可定期从指定的其他网站抓取内容。在后台「内容采集」模块中，添加采集规则时需填写目标网站的 URL、选择器表达式（用于提取标题、正文、发布时间等字段）以及采集频率。系统会按照设定的时间间隔自动执行采集任务，并将新内容存入草稿箱。

采集规则支持 CSS 选择器与 XPath 两种语法。例如，要提取某新闻站的标题，可填写选择器 .article-title；要提取正文，可填写 #content。采集后的内容会保留原始格式，但建议人工审核后调整排版再发布。

需要注意的是，自动采集应遵守目标网站的 robots.txt 协议与使用条款，避免高频请求导致对方服务器负载过高。建议在采集规则中设置合理的间隔时间（如每小时一次），并在本地缓存已采集的 URL 以防止重复抓取。

对于需要通过程序批量导入的场景，AnQiCMS 提供了 /api/import/archive API 接口。该接口支持传入标题、正文、关键词等字段，并在入库前按标题查询是否已存在相同文档。若标题完全匹配，接口会返回「已存在」的状态码而不重复创建；若不匹配，则新建文档并返回其 ID。

这一去重机制适合与外部内容管理系统或爬虫工具对接。调用方只需在每次导入前向该接口发送请求，无需自行维护去重索引。接口的认证令牌需从环境变量 GEO_IMPORT_TOKEN 读取，不应硬编码在脚本中。

无论是手动上传还是自动采集，导入的内容默认处于「草稿」或「待发布」状态，不会立即对外公开。管理员可在后台的「内容审核」列表中逐篇检查，确认内容合规、排版正确后，将其状态改为「正式文档」并发布。

审核时应重点关注以下几点：

通过审核的内容可设置为立即发布或定时发布。若发现质量问题，可直接编辑修正或退回给导入来源重新处理。

问：ZIP 导入时图片丢失怎么办？

答：如果 ZIP 包内的图片使用的是相对路径，系统会尝试将图片一并导入到媒体库。若图片是绝对 URL（指向外部站点），则需要手动下载或使用采集功能的图片本地化选项。

问：Excel 导入支持多少行数据？

答：单次导入的行数没有硬性限制，但建议控制在 1000 行以内以保证处理速度。如需导入更大量级的数据，可分批次上传多个 Excel 文件。

问：自动采集能否只抓取最新文章？

答：可以。在采集规则中可配置时间过滤器，例如只采集发布日期在最近 7 天内的文章。系统也会记录已采集的 URL，避免重复抓取同一篇文章。

问：API 导入时如何判断标题是否重复？

答：系统会对传入的 title 字段进行精确匹配查询。若数据库中已有完全相同的标题，接口会返回冲突提示。如需模糊匹配（例如忽略标点符号差异），需在调用方自行预处理标题后再发送请求。