火车头之添加文件下载时出错……跳过方法
最近一直在玩采集，奈何太菜了实在是。。这次采集对象是新闻类的文章，有带图片的那种，结果前面采着采着后面就出问题了：对方文章内的图片丢失(404)……
环境&软件
软件：火车头9.8？忘了没记
环境：Windows10 LTSC
简单描述：采集结果——>正常。采集内容——>异常(内容含有对方的图片连接)。标记已采——>是。最终发布——>是。
正文
玩的时间并不长，因此可能会有更好的方案。建立在不考虑手动修改最终采集结果的前提下，这里我仅仅是给出思路、做下笔记，具体代码就不贴了(主要是代码写的自己都看不下去emmmm)……
问题来源
采集对象内容中夹带的图片资源不存在(404)，而火车头勾选“下载图片”或者“下载文件”之类的选项，会补全img标签的链接，如原本内容为img src="/upload/20210715/aaaa.jpg" ，那么补全之后就会变成img src="https://对方域名/upload/20210715/aaaa.jpg" 这种形式的。
火车头补全链接
然后当所有内容规则都处理完成后，火车头才会去探测补全后的链接。如果说链接无效，即会提示“添加文件下载时出错……”，采集成功。而当你去查看采集的内容时，你会发现采下来的内容里是包含补全后的链接的，这就失去采集的意义了不是吗？
方案1:http请求+内容过滤？
那有人可能会说，简单，我添加个http请求+内容过滤返回的特定值不就可以达到想要的目的了？
确实是这样没错，但是效率太低了：如果一篇文章中有3张图片，而且这三张都是无效的，那么你就需要至少新增1个标签，同时这个标签首先需要过滤出其中一张图片链接，并最终返回给该标签，从而让添加的http请求选项生效。
而这些操作之后，你会发现内容标签最终还是会去探测、并且探测失败，相当于说，虽然http请求+内容过滤能达到不标记为已采，治标不治本的“伪”操作，但是这相当于整篇文章等于作废了……
方案2:php内容插件
这个就容易许多了，主要思路是：首先提取内容标签的img的src链接，进行补全链接后，curl请求，根据返回的状态码去判断是否正则替换掉整个img标签。
如果报错请注意：
方案3:C#运行代码
这个应该是最容易的(但其实…鬼知道我掉进了多少坑……)。直接在内容标签里，添加运行C#代码，编写相关代码即可。我自己目前在用的是这个，核心和php差不多，但是更加简洁。
主要思路：正则提取img的src链接数组，进行补全链接，循环的方式去http请求src地址，再通过响应，判断返回的状态码为OK、NotFound之类的，去执行删除img标签或者不做处理、原文返回给内容标签。
遇到的坑，以及需要注意的地方：
最后
方案肯定还有很多，也许是便捷的，也许是复杂的，总之选取适合自己的才是最好的吧。个人感觉火车头还是业余爱好、日常学习玩玩还行，真要用于生产环境，还是得Python爬虫之类的来得快一些……
