1. 自己建立网站，想采集内容
你可以试试乐思网络信息采集系统
这个可以连接任何数据库的，所以不管你的网站是否是可以采集，都可以把内容采到数据库
2. 怎样让网站自动采集
这位朋友，根据您的问题解答如下，如有不明之处可以继续补充:
你说的这个网站采集，应该指的就是纯数据的采集。这个都是自动的，做个计划任务定时采集数据，要是人工采集很麻烦的。
只要你写好采集程序，做成计划任务就可以了。这个并不特别困难。
3. 目前的搜索引擎是主要是通过什么来开采集网页数据的
搜索引擎采集数据的程序被称为“爬虫”或“蜘蛛”，爬虫根据别的网页上面的链接搜索到你网站的地址，然后以该地址为入口对你网站上的页面数据进行采集。一个网页要想被爬虫采集必须依赖于两个条件：1、该网页要提供一个对外开放的链接；2、该网页在robot规则中没有被禁止。这样做的目的是让网站能够保护自己的敏感内容不被泄漏。但是可能有搜索引擎不遵守这个规则，比如360搜索，它可以他通过你安装的360浏览器得到一个并没有对外开放的链接地址，然后也会无视该网站的robot规则，这样会导致网站的敏感信息被外泄。
4. 新闻门户网站如何采集信息
你没看那些门户网站转载的新闻也占了很大一部分吗？他们有专门的新闻编辑、记者可以实地采访不一定到一线采访。可以通过RSS订阅其他网站的内容，当然那些编辑有自己的信息渠道。获取新闻还是通过RSS订阅更快一些，那些RSS阅读器回第一时间自动更新你订阅的内容。一些好的RSS订阅器有新浪点点通、鲜果RSS阅读器等等，希望对你有帮助。
5. 怎么采集网站数据
可以使用爬虫软件，现在市场上的爬虫软件已经很成熟了，对小白和入门新手也都是很友好的。如果不知道用哪个爬虫的话可以试一下ForeSpdier数据采集引擎。操作简单易上手，而且还有各种教程想辅助，基本上一个网站10分钟就可以搞定。下附截图：
6. 如何实现网站采集功能
那些都是自带了的
你可以进管理后台有采集功能
7. 网站如何设置采集
搜索引擎通过一种程序robot（又称spider），自动访问互联网上的网页并获取网页信 息。您可以在您的网站中创建一个纯文本文件robots.txt，在这个文件中声明该网站中不想被robot 访问的部分，这样，该网站的部分或全部内容就可以不被搜索引擎收录了，或者指定搜 索引擎只收录指定的内容。 robots.txt文件位置 robots.txt文件应该放在网站根目录下。举例来说，当robots访问一个网站时，首先会检查该网站中是否存在robots.txt 这个文件，如果机器人找到这个文件，它就会根据这个文件的内容，来确定它访问权限的范 围。 robots.txt文件的格式 “robots.txt”文件包含一条或更多的记录，这些记录通过空行分开（以CR,CR/NL,or NL作为结束符），每一条记录的格式如下所示： “<field>:<optionalspace><value><optionalspace>” 在该文件中可以使用#进行注解，具体使用方法和UNIX中的惯例一样。该文件中的记录 通常以一行或多行User-agent开始，后面加上若干Disallow行,详细情况如下： User-agent： 该项的值用于描述搜索引擎robot的名字，在“robots.txt”文件中，如果有多条 User-agent记录说明有多个robot会受到该协议的限制，对该文件来说，至少要有一条User- agent记录。如果该项的值设为*，则该协议对任何机器人均有效，在“robots.txt”文件 中，“User-agent：*”这样的记录只能有一条。 Disallow： 该项的值用于描述不希望被访问到的一个URL，这个URL可以是一条完整的路径，也可以 是部分的，任何以Disallow开头的URL均不会被robot访问到。例如： “Disallow: /help”对/help.html 和/help/index.html都不允许搜索引擎访问， 而“Disallow: /help/”则允许robot访问/help.html，而不能访问/help/index.html。 任何一条Disallow记录为空，说明该网站的所有部分都允许被访问，在 “/robots.txt”文件中，至少要有一条Disallow记录。如果“/robots.txt”是一个空文 件，则对于所有的搜索引擎robot，该网站都是开放的。 robots.txt文件存在的意义 有些人会问，既然robots文件没弄好，或出错了，会影响整个网站的收录，那为什么还要这个文件呢？ 其实robots是为特定需要的站长准备的，因为有些网站，有一些页面是站长不想被SE收录的，所以才有了这个robots文件。 五、 robots.txt文件用法举例 例1、禁止所有搜索引擎访问网站的任何部分 User-agent: * Disallow: / 例2、允许所有的robot访问 User-agent: * Disallow: （或者也可以建一个空文件 "/robots.txt" file） 例3、禁止某个搜索引擎的访问 User-agent: BadBot Disallow: / 例4、允许某个搜索引擎的访问 User-agent: Baispider Disallow: User-agent: * Disallow: / 例5、一个简单例子 在这个例子中，该网站有三个目录对搜索引擎的访问做了限制，即搜索引擎不会访问这三个目录。 User-agent: * Disallow: /cgi-bin/ Disallow: /tmp/ Disallow: /joe/ 需要注意的是对每一个目录必须分开声明，而不要写成：“Disallow: /cgi-bin/ /tmp/”。 User-agent:后的* 具有特殊的含义，代表“any robot”，所以在该文件中不能有 “Disallow: /tmp/*” or “Disallow: *.gif”这样的记录出现。
8. 资讯类网站该怎么采集相关内容
这个要看你维护的网站是什么程序了，因为现在好多程序自带采集系统，设置好采集规则就可以采集其他网站的资讯。如果没有自带的，市面上有好多软件可以采集信息，最着名的是火车头，但是这款软件支持的网站基本上是比较流行的CMS程序，同样要看你的网站是不是属于其中的某一款cms程序了。貌似现在应该有自定义接口了，自己编辑一下，让采集软件采集信息后直接加入网站数据库。
9. 怎么用php采集网站数据
简单的分了几个步骤：
1、确定采集目标
2、获取目标远程页面内容（curl、file_get_contents）
3、分析页面html源码，正则匹配你需要的内容（preg_match、preg_match_all），这一步最为重要，不同页面正则匹配规则不一样
4、入库
10. 想要采集https开头的网页怎么办
使用采集器设置好采集列表等配置，就可以完成部分数据的采集！！另外一种方法可使用整站下载完成采集网页