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容
二、從獲取代碼中提取所有用的數據
一、獲取被采集的頁面的內容
我目前所掌握的ASP常用獲取被采集的頁面的內容方法：
1、用serverXMLHTTP組件獲取數據
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
'得到結果
GetBody=ObjXMLHTTP.responseBody
'釋放對象
Set ObjXMLHTTP=Nothing
End Function
調用方法：
GetBody(文件的URLf地址)
2、或XMLHTTP組件獲取數據
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
調用方法：
GetBody(文件的URLf地址)
這樣獲取的數據內容還需要進行編碼轉換才可以使用
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
調用方法：BytesToBstr(要轉換的數據,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據
目前我掌握的方法有：
1、用ASP內置的MID函數截取需要的數據
復制代碼 代碼如下:
Function body(wstr,start,over)
start=Newstring(wstr,start)
'設置需要處理的數據的唯一的開始標記
over=Newstring(wstr,over)
'和start相對應的就是需要處理的數據的唯一的結束標記
body=mid(wstr,start,over-start)
'設置顯示頁面的范圍
End Function
調用方法：body(被采集的頁面的內容,開始標記,結束標記)
2、用正則獲取需要的數據
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=bodyMatch.Value '循環(huán)匹配
Next
End Function
調用方法：body(被采集的頁面的內容,開始標記,結束標記)
采集程序祥細思路：
1、取得網站的分頁列表頁的每頁地址
目前絕大部分動態(tài)網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、獲取被采集網站的分頁列表頁內容
3、從分頁列表代碼中提取被采集的內容頁面的URL連接地址
絕大部分分頁頁面里的內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(頁面列表內容)
set xiaoqi=nothing
url=""
For Each Match in Matches
url=urlMatch.Value
Next
4、取得被采集的內容頁面內容，根據”提取標記“從被采集的內容頁面分別截取要取得的數據
因為是動態(tài)生成的頁面，大多數內容頁面內都有相同的html標記，我們可以根據這些有規(guī)則的標記提取需要的各個部分的內容。
如：
每個頁面都有網頁標題title>網頁標題/title>，用我上面寫的MID截取函數就可以獲得title>/title>之間的值，也可以用正則表達式來獲得。
例：body("title>網頁標題/title>","title>","/title>")
您可能感興趣的文章:- javascript+HTML5自定義元素播放焦點圖動畫
- css3元素簡單的閃爍效果實現(xiàn)(html5 jquery)
- 用正則查找html中有id屬性的html標簽
- asp自動補全html標簽自動閉合(正則表達式)
- php正則過濾html標簽、空格、換行符的代碼(附說明)
- asp.net正則表達式刪除指定的HTML標簽的代碼
- Java/Js下使用正則表達式匹配嵌套Html標簽
- 正則表達式與HTML5新元素
