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(fù)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(fù)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(jìn)行編碼轉(zhuǎn)換才可以使用
復(fù)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(fù)制代碼代碼如下:
Function body(wstr,start,over)
start=Newstring(wstr,start)
'設(shè)置需要處理的數(shù)據(jù)的唯一的開始標(biāo)記
over=Newstring(wstr,over)
'和start相對應(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(biāo)記,結(jié)束標(biāo)記)
2、用正則獲取需要的數(shù)據(jù)
復(fù)制代碼代碼如下:
Function body(wstr,start,over)
Set xiaoqi = New Regexp'設(shè)置配置對象
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(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(fù)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(biāo)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(biāo)記，我們可以根據(jù)這些有規(guī)則的標(biāo)記提取需要的各個部分的內(nèi)容。
如：
每個頁面都有網(wǎng)頁標(biāo)題<title>網(wǎng)頁標(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)式來獲得。
例：body("<title>網(wǎng)頁標(biāo)題</title>","<title>","</title>")
