用ASP实现远程抓取网页到本地数据库

    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Aclearcase/" target="_blank" >ccess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。

原文转自：http://www.ltesting.net