asp的一般代码搜集 HTML内容详解: Rules的搜集

发布时间：2023-06-17 14:45:40 所属栏目：Asp教程来源：

导读：我开发过几个采集程序，也研究过很多采集程序代码，所以对采集程序的原理还算是稍微有些了解。

先说一下采集原理：

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

我开发过几个采集程序，也研究过很多采集程序代码，所以对采集程序的原理还算是稍微有些了解。

先说一下采集原理：

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

复制代码代码如下:

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

复制代码代码如下:

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

复制代码代码如下:

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

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

复制代码代码如下:

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

复制代码代码如下:

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：

<a href="url1">连接1</a> <br>

<a href="url2">连接2</a> <br>

<a href="url3">连接3</a> <br>

用以下代码就可以获得一个URL连接集合

复制代码代码如下:

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<title>网页标题</title>，用我上面写的MID截取函数就可以获得<title></title>之间的值，也可以用正则表达式来获得。

例：body("<title>网页标题</title>","<title>","</title>")

（编辑：聊城站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!