asp采集HTML内容常用代码,详讲正则采集

OStack程序员社区-中国程序员成长平台 › 门户 › 编程› ASP.NET›ASP.NET编程经验

原作者: [db:作者] 来自: [db:来源] 收藏邀请

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>")