ASP.Net中抓取网页到本地数据库

最新推荐文章于 2024-03-07 16:52:01 发布

netjxz

最新推荐文章于 2024-03-07 16:52:01 发布

阅读量2.3k

点赞数

文章标签：数据库 asp.net 正则表达式 function table microsoft

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"%>



<%

//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))continue;

temp = a.match(/qy.php/?id=(/d+)/ig);

t1 = RegExp.$1;

temp = a.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。

如何用正则表达式提出网页表格中的数据?

＜table[^＞]*＞[/s/S]*?<a[/s/S]*?href=("(?<href>[^"]*)"|'(?<href>[^']*)'|(?<href>[^>/s]*))[^>]*?>(?<title>[/s/S]*?)</a>[/s/S]*?＜/table＞

测试：
string content = @"＜table border=""0"" width=""11%"" class=""Headline""＞
＜tr＞
＜td width=""100%""＞
＜p align=""center""＞这是第一个表格＜/td＞
<td>
<A href=""http://www.163.com"" target=_blank>网易</A></td>
＜/tr＞
＜/table＞";
Regex htmlRegex = new Regex(
@"＜table[^＞]*＞[/s/S]*?<a[/s/S]*?href=(""(?<href>[^""]*)""|'(?<"
+ @"href>[^']*)'|(?<href>[^>/s]*))[^>]*?>(?<title>[/s/S]*?)</a>["
+ @"/s/S]*?＜/table＞",
RegexOptions.IgnoreCase | RegexOptions.Compiled);
//content = htmlRegex.Replace(content, "");

MatchCollection mc = htmlRegex.Matches(content);
string[] div = new string[mc.Count];
for (int i=0; i<mc.Count; i++)
{
//int n = Int32.Parse(mc[i].Groups["Content"].Value);
Console.WriteLine(mc[i].Groups[0].Value); //The whole table
Console.WriteLine(mc[i].Groups["href"].Value); //URL
Console.WriteLine(mc[i].Groups["title"].Value); //Text
//Console.WriteLine();
//div[i] = mc[i].Groups["content"].Value;
}
输出：
＜table border="0" width="11%" class="Headline"＞
＜tr＞
＜td width="100%"＞
＜p align="center"＞这是第一个表格＜/td＞
<td>
<A href="http://www.163.com" target=_blank>网易</A></td>
＜/tr＞
＜/table＞
http://www.163.com
网易

netjxz

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
ASP.Net中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，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A
复制链接

扫一扫