asp采集HTML内容常用代码,详讲正则采集
导读：收集整理的这篇文章主要介绍了asp采集HTML内容常用代码,详讲正则采集，觉得挺不错的，现在分享给大家，也给大家做个参考。 先说一下采集原理： 采集程序的主要步骤如下： 一、获取被采集的...
收集整理的这篇文章主要介绍了asp采集HTML内容常用代码,详讲正则采集，觉得挺不错的，现在分享给大家，也给大家做个参考。 先说一下采集原理： 采集程序的主要步骤如下：
一、获取被采集的页面的内容
二、从获取代码中提取所有用的数据
一、获取被采集的页面的内容
我目前所掌握的ASP常用获取被采集的页面的内容方法：
1、用serverXMLHTTP组件获取数据
复制代码 代码如下:
Function GetBody(weburl)
'创建对象
Dim ObjXMLHTTP
Set ObjXMLHTTP=Server.CreateObject("MSXML2.serverXMLHTTP")
'请求文件,以异步形式
ObjXMLHTTP.OPEn "GET",weburl,False
ObjXMLHTTP.send
While ObjXMLHTTP.readystate > 4
ObjXMLHTTP.waitForResponse 1000
Wend
'得到结果
GetBody=ObjXMLHTTP.responseBody
'释放对象
Set ObjXMLHTTP=Nothing
End Function
调用方法：
GetBody(文件的URLf地址)
2、或XMLHTTP组件获取数据
复制代码 代码如下:
Function GetBody(weburl)
'创建对象
Set Retrieval = CreateObject("Microsoft.XMLHTTP")
WITh Retrieval
.Open "Get", weburl, False, "", ""
.Send
GetBody = .ResponseBody
End With
'释放对象
Set Retrieval = Nothing
End Function
调用方法：
GetBody(文件的URLf地址)
这样获取的数据内容还需要进行编码转换才可以使用
复制代码 代码如下:
Function BytestoBstr(body,Cset)
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
End Function
调用方法：BytesToBstr(要转换的数据,编码)'编码常用为GB2312和UTF-8
二、从获取代码中提取所有用的数据
目前我掌握的方法有：
1、用ASP内置的MID函数截取需要的数据
复制代码 代码如下:
Function body(wstr,start,over)
start=Newstring(wstr,start)
'设置需要处理的数据的唯一的开始标记
over=Newstring(wstr,over)
'和start相对应的就是需要处理的数据的唯一的结束标记
body=mid(wstr,start,over-start)
'设置显示页面的范围
End Function
调用方法：body(被采集的页面的内容,开始标记,结束标记)
2、用正则获取需要的数据
复制代码 代码如下:
Function body(wstr,start,over)
Set xiaoqi = New Regexp'设置配置对象
xiaoqi.IgnoreCase = True'忽略大小写
xiaoqi.Global = True'设置为全文搜索
xiaoqi.Pattern = "”& start& “.+?”& over& “"'正则表达式
Set Matches =xiaoqi.Execute(wstr)'开始执行配置
set xiaoqi=nothing
body=""
For each Match in Matches
body=body& match.Value '循环匹配
Next
End Function
调用方法：body(被采集的页面的内容,开始标记,结束标记)
采集程序祥细思路：
1、取得网站的分页列表页的每页地址
目前绝大部分动态网站的分页地址都有规则，如:
动态页
第一页：index.asp?page=1
第二页：index.asp?page=2
第三页：index.asp?page=3
.....
静态页
第一页：page_1.htm
第二页：page_2.htm
第三页：page_3.htm
.....
取得网站的分页列表页的每页地址，只需要用变量替代每页地址的变化的字符即可如：page_%="& page& "%> .htm
2、获取被采集网站的分页列表页内容
3、从分页列表代码中提取被采集的内容页面的URL连接地址
绝大部分分页页面里的内容页连接也有固定规则，如：
a href="url1"> 连接1/a> br>
a href="url2"> 连接2/a> br>
a href="url3"> 连接3/a> br>
用以下代码就可以获得一个URL连接集合
复制代码 代码如下:
Set xiaoqi = New Regexp
xiaoqi.IgnoreCase = True
xiaoqi.Global = True
xiaoqi.Pattern = ””“.+?”““
Set Matches =xiaoqi.Execute(页面列表内容)
set xiaoqi=nothing
url=""
For Each Match in Matches
url=url& Match.Value
Next
4、取得被采集的内容页面内容，根据”提取标记“从被采集的内容页面分别截取要取得的数据
因为是动态生成的页面，大多数内容页面内都有相同的html标记，我们可以根据这些有规则的标记提取需要的各个部分的内容。
如：
每个页面都有网页标题title> 网页标题/title> ，用我上面写的MID截取函数就可以获得title> /title> 之间的值，也可以用正则表达式来获得。
例：body("title> 网页标题/title> ","title> ","/title> ") 您可能感兴趣的文章:
- javascript+HTML5自定义元素播放焦点图动画
- css3元素简单的闪烁效果实现(html5 jquery)
- 用正则查找html中有id属性的html标签
- asp自动补全html标签自动闭合(正则表达式)
- php正则过滤html标签、空格、换行符的代码(附说明)
- asp.net正则表达式删除指定的HTML标签的代码
- Java/Js下使用正则表达式匹配嵌套Html标签
- 正则表达式与HTML5新元素
声明：本文内容由网友自发贡献，本站不承担相应法律责任。对本内容有异议或投诉，请联系2913721942#qq.com核实处理，我们将尽快回复您，谢谢合作！
若转载请注明出处： asp采集HTML内容常用代码,详讲正则采集
本文地址： https://pptw.com/jishu/604128.html