网站生成静态页面攻略2:数据采集

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) 
'-----------------翟振恺(小琦)
    '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
'-----------------翟振恺(小琦)
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) 
'-----------------翟振恺(小琦)
    '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 
'-----------------翟振恺(小琦)
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)
'-----------------翟振恺(小琦)
        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
'-----------------翟振恺(小琦)
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
    1、用asp内置的mid函数截取需要的数据

function body(wstr,start,over)
'-----------------翟振恺(小琦)
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
'-----------------翟振恺(小琦)
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)
'-----------------翟振恺(小琦)
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
'-----------------翟振恺(小琦)
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

'-----------------翟振恺(小琦)
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
'-----------------翟振恺(小琦)
    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>")