定义信息提取（页面抓取/抽取）规则
工具：信息结构描述工具MetaStudio
MetaStudio提供了各种整理箱，将HTML页面上的内容“容器”映射过来，同样将容器内部的内容也做相应的映射。当前MetaStudio版本提供了ListBucket整理箱，刚好适合提取论坛信息。在整理箱中，存放一组语义相关的信息项称作信息属性，在信息提取（页面抓取/抽取）结果文件中，整理箱映射成Bean。例如，上节提到的content brief, content, title, book page作为信息属性组合到名字是PostDetail的Bean中。一个信息结构中可以有多个整理箱，即多个Bean，分别包含不同的语义信息组合。
接下来就需要告诉MetaStudio，每个属性从HTML页面上哪个元素映射过来，MetaStudio提供的DOM分析器和反向选择功能将有效地帮助您完成这项工作，参见MetaStudio用户手册和MetaStudio高级用户手册获得详细的使用方法。
论坛这类页面，在一个帖子后面会有几十个甚至几百个跟帖，MetaStudio需要找出重复出现的规律，只需要您在MetaStudio上映射第一个和第二个帖子的信息属性，剩下的工作交给MetaStudio，它会自动计算出重复规律，参见MetaStudio用户手册#定义信息提取（页面抓取/抽取）规则。
像普通网络爬虫一样，MetaSeeker在当前页面上还要提取导航到其他页面的线索，但是一个页面上并不是所有线索导航到的页面是您感兴趣的，同样，您可以告诉MetaStudio哪些线索是感兴趣的、兴趣方面是什么（MetaSeeker将相同语义的页面信息归为一类，用主题标识），您也可以告诉MetaStudio哪些线索在当前的信息提取（页面抓取/抽取）线程中使用（即线程内线索）、哪些在单独的信息提取线程中使用（即新线索）。
总之，MetaSeeker让您精准地提取数据和线索，而不是在Web信息海洋中大海捞针。
操练
创建整理箱，并创建在准备工作一节确定下来的信息属性，按照MetaStudio用户手册讲解的方法进行信息映射，例如，第一个样例复制品的映射关系如下：
- DOM节点号885 -> content brief
- DOM节点号893 -> content
- DOM节点号939 -> title
- DOM节点号938 -> book page
下图是第二个样例复制品的映射关系。
除了在数据提取规则阶段定义的信息线索外，再创建一个记号线索，并将具有“>>”标记的DOM节点作为标记进行映射，最后，将信息结构文件和信息提取（页面抓取/抽取）指令文件分别提交到MetaCamp和DataStore服务器上保存。
