asp 采集程序常用函数分析-巨人网络通讯

asp 采集程序常用函数分析

原理
采集程序实际上是通过了XML中的XMLHTTP组件调用其它网站上的网页。比如新闻采集程序，很多都是调用了sina的新闻网页，并且对其中的html进行了一些替换，同时对广告也进行了过滤。用采集程序的优点有：无须维护网站，因为采集程序中的数据来自其他网站，它将随着该网站的更新而更新；可以节省服务器资源，一般采集程序就几个文件，所有网页内容都是来自其他网站。缺点有：不稳定，如果目标网站出错，程序也会出错，而且，如果目标网站进行升级维护，那么采集程序也要进行相应修改；速度，因为是远程调用，速度和在本地服务器上读取数据比起来，肯定要慢一些。

一、事例
下面就XMLHTTP在ASP中的应用做个简单说明

复制代码代码如下:

 
% 
'常用函数 
'1、输入url目标网页地址，返回值getHTTPPage是目标网页的html代码 
function getHTTPPage(url) 
dim Http 
set Http=server.createobject("MSXML2.XMLHTTP") 
Http.open "GET",url,false 
Http.send() 
if Http.readystate>4 then 
exit function 
end if 
getHTTPPage=bytesToBstr(Http.responseBody,"GB2312") 
set http=nothing 
if err.number>0 then err.Clear 
end function 
'2、转换乱玛，直接用xmlhttp调用有中文字符的网页得到的将是乱玛，可以通过adodb.stream组件进行转换 
Function BytesToBstr(body) 
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 = "GB2312" '转换原来默认的UTF-8编码转换成GB2312编码，否则直接用XMLHTTP组件调用有中文字符的网页得到的将是乱码 
BytesToBstr = objstream.ReadText 
objstream.Close 
set objstream = nothing 
End Function 
'下面试着调用https://www.jb51.net的html内容 
Dim Url,Html 
Url="https://www.jb51.net"; 
Html = getHTTPPage(Url) 
Response.write Html 
%> 

二、几个常用的函数
（一）InStr 函数
描述
返回某字符（string2）串在另一字符串（string1）中第一次出现的位置。
语法
InStr(string1, string2)
例如：
Dim SearchString, SearchChar
SearchString ="https://www.jb51.net" ' 要在其中搜索的字符串。
SearchChar = "jb51" ' 搜索 "jb51"。
MyBK = Instr(SearchString, SearchChar) ' 返回 8
'如果找不到则返回“0”，例如：
SearchChar = "BK"
MyBK = Instr(SearchString, SearchChar) ' 返回 0
（二）Mid 函数
描述
从字符串中返回指定数目的字符。
语法
Mid(string, start, over)
例如：
Dim MyBK
MyBK = Mid("我们的BK(www.google)设计", 7, 12) '截取字符串"我们的BK(www.google)设计"第7个字符以后的12个字符
'此时MyBK的值就变成了"www.google"
（三）Replace 函数
Dim SearchString, SearchChar
SearchString ="我们的BK设计是一个网站建设资源网站" ' 要在其中搜索的字符串。
SearchString =Replace(SearchString,"BK设计","Www.google")
'此时SearchString的值就变成了"我们的Www.google是一个网站建设资源网站"

三、截取指定区域的HTML代码
例如我只想获取以下HTML代码中"td>"和"/td>"之间的的文字部分:
html>
title>(www.google)谷歌搜索引擎/title>
body>
table>
tr>td>/td>/tr>
tr>td id="Content">BK(www.google)谷歌搜索引擎是个资源多多的站点……/td>/tr>
/table>
/body>
/html>
%
……
Dim StrBK,start,over,RsBK
StrBK=getHTTPPage(网页的地址)
start=Instr(StrBK,"td id=""Content"">") '此处的作用是获取字符串开始地方的定位。这里要有人问了:原来的代码是td id="Content">,怎么你这里调用的是td id=""Content"">啊?答案:asp中（准确的说是VBscript中是用两个双引号来表示一个双引号的，因为双引号对于程序来说是个敏感字符。）
over=Instr(StrBK,"…/td>/tr>")'此处的作用是获取字符串结束地方的定位。
'这里又要有人问了:( :程序调用HTML代码干吗前面多出来3个点点"…"啊？答：提示：上面一行也有一个/td>/tr>，如果这里用/td>/tr>来定位的话，程序会错误地把上面一行的/td>/tr>当成欲获取字符串的结束部分了。
RsBK=mid(StrBK,start,over-start) '此处的作用是取出StrBK中第start个字符到第over个字符之间的字符串。mid函数前面一节我也讲过了；over-start是为了计算出开始位置和结束位置之间的距离，也就是字符数。
response.write(RsBK) '最后输出程序获取的内容
%>
不要高兴的太早，当你运行的时候，你会发现页面的html代码有错误，为什么呢？因为你获取的html代码是：
td id="Content">BK(www.google)谷歌搜索引擎是个资源多多的站点…
看到了吧？有残缺的HTML代码啊！怎么办呢？start=Instr(StrBK,"td id=""Content"">")这个语句获取的是"td id="Content">"在StrBK中的位置数,现在我们可以在程序语句的后面加上17,那么程序就会将位置指向td id="Content">后面的那个字符.
好的,程序将改成这样:
%
……
Dim StrBK,start,over,RsBK
StrBK=getHTTPPage(网页的地址)
start=Instr(StrBK,"td id=""Content"">") + 17
over=Instr(StrBK,"…/td>/tr>") '这里你也可以减去七(-7)把3个点去掉
RsBK=mid(StrBK,start,over-start)
response.write(RsBK)
%>
这样就OK了,我们就可以将我们想要的东西偷过来显示在我们自己的页面了,呵呵~

四、删掉或修改获取的字符
将RsBK中的"BK(www.google)"换成"BK":
RsBK=replace(RsBK,"BK(www.google)","BK")
或者直接把"(www.google)"删掉:
RsBK=replace(RsBK,"(www.google)","")
好了,现在RsBK就变成了:"BK谷歌搜索引擎是个资源多多的站点……"了.
但是事实中,有些情况可能replace函数是不适应的,比如我们想把某个字符串里面的所有连接都去掉.连接可能包括很多种类型,replace只能替代其中特定的一个,我们不可能用一个又一个对应的replace函数来替换吧?
但可以使用正则表达式来代替此项工作。这里不细谈了。
（一）如何将对方网站的翻页也处理成我们自己的呢?
答案是：利用replace函数和页面参数的传递。
例如对方页面里含有这样的翻页代码："a href=2.htm>下一页/a>",我们可以先利用上面讲的内容，获取这个字符串，然后用replace函数：RsBK=replace(RsBK,"a href=","a href=page.asp?Url=")
然后再page.asp的程序里获取Url的参数值，最后用采集技术获取下一页你想要的内容就可以了。
（二）如何将获取的内容入库
由于篇幅有限,这里简单说一下.
其实很简单：
将偷来的内容作一下处理，防止在写入数据库的时候出现sql注入错误，例如：replace(String,"'","''")
然后执行一个插入数据库操作的sql命令就ok了~
以上只是一些关于XMLHTTP组件的初级应用，实际上它还能实现的功能还有很多，比如说保存远程图片到本地服务器上，配合adodb.stream组件可以把获取来的数据保存进数据库。采集的作用和使用范围都很广。

您可能感兴趣的文章: