ASPコレクション-Asp取得プログラムの動作
次のように手順を収集する主なステップは以下のとおりです。
まず、コンテンツへのアクセスは、ページ取得し
、取得したコードから使用されているすべてのデータを抽出するには、2つ、
最初は、コンテンツへのアクセスがページ収集される
:I現在利用可能なASP一般コンテンツアプローチを得るために使用が捕捉されるページ
のServerXMLHTTPコンポーネントと1を、データを取得します
次のプログラムコード:
以下は、参照の内容です: 機能GetBody(WebUrl) 「オブジェクトの作成 薄暗いObjXMLHTTP 設定ObjXMLHTTP = Server.CreateObjectに( 『MSXML2.ServerXMLHTTP』) 」非同期形式にファイル要求 「GET」ObjXMLHTTP.Open、WebUrl、偽 ObjXMLHTTP.send ながらObjXMLHTTP.readyState <>。4 ObjXMLHTTP.waitForResponse 1000年 Wendの '結果が得られ GetBody = ObjXMLHTTP.responseBody オブジェクトが解放された' 設定ObjXMLHTTP =何も エンド機能を |
メソッドを呼び出します。
GetBody(URLfアドレスファイル)
図2に示すように、データ収集コンポーネント、またはXMLHTTP
次のプログラムコード:
以下は、参照の内容です: 機能GetBody(weburl) |
メソッドを呼び出します。
GetBody(URLfアドレスファイル)
あなたが使用する前に、取得したコンテンツデータもトランスコードする必要があります
次のプログラムコード:
以下为引用的内容: 機能BytesToBstr(本体、CSET) DIM objstream セットobjstream = Server.CreateObjectに( "adodb.stream") objstream.Type = 1 objstream.Mode = 3 objstream.Open objstream.Write体 objstream.Position = 0 objstream.Type = 2 objstream.Charset = CSET BytesToBstr = objstream.ReadText objstream.Close セットobjstream =何も エンド機能 |
BytesToBstr(データを変換する、符号化された)「コーディングのために使用され、UTF-8 GB2312:メソッド呼び出し
第二に、からのコードを取得するために使用されるすべてのデータを抽出するために
私の方法の現在のマスターをしている:
1、ASPは、組み込みデータMID機能傍受のニーズ
次のプログラムコード:
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
以下内容为程序代码:
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:
连接1
连接2
连接3
用以下代码就可以获得一个URL连接集合
以下内容为程序代码:
以下为引用的内容: 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,用我上面写的MID截取函数就可以获得之间的值,也可以用正则表达式来获得。
例:body("","")