Function GetBody(weburl) '-----------------翟振愷(小琦) '創(chuàng)建對象 Dim ObjXMLHTTP Set ObjXMLHTTP=Server.CreateObject("MSXML2.serverXMLHTTP") '請求文件,以異步形式 ObjXMLHTTP.Open "GET",weburl,False ObjXMLHTTP.send While ObjXMLHTTP.readyState > 4 ObjXMLHTTP.waitForResponse 1000 Wend '得到結(jié)果 GetBody=ObjXMLHTTP.responseBody '釋放對象 Set ObjXMLHTTP=Nothing '-----------------翟振愷(小琦) End Function 調(diào)用方法: GetBody(文件的URLf地址) 2、或XMLHTTP組件獲取數(shù)據(jù)
Function GetBody(weburl) '-----------------翟振愷(小琦) '創(chuàng)建對象 Set Retrieval = CreateObject("Microsoft.XMLHTTP") With Retrieval .Open "Get", weburl, False, "", "" .Send GetBody = .ResponseBody End With '釋放對象 Set Retrieval = Nothing '-----------------翟振愷(小琦) End Function 調(diào)用方法: GetBody(文件的URLf地址) 這樣獲取的數(shù)據(jù)內(nèi)容還需要進行編碼轉(zhuǎn)換才可以使用
Function BytesToBstr(body,Cset) '-----------------翟振愷(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 '-----------------翟振愷(小琦) End Function
Function body(wstr,start,over) '-----------------翟振愷(小琦) start=Newstring(wstr,start) '設(shè)置需要處理的數(shù)據(jù)的唯一的開始標記 over=Newstring(wstr,over) '和start相對應(yīng)的就是需要處理的數(shù)據(jù)的唯一的結(jié)束標記 body=mid(wstr,start,over-start) '設(shè)置顯示頁面的范圍 '-----------------翟振愷(小琦) End Function 調(diào)用方法:body(被采集的頁面的內(nèi)容,開始標記,結(jié)束標記) 2、用正則獲取需要的數(shù)據(jù)
Function body(wstr,start,over) '-----------------翟振愷(小琦) Set xiaoqi = New Regexp'設(shè)置配置對象 xiaoqi.IgnoreCase = True'忽略大小寫 xiaoqi.Global = True'設(shè)置為全文搜索 xiaoqi.Pattern = "”start“.+?”over“"'正則表達式 Set Matches =xiaoqi.Execute(wstr)'開始執(zhí)行配置 set xiaoqi=nothing body="" For Each Match in Matches body=bodyMatch.Value '循環(huán)匹配 Next '-----------------翟振愷(小琦) End Function 調(diào)用方法:body(被采集的頁面的內(nèi)容,開始標記,結(jié)束標記) 采集程序祥細思路: 1、取得網(wǎng)站的分頁列表頁的每頁地址 目前絕大部分動態(tài)網(wǎng)站的分頁地址都有規(guī)則,如: 動態(tài)頁 第一頁:index.asp?page=1 第二頁:index.asp?page=2 第三頁:index.asp?page=3 .....
2、獲取被采集網(wǎng)站的分頁列表頁內(nèi)容 3、從分頁列表代碼中提取被采集的內(nèi)容頁面的URL連接地址 絕大部分分頁頁面里的內(nèi)容頁連接也有固定規(guī)則,如: a href="url1">連接1/a> br> a href="url2">連接2/a> br> a href="url3">連接3/a> br>
用以下代碼就可以獲得一個URL連接集合
'-----------------翟振愷(小琦) Set xiaoqi = New Regexp xiaoqi.IgnoreCase = True xiaoqi.Global = True xiaoqi.Pattern = ””“.+?”““ Set Matches =xiaoqi.Execute(頁面列表內(nèi)容) set xiaoqi=nothing url="" For Each Match in Matches url=urlMatch.Value Next '-----------------翟振愷(小琦) 4、取得被采集的內(nèi)容頁面內(nèi)容,根據(jù)”提取標記“從被采集的內(nèi)容頁面分別截取要取得的數(shù)據(jù)
meta http-equiv="refresh" content="6;url=內(nèi)容頁(http://www.xiaoqi.net)"> 其實,只要做好防采集的第一步(加密分頁文件名規(guī)則),防采集的效果就已經(jīng)不錯了,還是建議兩條反采集方法同時使用 ,給采集者增加采集難度,使得他們知難頁退。