也谈采集入库的技术
(编辑：jimmy 日期: 2024/11/16 浏览：3 次 )
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><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
下一篇：E-mail表单递交