asp采集HTML內(nèi)容常用代碼,詳講正則采集

更新時間：2011年03月07日 23:40:51 作者：

我開發(fā)過幾個采集程序，也研究過很多采集程序代碼，所以對采集程序的原理還算是稍微有些了解。

先說一下采集原理：

采集程序的主要步驟如下：

一、獲取被采集的頁面的內(nèi)容
二、從獲取代碼中提取所有用的數(shù)據(jù)

一、獲取被采集的頁面的內(nèi)容

我目前所掌握的ASP常用獲取被采集的頁面的內(nèi)容方法：

1、用serverXMLHTTP組件獲取數(shù)據(jù)

復制代碼代碼如下:

 
Function GetBody(weburl) 
'創(chuàng)建對象 
Dim ObjXMLHTTP 
Set ObjXMLHTTP=Server.CreateObject("MSXML2.serverXMLHTTP") 
'請求文件,以異步形式 
ObjXMLHTTP.Open "GET",weburl,False 
ObjXMLHTTP.send 
While ObjXMLHTTP.readyState <> 4 
ObjXMLHTTP.waitForResponse 1000 
Wend 
'得到結(jié)果 
GetBody=ObjXMLHTTP.responseBody 
'釋放對象 
Set ObjXMLHTTP=Nothing 
End Function 
調(diào)用方法： 
GetBody(文件的URLf地址) 

2、或XMLHTTP組件獲取數(shù)據(jù)

復制代碼代碼如下:

 
Function GetBody(weburl) 
'創(chuàng)建對象 
Set Retrieval = CreateObject("Microsoft.XMLHTTP") 
With Retrieval 
.Open "Get", weburl, False, "", "" 
.Send 
GetBody = .ResponseBody 
End With 
'釋放對象 
Set Retrieval = Nothing 
End Function 

調(diào)用方法：
GetBody(文件的URLf地址)

這樣獲取的數(shù)據(jù)內(nèi)容還需要進行編碼轉(zhuǎn)換才可以使用

復制代碼代碼如下:

 
Function BytesToBstr(body,Cset) 
dim objstream 
set objstream = Server.CreateObject("adodb.stream") 
objstream.Type = 1 
objstream.Mode =3 
objstream.Open 
objstream.Write body 
objstream.Position = 0 
objstream.Type = 2 
objstream.Charset = Cset 
BytesToBstr = objstream.ReadText 
objstream.Close 
set objstream = nothing 
End Function 

調(diào)用方法：BytesToBstr(要轉(zhuǎn)換的數(shù)據(jù),編碼)'編碼常用為GB2312和UTF-8
二、從獲取代碼中提取所有用的數(shù)據(jù)
目前我掌握的方法有：
1、用ASP內(nèi)置的MID函數(shù)截取需要的數(shù)據(jù)

復制代碼代碼如下:

 
Function body(wstr,start,over) 
start=Newstring(wstr,start) 
'設置需要處理的數(shù)據(jù)的唯一的開始標記 
over=Newstring(wstr,over) 
'和start相對應的就是需要處理的數(shù)據(jù)的唯一的結(jié)束標記 
body=mid(wstr,start,over-start) 
'設置顯示頁面的范圍 
End Function 

調(diào)用方法：body(被采集的頁面的內(nèi)容,開始標記,結(jié)束標記)
2、用正則獲取需要的數(shù)據(jù)

復制代碼代碼如下:

 
Function body(wstr,start,over) 
Set xiaoqi = New Regexp'設置配置對象 
xiaoqi.IgnoreCase = True'忽略大小寫 
xiaoqi.Global = True'設置為全文搜索 
xiaoqi.Pattern = "”&start&“.+?”&over&“"'正則表達式 
Set Matches =xiaoqi.Execute(wstr)'開始執(zhí)行配置 
set xiaoqi=nothing 
body="" 
For Each Match in Matches 
body=body&Match.Value '循環(huán)匹配 
Next 
End Function 

調(diào)用方法：body(被采集的頁面的內(nèi)容,開始標記,結(jié)束標記)
采集程序祥細思路：
1、取得網(wǎng)站的分頁列表頁的每頁地址
目前絕大部分動態(tài)網(wǎng)站的分頁地址都有規(guī)則，如:
動態(tài)頁
第一頁：index.asp?page=1
第二頁：index.asp?page=2
第三頁：index.asp?page=3
.....

靜態(tài)頁
第一頁：page_1.htm
第二頁：page_2.htm
第三頁：page_3.htm
.....
取得網(wǎng)站的分頁列表頁的每頁地址，只需要用變量替代每頁地址的變化的字符即可如：page_<%="&page&"%>.htm

2、獲取被采集網(wǎng)站的分頁列表頁內(nèi)容
3、從分頁列表代碼中提取被采集的內(nèi)容頁面的URL連接地址
絕大部分分頁頁面里的內(nèi)容頁連接也有固定規(guī)則，如：
<a href="url1">連接1</a> <br>
<a href="url2">連接2</a> <br>
<a href="url3">連接3</a> <br>

用以下代碼就可以獲得一個URL連接集合

復制代碼代碼如下:

 
Set xiaoqi = New Regexp 
xiaoqi.IgnoreCase = True 
xiaoqi.Global = True 
xiaoqi.Pattern = ””“.+?”““ 
Set Matches =xiaoqi.Execute(頁面列表內(nèi)容) 
set xiaoqi=nothing 
url="" 
For Each Match in Matches 
url=url&Match.Value 
Next 

4、取得被采集的內(nèi)容頁面內(nèi)容，根據(jù)”提取標記“從被采集的內(nèi)容頁面分別截取要取得的數(shù)據(jù)

因為是動態(tài)生成的頁面，大多數(shù)內(nèi)容頁面內(nèi)都有相同的html標記，我們可以根據(jù)這些有規(guī)則的標記提取需要的各個部分的內(nèi)容。
如：
每個頁面都有網(wǎng)頁標題<title>網(wǎng)頁標題</title>，用我上面寫的MID截取函數(shù)就可以獲得<title></title>之間的值，也可以用正則表達式來獲得。
例：body("<title>網(wǎng)頁標題</title>","<title>","</title>")

您可能感興趣的文章: