高分！求高手 网站信息采集源代码或编程思路

思路：

RSS采集

相似算法

聚类

分类

（一）原理

小偷程序实际上是通过了XML中的XMLHTTP组件调用其它网站上的网页。比如新闻小偷程序，很多都是调用了sina的新闻网页，并且对其中的html进行了一些替换，同时对广告也进行了过滤。用小偷程序的优点有：无须维护网站，因为小偷程序中的数据来自其他网站，它将随着该网站的更新而更新；可以节省服务器资源，一般小偷程序就几个文件，所有网页内容都是来自其他网站。缺点有：不稳定，如果目标网站出错，程序也会出错，而且，如果目标网站进行升级维护，那么小偷程序也要进行相应修改；速度，因为是远程调用，速度和在本地服务器上读取数据比起来，肯定要慢一些。

（二）事例

以下是代码片段：

下面就XMLHTTP在ASP中的应用做个简单说明

〈%

’常用函数

’1、输入url目标网页地址，返回值getHTTPPage是目标网页的html代码

function getHTTPPage(url)

dim Http

set Http=server.createobject("MSXML2.XMLHTTP")

Http.open "GET",url,false

Http.send()

if Http.readystate〈〉4 then

exit function

end if

getHTTPPage=bytesToBSTR(Http.responseBody,"GB2312")

set http=nothing

if err.number〈〉0 then err.Clear

end function

’2、转换乱玛，直接用xmlhttp调用有中文字符的网页得到的将是乱玛，可以通过adodb.stream组件进行转换

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

’下面试着调用http://www.3doing.com/earticle/的html内容

Dim Url,Html

Url="http://www.3doing.com/earticle/"

Html = getHTTPPage(Url)

Response.write Html

%〉ASP小偷入门教程.....附QQ天气小偷源代码

要做一名好的小偷有点难度:P，灵活运用XMLHTTP组件，你也可以做“小偷”

这里所说的“小偷”指的是在ASP中运用XML中的XMLHTTP组件提供的强大功能，把远程网站上的数据（图片，网页及其他文件）抓取到本地，经过各种处理后显示到页面上或者存储进数据库的一类程序。你可以通过这种小偷程序，完成过去一些似乎完全不可能实现的任务，比如说把某个站的页面偷梁换柱后变成自己的页面，或者把某个站的一些数据（文章，图片）保存到本地数据库中加以利用。“小偷”的优点有：无须维护网站，因为小偷程序中的数据来自其他网站，它将随着该网站的更新而更新；可以节省大量的服务器资源，一般小偷程序就几个文件，所有网页内容都是来自其他网站。缺点在于：不稳定，如果目标网站出错，程序也会出错，而且，如果目标网站进行升级维护，那么小偷程序也要进行相应修改；速度，因为是远程调用，速度和在本地服务器上读取数据比起来，肯定要慢一些。怎么样，听起来很神奇吧？我们现在就开始来学习一些“小偷”程序的入门知识吧！

我们拿个简单点的东西来研究一下吧，QQ网站上的天气预报程序

程序演示地址：http://www.colasky.com/weather.asp

源码下载：http://www.colasky.com/weather.rar

代码如下：

以下是代码片段：

〈%

On Error Resume Next

Server.ScriptTimeOut=9999999

Function getHTTPPage(Path)

t = GetBody(Path)

getHTTPPage=BytesToBstr(t,"GB2312")

End function'首先，进行小偷程序的一些初始化设置，以上代码的作用分别是忽略掉所有非致命性错误，把小偷程序的运行超时时间设置得很长（这样不会出现运行超时的错误），转换原来默认的UTF-8编码转换成GB2312编码，否则直接用XMLHTTP组件调用有中文字符的网页得到的将是乱码。

以下是代码片段：

Function GetBody(url)

on error resume next

Set Retrieval = CreateObject("Microsoft.XMLHTTP")

With Retrieval

.Open "Get", url, False, "", ""

.Send

GetBody = .ResponseBody

End With

Set Retrieval = Nothing

End Function

’然后调用XMLHTTP组件创建一个对象并进行初始化设置。

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

Function Newstring(wstr,strng)

Newstring=Instr(lcase(wstr),lcase(strng))

if Newstring〈=0 then Newstring=Len(wstr)

End Function

’处理抓取回来的数据需要调用adodb.stream组件并进行初始化设置。%〉

’以下即为页面显示部分

〈%

Dim wstr,str,url,start,over,city

’定义一些需要使用到的变量

city = Request.QueryString("id")

’程序传回的ID变量（即用户选择的城市）赋给id

url="http://appnews.qq.com/cgi-bin/news_qq_search?city="&city&""

’这里设置需要抓取的页面地址，当然你也可以直接指定某个地址而不使用变量

wstr=getHTTPPage(url) ' 以下是代码片段：

获取指定页面的全部数据

start=Newstring(wstr," ")

’这里设置需要处理的数据的头部，这个变量应视不同情况而设置，具体内容可以通过查看需要抓取的页面的源代码来确定。因为在这个程序里我们需要抓取整个页面,所以设置为页面全部抓取。注意，设置的内容必须是页面内容唯一的，不可以重复。

over=Newstring(wstr," ")

’和start相对应的就是需要处理的数据的尾部，同样的，设置的内容必须是页面中唯一的。

body=mid(wstr,start,over-start)

’设置显示页面的范围

’下面就是动用乾坤挪移大法的时候了，通过replace可以用一些字符替换掉数据中指定的字符。

body = replace(body,"skin1","天气预报")

body = replace(body,"http://appnews.qq.com/cgi-bin/news_qq_search?city","tianqi.asp?id")

’本程序中已经完成了替换的工作，如果有其他需要的话可以继续进行类似的替换 *** 作。

response.write body

%〉替换完需要修改的内容后，就可以把修改的内容显示在页面上了。至此程序结束

程序使用方法及结果：把上述代码去掉说明部分后保存为tianqi.asp，上传到支持ASP和XML的空间下，在浏览器中运行即可。你可以在在这个程序的基础上进行进一步的界面美化或者程序优化。

以上只是一些关于XMLHTTP组件的初级应用，实际上它还能实现的功能还有很多，比如说保存远程图片到本地服务器上，配合adodb.stream组件可以把获取来的数据保存进数据库。小偷的作用和使用范围都很广。但是不可以拿来做违法的事哦！

也许还有人要问了，这种“小偷”程序难道只是ASP的专利吗？非也，PHP通过fopen函数一样可以实现同样的效果，由于PHP本身的各种特点，写出来的小偷程序和ASP相比，在体积和执行效率上都有着明显的优势，但限于篇幅，这里就不一一说明了。

给你简单说下原理，小偷程度原理：就是比如你要获取中华新闻网站首页的新闻列表，首先你就要分析下该首页的HTML组成格式，知道组成格式后，再写正则表达式，来获取列表和链接地址，这样你就可以获取到想要的内容，把获取到的内容记录到你服务器文本文件，做为数据库使用，然后再用显示程序显示你获取过来的内容。思路就是这样简单，呵呵 ~~

虽然js也能实现所谓的小偷程序，但是还是在服务端实现比较好，防止客户端因为关闭了js导致网页无法显示。由于你只会asp，因此我就用asp来解释一下。

一.什么是网页？

网页是代码，其实是一种文档格式。是浏览器把这种格式的文档解释成机器能够听懂的语言。

二.我们拿在淘宝购物来做个比喻

1.在淘宝购物，我们首先要选定要购买的物品，这个物品就相当于url,也就是你想要的东西（目标网页）。

2.指定包装和送货方式.是不是易碎品需要海绵包装，运输方式是快递还是平邮。我们在这里选择的送货方式就是xmlhttp。为什么选择是xmlhttp?这是因为了你所要运输的物品性质决定了的。你所要运送的物品时xml格式的文档（注意，网页代码其实是一种符合xml格式的文档，由浏览器负责解释这种文档），所以我们指定了是包装xml这种格式的http运输方式。而有这种包装的快递运输公司名叫microsoft.xmlhttp

http=Server.createobject("Microsoft.XMLHTTP") //选择快递公司

Http.open "GET",url,false //运输细节

Http.send()//下订单

3.网上买过东西的都知道，发货有几种状态可以在快递公司查询：发出货物，在途中，收到货物。而我们发送的xmlhttp包装的货物也接受这种状态的查询。

Http.readystate 货物状态，有4种状态，通常用的是第一种状态“已发出”，还有第四种状态“已收到”，readystate的值前者为1，后者为4.

也就是说当Http.readystate=4时说明网页已经下载好了（货物送到家了）

4.假如收到货物后，还要查验是不是符合自己的需要。因为xmlhttp传送的内容如果包含中文显示还会乱码，所以要进行转码工作。

这里有一点要注意，因为要转码，需要返回的是二进制数据,而不是dom对象。因此这里的要写成"Http.responseBody"而不是"Http.responseXml"

5.转码可以用adodb.stream组件的方法来完成。我们可以写一个函数来封装这个组件。

Function bytesToBstr(body,Cset)

dim objstream

set objstream = Server.CreateObject("adodb.stream") //创建组件实例

objstream.Type = 1

objstream.Mode =3

objstream.Open

objstream.Write body //写入内容，也就是你收到的货物

objstream.Position = 0

objstream.Type = 2

objstream.Charset = Cset

BytesToBstr = objstream.ReadText

objstream.Close

set objstream = nothing

End Function

这里我们写了一个bytesToBstr函数，注意bytesToBstr的大小写，因为网上面很多例子第一个B是大写，调用的时候却又是小写，虽然在大小写不敏感的asp里无所谓，但是这是一种很不好的编程习惯，因为其他大多数编程语言都是大小写敏感的。

getHTTPPage=bytesToBSTR(Http.responseBody,"GB2312") 调用函数转码

set http=nothing 关闭xmlhttp链接，相当于签收付款，关闭交易

Microsoft.XMLHTTP是一个微软家的组件，因为你用的IIS服务和IE浏览器都是微软家的，所以才会见到Microsoft.XMLHTTP。如果用其他浏览器，那么就有可能是document.xmlHttp. 2者从本质上来说没什么区别，只是在服务端和客户端使用时要注意同步和异步的问题。

---