Regola l’ambito di acquisizione

L’ambito è il modo in cui dici a un job di acquisizione dati dove può andare e quanto prendere. Impostalo bene e acquisirà esattamente i contenuti che vuoi: niente di più, niente di meno.

Prima di iniziare

  • Apri il job del sito web.
  • Sappi quali pagine devono rientrare e quali no.

Passaggi

  1. Apri la pagina di dettaglio del job da Acquisizione dati.
  2. Scegli Edit properties per aprire il modulo di configurazione.
  3. Apri le impostazioni Navigation: è qui che si trovano tutti i controlli dell’ambito.
  4. Rivedi gli URL iniziali (da dove parte il job) e l’elenco degli hostname. Il job seguirà solo i link che corrispondono a uno degli hostname consentiti, quindi se il tuo sito usa sottodomini (ad es. docs.acme.com e blog.acme.com), aggiungili tutti.
  5. Aggiungi dei percorsi inclusi per limitare il job a sezioni specifiche. Ad esempio, */docs/* mantiene solo le pagine il cui URL contiene /docs/. Se lasci vuoto questo campo, il job visita tutto ciò che si trova sugli hostname consentiti.
  6. Aggiungi dei percorsi esclusi per le aree da saltare: pagine di login, pannelli di amministrazione, archivi dei tag e così via. I percorsi esclusi hanno la precedenza su quelli inclusi, quindi puoi includere una sezione ampia e ritagliare delle eccezioni al suo interno.
  7. Imposta la profondità di scansione (quanti salti di link dagli URL di partenza percorrerà il job) e il numero massimo di contenuti (un limite assoluto al numero di pagine elaborate in una singola esecuzione).
  8. Salva la configurazione aggiornata.
Le impostazioni Navigation del job: gli URL iniziali con i tag del sito e l’elenco degli hostname che limita il job a domini specifici (dati di esempio).
Le impostazioni Navigation del job: gli URL iniziali con i tag del sito e l’elenco degli hostname che limita il job a domini specifici (dati di esempio).
L’albero degli URL di un sito con le regole sui percorsi applicate: la sezione docs mantenuta (verde) e i percorsi admin, login e tag saltati (rosso).
L’albero degli URL di un sito con le regole sui percorsi applicate: la sezione docs mantenuta (verde) e i percorsi admin, login e tag saltati (rosso).

Esempi di regole sui percorsi

I percorsi inclusi ed esclusi sono pattern glob confrontati con il percorso di un URL:

- Mantieni una sola sezione: il percorso incluso */docs/* acquisisce solo la documentazione e ignora tutto il resto. - Elimina il rumore: i percorsi esclusi */login/*, */cart/*, */tag/* scartano le pagine di accesso, di checkout e degli archivi dei tag. - Ritaglia un’eccezione: includi una sezione ampia ed escludi un sottopercorso al suo interno: i percorsi esclusi prevalgono su quelli inclusi.

Verifica il risultato

Riesegui il job, poi controlla i link scoperti e i contenuti aggiornati per vedere il nuovo ambito all’opera.

Risoluzione dei problemi

  • Pochi contenuti di solito significano che l’ambito è troppo ristretto.
  • Troppi contenuti significano che è troppo ampio.
  • Ricorda che un percorso escluso può annullare silenziosamente una pagina che pensavi di aver incluso.
Contattaci

Hai ancora bisogno di aiuto?

Dicci a quali domande vuoi che risponda l’assistente del tuo sito. Ti aiuteremo a definire i contenuti, i controlli e il percorso di lancio più adatti.