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\.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。

posted @ 2005-07-15 15:59  蛙蛙王子  Views(...)  Comments(...Edit  收藏