采集程序原理,信息采集技术的原理

采集程序的主要步骤如下：

一、获取被采集的页面的内容
二、从获取代码中提取所有用的数据
一、获取被采集的页面的内容
我目前所掌握的ASP常用获取被采集的页面的内容方法：
1、用serverXMLHTTP组件获取数据

以下内容为程序代码:

Function GetBody(weburl)  
     '创建对象
     Dim ObjXMLHTTP
     Set ObjXMLHTTP=Server.CreateObject("MSXML2.serverXMLHTTP")
     '请求文件,以异步形式
     ObjXMLHTTP.Open "GET",weburl,False
     ObjXMLHTTP.send
     While ObjXMLHTTP.readyState <> 4
         ObjXMLHTTP.waitForResponse 1000
     Wend
     '得到结果
      GetBody=ObjXMLHTTP.responseBody
     '释放对象
      Set ObjXMLHTTP=Nothing
End Function
调用方法：
GetBody(文件的URLf地址)  


2、或XMLHTTP组件获取数据

以下内容为程序代码:

Function GetBody(weburl)   
     '创建对象
     Set Retrieval = CreateObject("Microsoft.XMLHTTP")  
     With Retrieval  
      .Open "Get", weburl, False, "", ""  
      .Send  
      GetBody = .ResponseBody
      End With  
     '释放对象
     Set Retrieval = Nothing  
End Function
调用方法：
GetBody(文件的URLf地址)  


这样获取的数据内容还需要进行编码转换才可以使用

以下内容为程序代码:

Function BytesToBstr(body,Cset)
         dim objstream
         set objstream = Server.CreateObject("adodb.stream")
         objstream.Type = 1
         objstream.Mode =3
         objstream.Open
         objstream.Write body
         objstream.Position = 0
         objstream.Type = 2
         objstream.Charset = Cset
         BytesToBstr = objstream.ReadText  
         objstream.Close
         set objstream = nothing
End Function
调用方法：BytesToBstr(要转换的数据,编码)'编码常用为GB2312和UTF-8


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

以下内容为程序代码:

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

以下内容为程序代码:

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
目前绝大部分动态网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：
连接1  

连接2  

连接3  

用以下代码就可以获得一个URL连接集合

以下内容为程序代码:


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，用我上面写的MID截取函数就可以获得之间的值，也可以用正则表达式来获得。
例：body("","")