程序实现网页数据采集

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 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 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 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 1、用ASP内置的MID函数截取需要的数据 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 Function body(wstr,start,over) Set caiji = New Regexp'设置配置对象 caiji.IgnoreCase = True'忽略大小写 caiji.Global = True'设置为全文搜索 caiji.Pattern = "”&start&“.+?”&over&“"'正则表达式 Set Matches =caiji.Execute(wstr)'开始执行配置 set caiji=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： <a href="url1">连接1</a> <br> <a href="url2">连接2</a> <br> <a href="url3">连接3</a> <br> 用以下代码就可以获得一个URL连接集合 Set caiji = New Regexp caiji.IgnoreCase = True caiji.Global = True caiji.Pattern = ””“.+?”““ Set Matches =caiji.Execute(页面列表内容) set caiji=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<title>网页标题</title>，用我上面写的MID截取函数就可以获得<title></title>之间的值，也可以用正则表达式来获得。 例：body("<title>网页标题</title>","<title>","</title>") 目前防采集的方法有很多种，先介绍一下常见防采集策略方法和它的弊端及采集对策： 一、判断一个IP在一定时间内对本站页面的访问次数，如果明显超过了正常人浏览速度，就拒绝此IP访问 弊端： 1、此方法只适用于动态页面，如：asp\jsp\php等...静态页面无法判断某个IP一定时间访问本站页面的次数。 2、此方法会严重影响搜索引擎蜘蛛对其收录，因为搜索引擎蜘蛛收录时，浏览速度都会比较快而且是多线程。此方法也会拒绝搜索引擎蜘蛛收录站内文件 采集对策：只能放慢采集速度，或者不采 建议：做个搜索引擎蜘蛛的IP库，只允许搜索引擎蜘蛛快速浏览站内内容。搜索引擎蜘蛛的IP库的收集，也不太容易，一个搜索引擎蜘蛛，也不一定只有一个固定的IP地址。 评论：此方法对防采集比较有效，但却会影响搜索引擎对其收录。 二、用javascript加密内容页面 弊端：此方法适用于静态页面，但会严重影响搜索引擎对其收录情况，搜索引擎收到到的内容，也都是加密后的内容 采集对策：建议不采，如非要采，就把解密码的JS脚本也采下来。 建议：目前没有好的改良建议 评论：建议指望搜索引擎带流量的站长不要使用此方法。 三、把内容页面里的特定标记替换为”特定标记+隐藏版权文字“ 弊端：此方法弊端不大，仅仅会增加一点点的页面文件大小，但容易反采集 采集对策：把采集来的含有隐藏版权文字内容的版权文字替掉，或替换成自己的版权。 建议：目前没有好的改良建议 评论：自己感觉实用价值不大，就算是加上随机的隐藏文字，也等于画蛇添足。 四、只允许用户登陆后才可以浏览 弊端：此方法会严重影响搜索引擎蜘蛛对其收录 采集对策：目前落伍已经有人发了对策文章 ，具体对策就看这个吧《ASP小偷程序如何利用XMLHTTP实现表单的提交以及cookies或session的发送》 建议：目前没有好的改良建议 评论：建议指望搜索引擎带流量的站长不要使用此方法。不过此方法防一般的采集程序，还是有点效果的。 五、用javascript、vbscript脚本做分页 弊端：影响搜索引擎对其收录 采集对策：分析javascript、vbscript脚本，找出其分页规则，自己做个对应此站的分页集合页即可。 建议：目前没有好的改良建议 评论：感觉懂点脚本语言的人都能找出其分页规则 六、只允许通过本站页面连接查看，如：Request.ServerVariables("HTTP_REFERER") 弊端：影响搜索引擎对其收录 采集对策：不知道能不能模拟网页来源。。。。目前我没有对应此方法的采集对策 建议：目前没有好的改良建议 评论：建议指望搜索引擎带流量的站长不要使用此方法。不过此方法防一般的采集程序，还是有点效果的。 从以上可以看出，目前常用的防采集方法，要么会对搜索引擎收录有较大影响，要么防采集效果不好，起不到防采集的效果。那么，还有没有一种有效防采集，而又不影响搜索引擎收录的方法呢？那就请继续往下看吧！ 从前面的我讲的采集原理大家可以看出，绝大多数采集程序都是靠分析规则来进行采集的，如分析分页文件名规则、分析页面代码规则。 一、分页文件名规则防采集对策 大部分采集器都是靠分析分页文件名规则，进行批量、多页采集的。如果别人找不出你的分页文件的文件名规则，那么别人就无法对你的网站进行批量多页采集。 实现方法： 我认为用MD5加密分页文件名是一个比较好的方法，说到这里，有人会说，你用MD5加密分页文件名，别人根据此规则也可以模拟你的加密规则得到你的分页文件名。 我要指出的是我们加密分页文件名时，不要只加密文件名变化的部分 如果I代表分页的页码，那么我们不要这样加密：page_name=Md5(I,16)&".htm" 最好给要加密的页码上再跟进一个或多个字符，如：page_name=Md5(I&"任意一个或几个字母",16)&".htm" 因为MD5是无法反解密的，别人看到的会页字母是MD5加密后的结果，所以加人也无法知道你在 I 后面跟进的字母是什么，除非他用暴力****MD5，不过不太现实。 二、页面代码规则防采集对策 如果说我们的内容页面无代码规则，那么别人就无法从你的代码中提取他们所需要的一条条内容。所以我们要的这一步做到防采集，就要使代码无规则。 实现方法： 使对方需要提取的标记随机化 1、定制多个网页模板，每个网页模板里的重要HTML标记不同，呈现页面内容时，随机选取网页模板，有的页面用CSS+DIV布局，有的页面用table布局，此方法是麻烦了点，一个内容页面，要多做几个模板页面，不过防采集本身就是一件很烦琐的事情，多做一个模板，能起到防采集的作用，对很多人来说，都是值得的。 2、如果嫌上面的方法太麻烦，把网页里的重要HTML标记随机化，也可以。 做的网页模板越多，html代码越是随机化，对方分析起内容代码时，就越麻烦，对方针对你的网站专门写采集策略时，难度就更大，在这个时候，绝大部分人，都会知难而退，因为这此人就是因为懒，才会采集别人网站数据嘛~~~再说一下，目前大部分人都是拿别人开发的采集程序去采集数据，自己开发采集程序去采集数据的人毕竟是少数。 还有些简单的思路提供给大家： 1、把对数据采集者重要，而对搜索引擎不重要的内容用客户端脚本显示 2、把一页数据，分为N个页面显示，也是加大采集难度的方法 3、用更深层的连接，因为目前大部分采集程序只能采集到网站内容的前3层，如果内容所在的连接层更深，也可以避免被采集。不过这样可能会给客户造成浏览上的不便。如： 大多网站都是 首页----内容索引分页----内容页 如果改成： 首页----内容索引分页----内容页入口----内容页 注：内容页入口最好能加上自动转入内容页的代码 <meta http-equiv="refresh" content="6;url=内容页(http://www.qzbskj.com)"> 其实，只要做好防采集的第一步(加密分页文件名规则)，防采集的效果就已经不错了，还是建议两条反采集方法同时使用，给采集者增加采集难度，使得他们知难页退。

 

网页数据采集器

  去年年底的时候曾经发过一个数据采集器《网页数据采集器》，那是专门针对某一个网站来进行采集的，如果需要采集新的网站内容，就需要修改代码并重新编译。

    昨晚完成了一个带智能策略的采集系统。其实，这个策略的方案三年前就想好了，那时候打算用VB做，做了一半就搁置了。现在用C#才终于把这个方案实现了。

    整个方案大概是这样的：

    需要建立一个AC数据库，MSSQL也行，有四个表：PageType用于记录页面的种类，比如列表页和详细页两类；Url表用于记录要采集的网址，另外还有一个字段TypeID标明该网址属于哪一种页面类型，比如是列表页还是详细页；Rule表记录着各种规则，主要有三个字段，FromTypeID源页类型，ToTypeID目的页类型，Pattern规则；CjPage用于存储采集到的网页内容，还包含网址和页面种类。

    采集策略的核心就在于规则库Rule。

    工作过程大概这样：
1,采集线程从Url表抽取一个网址，并马上在表中将其删除，为了防止冲突，这个过程需要用多线程同步解决；
2,用WebClient请求该网址的页面内容；
3,取得内容后，给线程池的线程来分析处理，本线程回到1，继续去Url表取下一个网址；
4,线程池在有空闲线程时，会调用分析函数ParsePage去处理上次获得的页面内容；
5,先到Rule中取所有FromTypeID为当前网址TypeID；
6,如果没有取到任何规则Rule，则将本页内容写入到CjPage中；
7,如果取到规则，那么遍历规则，为每条规则执行ParseUrl方法；
8,ParseUrl根据规则的Pattern匹配到页面内容中的所有网址，并记录到Url中，规则的ToTypeID就是Url的TypeID。

文章出处：【博思工作室】是专业提供安溪网站建设,安溪网站设计,安溪做网站,安溪建网站,安溪茶叶网站制作,服务热线:15980898419,全力打造安溪最优秀的建站服务商.博思工作室是安溪网站建设,安溪网站设计,安溪网页制作,安溪网页设计,茶叶网站建设,公司建站的理想之选!http://www.qzbskj.com 

来源：https://www.cnblogs.com/www-qzbskj-com/archive/2012/04/14/html.html