站内搜索

用ASP实现远程抓取网页到本地数据库

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();

　}

//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>

<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。

[wangjy17908]

添加时间：2007-10-07