蛙蛙推荐：远程抓取网页到本地数据库.doc
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，地址如下：
http://www.chinamp.org/mppro2.php
这个页上全是一些文章链接列表，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\
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。
