也谈采集入库的技术

130 阅读 0 评论 86 点赞

我是靠谱客的博主体贴月饼，最近开发中收集的这篇文章主要介绍也谈采集入库的技术，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

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=407182&extra=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> </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'>03月10日值得注意病毒列表

 访问次数：24345</td></tr><tr><td

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

瑞星 来源：瑞星 加入时间：

2006-03-10 </td></tr><tr><td> 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。 本日热门病毒：

 “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。 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。

 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。 <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> 相关文章:</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> <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> <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> <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> <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> <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> <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> <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> <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> <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> </td></tr><tr><td> 相关软件:</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> <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",,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'>03月10日值得注意病毒列表
在精确定位下就行了，
title=finddate(title,"","",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："," ",0) '得到作者
wherefrom=finddate(mydate,"来源："," ",0)'得到来源
content=finddate(mydate,"</td></tr><tr><td> "," <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","",1)
title=finddate(title,"","",0)
artor=finddate(mydate,"作者："," ",0)
wherefrom=finddate(mydate,"来源："," ",0)
content=finddate(mydate,"</td></tr><tr><td> "," <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