晰带语法着色的版本：http://gwx.showus.net/blog/article.asp?id=229原创很辛苦，转载请注明原文链接：http://gwx.showus.net/blog/article.asp?id=229web采集程序？网页抓取程序？小倫程序？不管怎么叫，这种程序应用倒是蛮广的。本文不讨论这种使用这种程序引起的版权或道德问题，只谈这种程序在ASP+VBScript环境下的实现 :-)预备知识：除了一般的ASP+VBScript的知识外，你还需要了解xmlhttp对象和正则表达式对象。xmlhttp对象是时下风头正劲的Ajax的主角；而学好了正则表达式，你再也不用为处理复杂的字符串犯愁。在编写和调试正则表达式时，RegEx 这个小工具非常有用。目录抓取一个远程网页并保存到本地 改进：处理乱码 同时下载远程网页的图片（和其它文件） 改进：探测真实URL 改进：避免重复下载 实战举例（以****为例） 分析列表页 内容页的技巧 分析内容页中的上一页，下一页 高级主题：UTF-8和GB2312的转换 更多高级主题：登陆后抓取，客户端伪造 己有的采集程序 原文链接：http://gwx.showus.net/blog/article.asp?id=229１.抓取一个远程网页并保存到本地'用于调试的过程，后面会多次调用检查中间结果Dim inDebug:inDebug=True Sub D(Str) If inDebug = False Then Exit Sub Response.Write("<div style='color:#003399; border: solid 1px #003399; background: #EEF7FF; margin: 1px; font-size: 12px; padding: 4px;'>") Response.Write(Str &"</div>") Response.Flush()End Sub'过程： Save2File'功能： 把文本或字节流保存为文件'参数： sContent 要保存的内容' sFile 保存到文件，形如"files/abc.htm"' bText 是否是文本' bOverWrite 是否覆盖己存在文件Sub Save2File(sContent,sFile,bText,bOverWrite) Call D("Save2File:"+sFile+" *是否文本："&bText) Dim SaveOption,TypeOption If (bOverWrite = True) Then SaveOption=2 Else SaveOption=1 If (bText = True) Then TypeOption=2 Else TypeOption=1 Set Ads = Server.CreateObject("Adodb.Stream") With Ads .Type = TypeOption .Open If (bText = True) Then .WriteText sContent Else .Write sContent .SaveToFile Server.MapPath(sFile),SaveOption .Cancel() .Close() End With Set Ads=nothingEnd Sub关键的函数'函数： myHttpGet'功能： 抓取一个远程文件（网页或图片等）并保存到本地'参数： sUrl 远程文件的URL' bText 是否是文本（网页），下载远程图片是bText=False'返回： 抓取的内容Function myHttpGet(sUrl,bText) Call D("<font color=red>myHttpGet:</font>"+sUrl+" *是否文本："&bText) 'Set oXml = Server.CreateObject("Microsoft.XMLHTTP") Set oXml = Server.CreateObject("MSXML2.ServerXMLHTTP") '服务器版本的XMLHTTP组件 '理解下面的内容，你可以参考一下MSDN中的MSXML2.ServerXMLHTTP With oXml .Open "GET",sUrl,False .Send While .readyState <> 4 '等待下载完毕 .waitForResponse 1000 Wend If bText = True Then myHttpGet = bytes2BSTR(.responseBody) Else myHttpGet = .responseBody End If End With Set oXml = NothingEnd Function改进：处理乱码直接读取服务器返回的中文内容会出现乱码，myHttpGet函数中引用的bytes2BSTR的作用是正确读取服务器返回的文件中的双字节文本（比如说中文）'myHttpGet helper 处理双字节文本Function bytes2BSTR(vIn) strReturn = "" For i = 1 To LenB(vIn) ThisCharCode = AscB(MidB(vIn,i,1)) If ThisCharCode < &H80 Then strReturn = strReturn & Chr(ThisCharCode) Else NextCharCode = AscB(MidB(vIn,i+1,1)) strReturn = strReturn & Chr(CLng(ThisCharCode) * &H100 + CInt(NextCharCode)) i = i + 1 End If Next bytes2BSTR = strReturnEnd Functionbytes2BSTR函数的功能也可以利用Adodb.Stream组件通过下面的函数实现，虽然下面的函数可以指定字符集Charset,但它并不能转换编码，即传递"UTF-8"给参数sCset，来读取一张GB2312编码的网页将显示为乱码。'CharsetHelper可以正确的读取以sCset（如"GB2312","UTF-8"等）编码的文件Function CharsetHelper(arrBytes,sCset) Call D("CharsetHelper: "+sCset) Dim oAdos Set oAdos = CreateObject("Adodb.Stream") With oAdos .Type = 1 .Mode =3 'adModeReadWrite .Open .Write arrBytes .Position = 0 .Type = 2 .Charset = sCset CharsetHelper = .ReadText .Close End With Set oAdos = NothingEnd Function２.同时下载远程网页的图片（和其它文件）'函数： ProcessRemoteUrl'功能： 替换字符串中的远程文件为本地文件并保存远程文件'参数： strContent 要替换的字符串，即远程网页文件的内容' sSavePath 不以／结尾的相对路径,指示远程文件的本地保存路径' sPreceding 更改后的URL前缀,如http://somehost/upload/'返回： 替换远程路径为本地路径之后的新的网页文本内容Function ProcessRemoteUrl(sContent,sSavePath,sPreceding) Call D("ProcessRemoteUrl")Set re=new RegExp re.IgnoreCase =true re.Global=True '下面的正则中.SubMatches(4)=文件名全名.SubMatches(5)文件扩展名 re.Pattern = "((http):(?://){1}(?:(?:w)+[.])+(net|com|cn|org|cc|tv|[0-9]{1,4})(S*/)((?:S)+[.]{1}(gif|jpg|jpeg|png|bmp)))"Set RemoteFile = re.Execute(sContent)Dim SaveFileName 'RemoteFile 正则表达式Match对象的集合 'RemoteFileUrl 正则表达式Match对象 For Each RemoteFileUrl in RemoteFile SaveFileName = RemoteFileUrl.SubMatches(4) Call Save2File(myHttpGet(RemoteFileUrl,False),sSavePath&"/"&SaveFileName,False,True) sContent=Replace(sContent,RemoteFileUrl,sPreceding&SaveFileName) NextProcessRemoteUrl=sContentEnd Function 改进：探测真实URL上面的ProcessRemoteUrl函数不能正确处理形如<img src="upload/abc.jpg" />和<a href="/upload/abc.gif" ...的内容，要处理这些相对链接，我们可以先用下面的函数把网页中的相对链接都转换成绝对链接'函数： DetectUrl'功能： 替换字符串中的远程文件相对路径为以http://..开头的绝对路径'参数： sContent 要处理的含相对路径的网页的文本内容' sUrl 所处理的远程网页自身的URL，用于分析相对路径'返回： 替换相对链接为绝对链接之后的新的网页文本内容Function DetectUrl(sContent,sUrl) Call D("DetectUrl:"&sUrl)'分析URL Dim re,sMatch Set re=new RegExp re.Multiline=True re.IgnoreCase =true re.Global=Truere.Pattern = "(http://[-A-Z0-9.]+)/[-A-Z0-9+&@#%~_|!:,.;/]+/" Dim sHost,sPath 'http://localhost/get/sample.asp Set sMatch=re.Execute(sUrl) 'http://localhost sHost=sMatch(0).SubMatches(0) 'http://localhost/get/ sPath=sMatch(0)re.Pattern = "(src|href)=""?((?!http://)[-A-Z0-9+&@#%=~_|!:,.;/]+)""?" Set RemoteFile = re.Execute(sContent)'RemoteFile 正则表达式Match对象的集合 'RemoteFileUrl 正则表达式Match对象,形如src="Upload/a.jpg" Dim sAbsoluteUrl For Each RemoteFileUrl in RemoteFile '<img src="a.jpg">,<img src="f/a.jpg">,<img src="/ff/a.jpg"> If Left(RemoteFileUrl.SubMatches(1),1)="/" Then sAbsoluteUrl=sHost Else sAbsoluteUrl=sPath End If sAbsoluteUrl = RemoteFileUrl.SubMatches(0)&"="""&sAbsoluteUrl&RemoteFileUrl.SubMatches(1)&"""" sContent=Replace(sContent,RemoteFileUrl,sAbsoluteUrl) NextDetectUrl=sContentEnd Function 改进：避免重复下载网页中的有些图片，比如spacer.gif重复出现，会被重复下载，壁免这个问题的一个方法是设置一个arrUrls数组，把采集过的文件的URL放在里面，在每次采集前先遍历数组看是否已经采集，然后只参集没有参集过的文件３.实战举例（以****为例）****是我最经常去的地方，而且网速不错，就以她为例啦，没有恶意哦:-)分析列表页内容页的技巧分析内容页中的上一页，下一页想了一下，这部分内容还是晢时不写，免得被ＢＳ了 :-),还省得打好多字。 无非是把远程网页采集下来，然后用正则表达式分析提取其中的特定内容，如标题，作者，内容之类的 我有两个小小的经验：一是网页源码前后的内容对分析有很大的干扰，你可以用下面的方法先把它支除'抽取部分内容进行分析，你可以用用EditPlus数字数'去除前7600和后5000的字符sPageW=Left(sPageW,Len(sPageW)-5000)sPageW=Mid(sPageW,7600)二是你可能不想在对方的服务器上留下连续的浏览记录，下面的一个小函数会有所帮助'过程： Sleep'功能： 程序在此晢停几秒'参数： iSeconds 要暂停的秒数Sub Sleep(iSeconds) D Timer()&" <font color=blue>Sleep For "&iSeconds&" Seconds</font>" Dim t:t=Timer() While(Timer()<t+iSeconds) 'Do Nothing Wend D Timer()&" <font color=blue>Sleep For "&iSeconds&" Seconds OK</font>"End Sub'调用举例，晢停,时长随机，在3秒以内Sleep(Fix(Rnd()*3))三就是多用正则表达式测试工具提高编写正则表达式的效率４.高级主题：UTF-8和GB2312的转换这个问题比较复杂，由于我智力和精力方面的原因没有完全搞定，网上己有的资料也大多不完全正确或者不全面，我推荐一个UTF-8和GB2312的转换的Ｃ语言的实现供大家参考，它功能完整而且不依赖Windows API函数。我在试着用ASP+VBScript实现它，有一些不太成熟的经验：计算机上的文件、操作系统内部的字符串表示都是Unicode的，所以，UTF-8和GB2312之间的转换需要以Unicode为中介 UTF-8就是Unicode的一个变体，它们之间的相互转换比较简单，参考下图就可以了 GB2312和Unicode的编码好像是不相关的，不依赖操作系统内部函数进行转换就需要一个编码映射表，指出GB2312和Unicode的编码一一对应的关系，这个编码表大约包含7480×２个项目。 在ASP文件中，要默认以某和编码(如GB2312)读取一个字符串，需要将ASP的CodePage设为相应代码页（对GB2312是CodePage=936） 编码转换中还有一些又小又重要的问题我还不知道:-( ５.更多高级主题：登陆后抓取，客户端伪造等xmlhttp对象可以以post或get的方法与http服务器交互，可以设置和读取http头，学习一下http协议，并且更深入的了解一些xmlhttp对象的方法和属性，你就可以用它来模拟一个浏览器，自动的做各种以前需要人来做的重复工作。６.己有的采集程序本文旨在讨论采集程序在ASP+VBScript环境下的实现，如果你需要一个网页采集程序，下面的链接可能对你有用。LocoySpider火车头网页内容采集器 C#+.Net编写的内容采集器，它的一个重要特点是不将采集来的内容保存到数据库，而是使用自定的POST提交的别的网页，如内容管理系统的新建内容页。免费。 BeeCollector (小蜜蜂采集器) PHP+MySQL编写的内容采集器。 风讯内容管理系统 这个强大的内容管理系统内带有一个ASP的网页内容采集器

　　推荐阅读

　　ASP编程入门进阶（一）：安装配置服务器

本人的水平有限，难免有疏忽遗漏之处，还望大家批评指正，在此先谢过。ASP编程入门进阶（一）：安装配置服务器鉴于ASP脚本语言是在服务器端IIS或PWS中解释和运行，并可动态生成普通的HTML网页，然后再传送到客户端>>>详细阅读

本文标题：用xmlhttp编写web采集程序

地址：http://www.17bianji.com/kaifa2/ASP/32878.html

 1/2    1