用ASP实现远程抓取网页到本地数据库
2006-04-07 11:58:08 来源:WEB开发网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。
更多精彩
赞助商链接