用ASP实现远程抓取网页到本地数据库

80酷酷网    80kuku.com

  数据|数据库|网页    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[^<>]+? "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。

分享到
  • 微信分享
  • 新浪微博
  • QQ好友
  • QQ空间
点击: