ASP网站数据采集经验谈（2）

二、从获取代码中提取所有用的数据

目前我掌握的方法有：

1、用ASP内置的MID函数截取需要的数据

Function body(wstr,start,over) 
start=Newstring(wstr,start) 
'设置需要处理的数据的唯一的开始标记 
over=Newstring(wstr,over) 
'和start相对应的就是需要处理的数据的唯一的结束标记 
body=mid(wstr,start,over-start) 
'设置显示页面的范围 
End Function 

调用方法：body(被采集的页面的内容,开始标记,结束标记)

2、用正则获取需要的数据

Function body(wstr,start,over) 
Set xiaoqi = New Regexp'设置配置对象 
xiaoqi.IgnoreCase = True'忽略大小写 
xiaoqi.Global = True'设置为全文搜索 
xiaoqi.Pattern = "”&start&“.+?”&over&“"'正则表达式 
Set Matches =xiaoqi.Execute(wstr)'开始执行配置 
set xiaoqi=nothing 
body="" 
For Each Match in Matches 
body=body&Match.Value '循环匹配 
Next 
End Function

调用方法：body(被采集的页面的内容,开始标记,结束标记)

采集程序祥细思路：

1、取得网站的分页列表页的每页地址

目前绝大部分 * 站的分页地址都有规则，如:
动态页
第一页：index.asp?page=1
第二页：index.asp?page=2
第三页：index.asp?page=3
.....

静态页
第一页：page_1.htm
第二页：page_2.htm
第三页：page_3.htm
.....

取得网站的分页列表页的每页地址，只需要用变量替代每页地址的变化的字符即可如：page_<％="&page&"％>.htm

2、获取被采集网站的分页列表页内容

3、从分页列表代码中提取被采集的内容页面的URL连接地址

绝大部分分页页面里的内容页连接也有固定规则，如： 

<a href="url1">连接1</a> <br> 
<a href="url2">连接2</a> <br> 
<a href="url3">连接3</a> <br>

 用以下代码就可以获得一个URL连接集合

Set xiaoqi = New Regexp 
xiaoqi.IgnoreCase = True 
xiaoqi.Global = True 
xiaoqi.Pattern = ””“.+?”““ 
Set Matches =xiaoqi.Execute(页面列表内容) 
set xiaoqi=nothing 
url="" 
For Each Match in Matches 
url=url&Match.Value 
Next 

4、取得被采集的内容页面内容，根据”提取标记“从被采集的内容页面分别截取要取得的数据

因为是动态生成的页面，大多数内容页面内都有相同的html标记，我们可以根据这些有规则的标记提取需要的各个部分的内容。

如： 每个页面都有网页标题<title>网页标题</title>，用我上面写的MID截取函数就可以获得<title></title>之间的值，也可以用正则表达式来获得。
例：

body("<title>网页标题</title>","<title>","</title>")