用ASP实现远程抓取网页到本地数据库
接到一个任务是把中国名牌网站的某些内容添加到我们的网站上，这些网站上有些页面是文章链接列表，点击链接会出现文章的详细内容显示页，根据这个规律，结合正则表达式，XMLHTTP技术，Jscript服务端脚本，以及ADO技术，写了一个小程序，把这些内容抓取到了本地数据库。抓取下来，然后就数据库对数据库导数据就比较方便了。先建立一个Access数据库，结构如下
Id
自动编号
标识，主键
oldID
数字
旧数据编码
Title
标题
文本
Content
备注
内容
具体实现代码如下
＜%@LANGUAGE="JSCRIPT" CODEPAGE="936"%＞
＜!-- METADATA NAME="Microsoft ActiveX Data Objects 2.5 Library"
TYPE="TypeLib" UUID="{00000205-0000-0010-8000-00AA006D2EA4}" --＞
＜%
//打开数据库
try
{
var strConnectionString = "Provider=Microsoft.Jet.OLEDB.4.0;Data Source=" + Server.MapPath("#db.mdb");
var objConnection = Server.CreateObject("ADODB.Connection");
objConnection.Open(strConnectionString);
}
catch(e)
{
Response.Write(e.description);
Response.End();
}
%＞
＜script language="jscript" runat="server"＞
//远程获取数据
function GetData()
{
var xHttp = new ActiveXObject("microsoft.xmlhttp");
xHttp.open("POST","http://www.chinamp.org/mppro2.php",false);
xHttp.send();
return(xHttp.responseText);
}
//利用正则表达式提取符合条件的链接
function GetLinks(str)
{
var re = new RegExp("＜a[^＜＞]+?\＞((.|\n)*?)＜\/a＞", "gi");
var a = str.match(re); //第一次搜索 for(var i=0;i＜a.length;i++)
{
var t1,t2;
var temp;
var r = /qy.php\?id=(\d+)/ig;
if(!r.test(a[i]))continue;
temp = a[i].match(/qy.php\?id=(\d+)/ig);
t1 = RegExp.$1;
temp = a[i].match(/＜font[^＜＞]+?color=\"#000000\"\＞(.*?)＜\/font＞/ig);
t2 = RegExp.$1;
if(t1 == t2)continue;
SaveArticle(t1,t2,GetContent(t1));
}
}
//通过提取的链接获取ID，并通过这个ID取抓取相应的文章
function GetContent(id)
{
var xHttp = new ActiveXObject("microsoft.xmlhttp");
xHttp.open("POST","http://www.chinamp.org/qy.php?id=" + id,false);
xHttp.send();
var str = xHttp.responseText;
var re = new RegExp("＜span[^＜＞]+?style=\"font-size:10\.8pt\"＞(.*?)＜\/span＞", "gi");
var a = str.match(re);
return(RegExp.$1);
}
//入库
function SaveArticle(oldID,Title,Content)
{
var oRst = Server.CreateObject("ADODB.Recordset");
var sQuery;
sQuery = "SELECT oldID,Title,Content FROM Articles"
oRst.Open(sQuery,objConnection,adOpenStatic,adLockPessimistic);
oRst.AddNew();
oRst("oldID") = oldID;
oRst("Title") = Title;
oRst("Content") = Content;
oRst.Update();
oRst.Close();
Response.Write(Title + "抓取成功" + "＜br＞");
}
＜/script＞
＜HTML＞
＜HEAD＞
＜TITLE＞ 抓取文章＜/TITLE＞
＜meta http-equiv="Content-Type" content="text/html; charset=gb2312"＞＜/HEAD＞
＜BODY＞
＜%=GetLinks(GetData())%＞
＜/BODY＞
＜/HTML＞
下一步就是，把这个Access的数据库的内容导入到服务器的数据库里了，但是还有一些东西，就是原来的文章是分类的，所以导入的时候还得手工分类，因为在分析链接的时候正则表达式本来写就很麻烦，但还算严谨，如果把分类也用正则表达式解析的话，会很麻烦，因为分类是包含在＜td＞里面的，而那个页的＜td＞标签又很多，要想定位分类文字所在的＜td＞会很麻烦，即便写出来，程序也会失去灵活性，变得难以维护，所以现在只做到了这一步。