主页 > 知识库 > 也谈采集入库的技术

也谈采集入库的技术

热门标签:电子围栏 科大讯飞语音识别系统 银行业务 Linux服务器 阿里云 Mysql连接数设置 服务器配置 团购网站
 

落伍的贴也看了很多了,发现了很多讲小偷技术的,如精华贴里的--小偷程序原理和简单示例:
[url]http://www.im286.com/viewthread.php?tid=407182extra=page%3D1[/url] 等等,也有提供采集程序下载的,但我还没看到一篇完整的入库的文章,或许是我看的贴少吧。虽然不是很深奥,我还是讲讲吧,希望高手别见笑啦,以前发了个原创的影视系

统,却没落伍,这次再求落伍啦,希望大家帮顶下,也希望我能落伍!!
入库也和小偷一样,要先得到需入库的部分,我这里以[url]http://www.skycn.com/article/77.html[/url] 为例了
%
dim url,mydate
url="http://www.skycn.com/article/77.html" '定义url地址
Set OXML = server.CreateObject("Microsoft.XMLHTTP") 
'下面定义两个函数,得到数据
Private Function BytesToBstr(body)  '利用流进行中文编码
Set ADOS = Server.CreateObject("ADODB.Stream")
        Dim Bdat
        Bdat=Body
        ADOS.Type = 1
        ADOS.Mode =3
        ADOS.Open
        ADOS.Write Bdat
        ADOS.Position = 0
        ADOS.Type = 2
        ADOS.Charset = "GB2312"
        BytesToBstr = ADOS.ReadText 
        ADOS.Close
End Function
Public Function GetData(byref url) '利用OXML得到数据
        'on error resume next 
        SourceCode = OXML.open ("GET",url,false)
        OXML.send() 
        if OXML.readystate>4 then exit function
        GetData = BytesToBstr(OXML.responseBody)'
        if err.number>0 then err.Clear
End Function
mydate=getdata(url)
mydate=Replace(mydate,chr(34),"") '去掉一些特殊字符,如双引号等,看自己情况定
mydate=Replace(mydate,chr(16),"")
response.write mydate
%>
我们就得到了以下的数据:
'''''''''''''''''''''''''code start''''''''''''
省列去部分..............
href='../article/1034.html'>宽带用户需注意的七大安全/A>br>br>/td>/tr>/table> /td> td 

width=20>/td> td vAlign=top width=540> table border=0 width=540 borderColorDark=#ffffff 

borderColorLight=#cccccc cellPadding=0 cellSpacing=0> tr>td width='100%' align='center' 

bgcolor='#CED7F1' height='20'>b>font color='#000000'>03月10日值得注意病毒列表

/font>/b>      b>访问次数:/b>24345/td>/tr>tr>td 

bgcolor='#000000' height='1'>/td>/tr>tr>td width='100%' align='center'>br>b>作者:/b>

瑞星  b>来源:/b>font color=#000000>瑞星/font>  b>加入时间:

/b>2006-03-10  /td>/tr>tr>td>br>    据瑞星全球反病毒监测

网介绍,今日有一个病毒特别值得注意,它是:“hotmail蠕虫(Worm.Hotmatom)”病毒。该病毒是全球

第一个专门针对Hotmail编写的蠕虫病毒,当用户登陆到MSN Hotmail发送邮件的时候,会被偷偷插入带毒

链接,收信人点击后就可能中毒。br>br>    本日热门病毒:

br>br>    “hotmail蠕虫(Worm.Hotmatom)”病毒:警惕程度★★★☆,蠕虫

病毒,通过MSN Hotmail传播,依赖系统:WIN9X/NT/2000/XP。br>br>    病毒

感染计算机后,会把自己复制到“windows”目录下,病毒文件名为“dho.exe”。病毒会修改注册表,每

次打开计算机后都自动运行,然后在后台监视用户的IE浏览器。当用户登陆到MSN Hotmail发送邮件时,

病毒会在发送的邮件后插入病毒文字和链接:“Hi, Happy San Valentin Day Download you Postcards 

from http://***.miarroba.com(情人节到了,去**网站下载贺卡吧)”,用户点击该链接后就会中毒。

br>br>    反病毒专家建议电脑用户采取以下措施预防该病毒:建立良好的安全

习惯,不打开可疑邮件和可疑网站;关闭或删除系统中不需要的服务;很多病毒利用漏洞传播,一定要及

时给系统打补丁;安装专业的防毒软件进行实时监控,平时上网的时候一定要打开防病毒软件的实时监控

功能。br>br>iframe name=import_frame width=1 height=1 

src=http://iplog.skycn.com/articlefrom.php?id=77 frameborder=no>/iframe>/td>/tr>TR>TD 

bgColor=#cccccc height=1>/TD>/tr>tr>td>b>br>相关文章:/b>/td>/tr> tr>td>li 

type=circle> A href='../article/2887.html' target=_blank title='阅读文章[QQ又带新病毒:恐怖

的智能流氓软件]'>QQ又带新病毒:恐怖的智能流氓软件/A>br>li type=circle> A 

href='../article/827.html' target=_blank title='阅读文章[03月08日值得注意病毒列表]'>03月08日

值得注意病毒列表/A>br>li type=circle> A href='../article/1126.html' target=_blank 

title='阅读文章[失恋日记实为电脑病毒 疑为学生失恋后制造]'>失恋日记实为电脑病毒 疑为学生失恋

后制造/A>br>li type=circle> A href='../article/102.html' target=_blank title='阅读文章[

黑客盯上“血馒头”!6成论坛含病毒链接]'>黑客盯上“血馒头”!6成论坛含病毒链接/A>br>li 

type=circle> A href='../article/2885.html' target=_blank title='阅读文章[病毒总结:狗年春节

间木马和QQ病毒多发]'>病毒总结:狗年春节间木马和QQ病毒多发/A>br>li type=circle> A 

href='../article/995.html' target=_blank title='阅读文章[四类病毒可能在春节发作 专家提醒应及

时防范]'>四类病毒可能在春节发作 专家提醒应及时防范/A>br>li type=circle> A 

href='../article/3056.html' target=_blank title='阅读文章[专家表示:BT下载不会耗费硬盘 更不

会带来病毒]'>专家表示:BT下载不会耗费硬盘 更不会带来病毒/A>br>li type=circle> A 

href='../article/1229.html' target=_blank title='阅读文章[千万QQ表情暗藏病毒:背后另有惊人秘

密]'>千万QQ表情暗藏病毒:背后另有惊人秘密/A>br>li type=circle> A 

href='../article/938.html' target=_blank title='阅读文章[微软live遭钓鱼网站仿冒 病毒伪装MSN

测试版传播]'>微软live遭钓鱼网站仿冒 病毒伪装MSN测试版传播/A>br>li type=circle> A 

href='../article/315.html' target=_blank title='阅读文章[上网不用防火墙!一招克死所有病毒]'>

上网不用防火墙!一招克死所有病毒/A>br>/td>/tr>tr>td>b>br>相关软件:/b>/td>/tr> 

tr>td>li type=circle> A href='../soft/6805.html' target=_blank title='浏览软件[金山毒霸

引擎病毒库升级包(2006.03.09)]'>金山毒霸引擎病毒库升级包(2006.03.09)/A>br>li type=circle> 

A href='../soft/3722.html' target=_blank title='浏览软件[F-Secure Anti-Virus 病毒码省列去部

分..............
''''''''''''''''''''''''''''code end '''''''''''''''''
我们所需要的也就定义在mydate里了,但如何来定位呢?大家都知道asp里有left()和right() 函数,我

们就用它们来做。我们先来定个函数,
Public Function finddate(byref str,byref start,byref last,byref n)
        If Instr(lcase(str),lcase(start))>0 then
                select case n
                case 0        '左右都截取(都取前面)(去处关键字)
                finddate=Right(str,Len(str)-Instr(lcase(str),lcase(start))-Len(start)+1)
                finddate=Left(finddate,Instr(lcase(finddate),lcase(last))-1)
                case 1        '左右都截取(都取前面)(保留关键字)
                finddate=Right(str,Len(str)-Instr(lcase(str),lcase(start))+1)
                finddate=Left(finddate,Instr(lcase(finddate),lcase(last))+Len(last)-1)
                end select
        Else
                finddate=""
        End if
end function
这个就是截取里面内容的函数了
下面我们来得到文章标题:03月10日值得注意病毒列表
dim title,artor,content,wherefrom
title=finddate(mydate,"width=540 borderColorDark=#ffffff 

borderColorLight=#cccccc",/font>/b>,1)
这样,我们就把标题定位到了个小范围内了:width=540 borderColorDark=#ffffff 

borderColorLight=#cccccc cellPadding=0 cellSpacing=0> tr>td width='100%' align='center' 

bgcolor='#CED7F1' height='20'>b>font color='#000000'>03月10日值得注意病毒列表/font>/b>
在精确定位下就行了,
title=finddate(title,"font color='#000000'>","/font>/b>",0)
现在,title的值就是:03月10日值得注意病毒列表
artor=finddate(mydate,"作者:/b>","  b>",0) '得到作者
wherefrom=finddate(mydate,"来源:/b>font color=#000000>","/font>  ",0)'得到来源
content=finddate(mydate,"/td>/tr>tr>td>br>","br>br>iframe name=import_frame",0)'得到

正文内容
至此,我们已经得到了我们想要的数据了,在下来就是把title,artor,content,wherefrom 入库了,

其实采集入库就怎么简单了,只是在用finddate()是要注意里面byref start和byref last,最好是

mydate里面唯一的,这样便于定位。如不是唯一的,我们可以先缩小范围再来精确定位。有必要时可以弄

个循环来得到数据。完整的代码如下
''''''''''''''''''''code start'''''''''''''''''''
%
dim url,mydate
url="http://www.skycn.com/article/77.html"
Set OXML = server.CreateObject("Microsoft.XMLHTTP") 
'下面定义两个函数,得到数据
Private Function BytesToBstr(body)  '利用流进行中文编码
Set ADOS = Server.CreateObject("ADODB.Stream")
        Dim Bdat
        Bdat=Body
        ADOS.Type = 1
        ADOS.Mode =3
        ADOS.Open
        ADOS.Write Bdat
        ADOS.Position = 0
        ADOS.Type = 2
        ADOS.Charset = "GB2312"
        BytesToBstr = ADOS.ReadText 
        ADOS.Close
End Function
Public Function GetData(byref url) 
        'on error resume next 
        SourceCode = OXML.open ("GET",url,false)
        OXML.send() 
        if OXML.readystate>4 then exit function
        GetData = BytesToBstr(OXML.responseBody)'
        if err.number>0 then err.Clear
End Function
mydate=getdata(url)
mydate=Replace(mydate,chr(34),"") '去掉一些特殊字符,如双引号等,看自己情况定
mydate=Replace(mydate,chr(16),"")
Public Function finddate(byref str,byref start,byref last,byref n)
        If Instr(lcase(str),lcase(start))>0 then
                select case n
                case 0        '左右都截取(都取前面)(去处关键字)
                finddate=Right(str,Len(str)-Instr(lcase(str),lcase(start))-Len(start)+1)
                finddate=Left(finddate,Instr(lcase(finddate),lcase(last))-1)
                case 1        '左右都截取(都取前面)(保留关键字)
                finddate=Right(str,Len(str)-Instr(lcase(str),lcase(start))+1)
                finddate=Left(finddate,Instr(lcase(finddate),lcase(last))+Len(last)-1)
                end select
        Else
                finddate=""
        End if
end function
dim title,artor,content,wherefrom
title=finddate(mydate,"width=540 borderColorDark=#ffffff 

borderColorLight=#cccccc","/font>/b>",1)
title=finddate(title,"font color='#000000'>","/font>/b>",0)
artor=finddate(mydate,"作者:/b>","  b>",0)
wherefrom=finddate(mydate,"来源:/b>font color=#000000>","/font>  ",0)
content=finddate(mydate,"/td>/tr>tr>td>br>","br>br>iframe name=import_frame",0)
call intomdb(title,artor,content,wherefrom)

function intomdb(title,artor,content,wherefrom)
'''''''''''''''''''''''''''''''''''
'''这个是入库的函数,自己定义下就可以了
''''''''''''''''''''''''''''''''''' 
end function
%>
我这里只是以采集文章为例,其它的采集软件等都是这个道理。
说了怎么多,我也不知道各位能不能看懂,如看不动那可能是我不会表达了,大家见谅。毕竟我没读过文

科,^_^

我只是讲原理,程序是靠自己写的,要采集的速度快,你还可以写成exe的啊,这样比较快,占内存少

标签:枣庄 衢州 衡水 广元 蚌埠 江苏 萍乡 大理

巨人网络通讯声明:本文标题《也谈采集入库的技术》,本文关键词  ;如发现本文内容存在版权问题,烦请提供相关信息告之我们,我们将及时沟通与处理。本站内容系统采集于网络,涉及言论、版权与本站无关。
  • 相关文章
  • 上一篇:E-mail表单递交

    下一篇:先锋海盗类

    收缩
    • 微信客服
    • 微信二维码
    • 电话咨询

    • 400-1100-266