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

1. Function GetBody(weburl)
   
2. '创建对象
   
3. Dim ObjXMLHTTP
   
4. Set ObjXMLHTTP=Server.CreateObject("MSXML2.serverXMLHTTP")
   
5. '请求文件,以异步形式
   
6. ObjXMLHTTP.Open "GET",weburl,False
   
7. ObjXMLHTTP.send
   
8. While ObjXMLHTTP.readyState <> 4
   
9. ObjXMLHTTP.waitForResponse 1000
   
10. Wend
    
11. '得到结果
    
12. GetBody=ObjXMLHTTP.responseBody
    
13. '释放对象
    
14. Set ObjXMLHTTP=Nothing
    
15. End Function
    
16. 调用方法：
    
17. GetBody(文件的URLf地址)

复制代码

2、或XMLHTTP组件获取数据

1. Function GetBody(weburl)
   
2. '创建对象
   
3. Set Retrieval = CreateObject("Microsoft.XMLHTTP")
   
4. With Retrieval
   
5. .Open "Get", weburl, False, "", ""
   
6. .Send
   
7. GetBody = .ResponseBody
   
8. End With
   
9. '释放对象
   
10. Set Retrieval = Nothing
    
11. End Function

复制代码

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

1. Function BytesToBstr(body,Cset)
   
2. dim objstream
   
3. set objstream = Server.CreateObject("adodb.stream")
   
4. objstream.Type = 1
   
5. objstream.Mode =3
   
6. objstream.Open
   
7. objstream.Write body
   
8. objstream.Position = 0
   
9. objstream.Type = 2
   
10. objstream.Charset = Cset
    
11. BytesToBstr = objstream.ReadText
    
12. objstream.Close
    
13. set objstream = nothing
    
14. End Function

复制代码

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

1. Function body(wstr,start,over)
   
2. start=Newstring(wstr,start)
   
3. '设置需要处理的数据的唯一的开始标记
   
4. over=Newstring(wstr,over)
   
5. '和start相对应的就是需要处理的数据的唯一的结束标记
   
6. body=mid(wstr,start,over-start)
   
7. '设置显示页面的范围
   
8. End Function

复制代码

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

1. Function body(wstr,start,over)
   
2. Set xiaoqi = New Regexp'设置配置对象
   
3. xiaoqi.IgnoreCase = True'忽略大小写
   
4. xiaoqi.Global = True'设置为全文搜索
   
5. xiaoqi.Pattern = "”&start&“.+?”&over&“"'正则表达式
   
6. Set Matches =xiaoqi.Execute(wstr)'开始执行配置
   
7. set xiaoqi=nothing
   
8. body=""
   
9. For Each Match in Matches
   
10. body=body&Match.Value '循环匹配
    
11. Next
    
12. End Function

复制代码

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

1. Set xiaoqi = New Regexp
   
2. xiaoqi.IgnoreCase = True
   
3. xiaoqi.Global = True
   
4. xiaoqi.Pattern = ””“.+?”““
   
5. Set Matches =xiaoqi.Execute(页面列表内容)
   
6. set xiaoqi=nothing
   
7. url=""
   
8. For Each Match in Matches
   
9. url=url&Match.Value
   
10. Next

复制代码

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>")