采集原理：
    采集程序的主要步驟如下：
    一、獲取被采集的頁(yè)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(yè)面的內(nèi)容
    我目前所掌握的ASP常用獲取被采集的頁(yè)面的內(nèi)容方法：
    1、用serverXMLHTTP組件獲取數(shù)據(jù)

Function GetBody(weburl) 
'-----------------翟振愷(小琦)
    '創(chuàng)建對(duì)象
    Dim ObjXMLHTTP
    Set ObjXMLHTTP=Server.CreateObject("MSXML2.serverXMLHTTP")
    '請(qǐng)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(duì)象
     Set ObjXMLHTTP=Nothing
'-----------------翟振愷(小琦)
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)

Function GetBody(weburl) 
'-----------------翟振愷(小琦)
    '創(chuàng)建對(duì)象
    Set Retrieval = CreateObject("Microsoft.XMLHTTP") 
    With Retrieval 
     .Open "Get", weburl, False, "", "" 
     .Send 
     GetBody = .ResponseBody
     End With 
    '釋放對(duì)象
    Set Retrieval = Nothing 
'-----------------翟振愷(小琦)
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(jìn)行編碼轉(zhuǎn)換才可以使用

Function BytesToBstr(body,Cset)
'-----------------翟振愷(小琦)
        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
'-----------------翟振愷(小琦)
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)
    1、用ASP內(nèi)置的MID函數(shù)截取需要的數(shù)據(jù)

Function body(wstr,start,over)
'-----------------翟振愷(小琦)
start=Newstring(wstr,start)
'設(shè)置需要處理的數(shù)據(jù)的唯一的開(kāi)始標(biāo)記
over=Newstring(wstr,over)
'和start相對(duì)應(yīng)的就是需要處理的數(shù)據(jù)的唯一的結(jié)束標(biāo)記
body=mid(wstr,start,over-start)
'設(shè)置顯示頁(yè)面的范圍
'-----------------翟振愷(小琦)
End Function
    調(diào)用方法：body(被采集的頁(yè)面的內(nèi)容,開(kāi)始標(biāo)記,結(jié)束標(biāo)記)
    2、用正則獲取需要的數(shù)據(jù)

Function body(wstr,start,over)
'-----------------翟振愷(小琦)
Set xiaoqi = New Regexp'設(shè)置配置對(duì)象
xiaoqi.IgnoreCase = True'忽略大小寫
xiaoqi.Global = True'設(shè)置為全文搜索
xiaoqi.Pattern =  "”&start&“.+?”&over&“"'正則表達(dá)式 
Set Matches =xiaoqi.Execute(wstr)'開(kāi)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
'-----------------翟振愷(小琦)
End Function
    調(diào)用方法：body(被采集的頁(yè)面的內(nèi)容,開(kāi)始標(biāo)記,結(jié)束標(biāo)記)
    采集程序祥細(xì)思路：
    1、取得網(wǎng)站的分頁(yè)列表頁(yè)的每頁(yè)地址
        目前絕大部分動(dòng)態(tài)網(wǎng)站的分頁(yè)地址都有規(guī)則，如:
動(dòng)態(tài)頁(yè)
第一頁(yè)：index.asp?page=1
第二頁(yè)：index.asp?page=2
第三頁(yè)：index.asp?page=3
.....

靜態(tài)頁(yè)
第一頁(yè)：page_1.htm
第二頁(yè)：page_2.htm
第三頁(yè)：page_3.htm
.....
    取得網(wǎng)站的分頁(yè)列表頁(yè)的每頁(yè)地址，只需要用變量替代每頁(yè)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(yè)列表頁(yè)內(nèi)容
    3、從分頁(yè)列表代碼中提取被采集的內(nèi)容頁(yè)面的URL連接地址
絕大部分分頁(yè)頁(yè)面里的內(nèi)容頁(yè)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(gè)URL連接集合

'-----------------翟振愷(小琦)
Set xiaoqi = New Regexp
xiaoqi.IgnoreCase = True
xiaoqi.Global = True
xiaoqi.Pattern =  ””“.+?”““
Set Matches =xiaoqi.Execute(頁(yè)面列表內(nèi)容)
set  xiaoqi=nothing 
url=""
For Each Match in Matches
url=url&Match.Value 
Next
'-----------------翟振愷(小琦)
    4、取得被采集的內(nèi)容頁(yè)面內(nèi)容，根據(jù)”提取標(biāo)記“從被采集的內(nèi)容頁(yè)面分別截取要取得的數(shù)據(jù)。
因?yàn)槭莿?dòng)態(tài)生成的頁(yè)面，大多數(shù)內(nèi)容頁(yè)面內(nèi)都有相同的html標(biāo)記，我們可以根據(jù)這些有規(guī)則的標(biāo)記提取需要的各個(gè)部分的內(nèi)容。如：
每個(gè)頁(yè)面都有網(wǎng)頁(yè)標(biāo)題<title>網(wǎng)頁(yè)標(biāo)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(dá)式來(lái)獲得。
例：

body("<title>網(wǎng)頁(yè)標(biāo)題</title>","<title>","</title>")

最新評(píng)論