asp采集HTML内容常用代码,详讲正则采集

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

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

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

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

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

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

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>")