ASP采集-ASP采集程序原理

采集程序的主要步骤如下：

一、获取被采集的页面的内容

二、从获取代码中提取所有用的数据

一、获取被采集的页面的内容

我目前所掌握的ASP常用获取被采集的页面的内容方法：

1、用serverXMLHTTP组件获取数据

以下内容为程序代码:

以下为引用的内容： Function GetBody(weburl) '创建对象 Dim ObjXMLHTTP Set ObjXMLHTTP=Server.CreateObject("MSXML2.serverXMLHTTP") '请求文件,以异步形式 ObjXMLHTTP.Open "GET",weburl,False ObjXMLHTTP.send While ObjXMLHTTP.readyState <> 4 ObjXMLHTTP.waitForResponse 1000 Wend '得到结果 GetBody=ObjXMLHTTP.responseBody '释放对象 Set ObjXMLHTTP=Nothing End Function

调用方法：

GetBody(文件的URLf地址)

2、或XMLHTTP组件获取数据

以下内容为程序代码:

以下为引用的内容： Function GetBody(weburl) '创建对象 Set Retrieval = CreateObject("Microsoft.XMLHTTP") With Retrieval .Open "Get", weburl, False, "", "" .Send GetBody = .ResponseBody End With '释放对象 Set Retrieval = Nothing End Function

调用方法：

GetBody(文件的URLf地址)

这样获取的数据内容还需要进行编码转换才可以使用

以下内容为程序代码:

以下为引用的内容： 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

调用方法：BytesToBstr(要转换的数据,编码)'编码常用为GB2312和UTF-8

二、从获取代码中提取所有用的数据

目前我掌握的方法有：

1、用ASP内置的MID函数截取需要的数据

以下内容为程序代码:

Function body(wstr,start,over)

start=Newstring(wstr,start)

'设置需要处理的数据的唯一的开始标记

over=Newstring(wstr,over)

'和start相对应的就是需要处理的数据的唯一的结束标记

body=mid(wstr,start,over-start)

'设置显示页面的范围

End Function

调用方法：body(被采集的页面的内容,开始标记,结束标记)

2、用正则获取需要的数据

以下内容为程序代码:

Function body(wstr,start,over)

Set xiaoqi = New Regexp'设置配置对象

xiaoqi.IgnoreCase = True'忽略大小写

xiaoqi.Global = True'设置为全文搜索

xiaoqi.Pattern = "”&start&“.+?”&over&“"'正则表达式

Set Matches =xiaoqi.Execute(wstr)'开始执行配置

set xiaoqi=nothing

body=""

For Each Match in Matches

body=body&Match.Value '循环匹配

Next

End Function

调用方法：body(被采集的页面的内容,开始标记,结束标记)

采集程序祥细思路：

1、取得网站的分页列表页的每页地址

目前绝大部分动态网站的分页地址都有规则，如:

动态页

第一页：index.asp?page=1

第二页：index.asp?page=2

第三页：index.asp?page=3

.....

静态页

第一页：page_1.htm

第二页：page_2.htm

第三页：page_3.htm

.....

取得网站的分页列表页的每页地址，只需要用变量替代每页地址的变化的字符即可如：page_<%="&page&"%>.htm

2、获取被采集网站的分页列表页内容

3、从分页列表代码中提取被采集的内容页面的URL连接地址

绝大部分分页页面里的内容页连接也有固定规则，如：

连接1

连接2

连接3

用以下代码就可以获得一个URL连接集合

以下内容为程序代码:

以下为引用的内容： Set xiaoqi = New Regexp xiaoqi.IgnoreCase = True xiaoqi.Global = True xiaoqi.Pattern = ””“.+?”““ Set Matches =xiaoqi.Execute(页面列表内容) set xiaoqi=nothing url="" For Each Match in Matches url=url&Match.Value Next

4、取得被采集的内容页面内容，根据”提取标记“从被采集的内容页面分别截取要取得的数据

因为是动态生成的页面，大多数内容页面内都有相同的html标记，我们可以根据这些有规则的标记提取需要的各个部分的内容。

如：

每个页面都有网页标题，用我上面写的MID截取函数就可以获得之间的值，也可以用正则表达式来获得。

例：body("","")