<p>　　接到一个任务是把中国名牌网站的某些内容添加到我们的网站上，这些网站上有些页面是文章链接列表，点击链接会出现文章的详细内容显示页，根据这个规律，结合正则表达式，XMLHTTP技术，Jscript服务端脚本，以及ADO技术，写了一个小程序，把这些内容抓取到了本地数据库。抓取下来，然后就数据库对数据库导数据就比较方便了。先建立一个Access数据库，结构如下</p><table cellspacing="1" cellpadding="0"><tbody><tr><td>Id</td><td>自动编号</td><td>标识，主键</td></tr><tr><td>oldID</td><td>数字</td><td>旧数据编码</td></tr><tr><td>Title</td><td>标题</td><td>文本</td></tr><tr><td>Content</td><td>备注</td><td>内容</td></tr></tbody></table><p>　　具体实现代码如下</p><p>　　<code>＜%@LANGUAGE="JSCRIPT" CODEPAGE="936"%＞<br />＜!-- METADATA NAME="Microsoft ActiveX Data Objects 2.5 Library"<br />TYPE="TypeLib" UUID="{00000205-0000-0010-8000-00AA006D2EA4}" --＞<br />＜%<br />　//打开数据库<br />　try<br />　{<br />　　var strConnectionString = "Provider=Microsoft.Jet.OLEDB.4.0;Data Source=" + Server.MapPath("#db.mdb");<br />　　var objConnection = Server.CreateObject("ADODB.Connection");<br />　　objConnection.Open(strConnectionString);<br />　}<br />　catch(e)<br />　{<br />　　Response.Write(e.description);<br />　　Response.End();<br />　}<br />%＞<br />＜script language="jscript" runat="server"＞<br />//远程获取数据<br />function GetData()<br />{<br />　var xHttp = new ActiveXObject("microsoft.xmlhttp");<br />　xHttp.open("POST","http://www.chinamp.org/mppro2.php",false);<br />　xHttp.send();<br />　return(xHttp.responseText);<br />}<br />//利用正则表达式提取符合条件的链接<br />function GetLinks(str)<br />{<br />　var re = new RegExp("＜a[^＜＞]+?\＞((.|\n)*?)＜\/a＞", "gi");<br />　var a = str.match(re); //第一次搜索 for(var i=0;i＜a.length;i++)<br />　{<br />　　var t1,t2;<br />　　var temp;<br />　　var r = /qy.php\?id=(\d+)/ig;<br />　　if(!r.test(a[i]))continue;<br />　　temp = a[i].match(/qy.php\?id=(\d+)/ig);<br />　　t1 = RegExp.$1;<br />　　temp = a[i].match(/＜font[^＜＞]+?color=\"#000000\"\＞(.*?)＜\/font＞/ig);<br />　　t2 = RegExp.$1;<br />　　if(t1 == t2)continue;<br />　　SaveArticle(t1,t2,GetContent(t1));<br />　}<br />}<br />//通过提取的链接获取ID，并通过这个ID取抓取相应的文章<br />function GetContent(id)<br />{<br />　var xHttp = new ActiveXObject("microsoft.xmlhttp");<br />　xHttp.open("POST","http://www.chinamp.org/qy.php?id=" + id,false);<br />　xHttp.send();<br />　var str = xHttp.responseText;<br />　var re = new RegExp("＜span[^＜＞]+?style=\"font-size:10\.8pt\"＞(.*?)＜\/span＞", "gi");<br />　var a = str.match(re);<br />　return(RegExp.$1);<br />}<br />//入库<br />function SaveArticle(oldID,Title,Content)<br />{<br />　var oRst = Server.CreateObject("ADODB.Recordset");<br />　var sQuery;<br />　sQuery = "SELECT oldID,Title,Content FROM Articles"<br />　oRst.Open(sQuery,objConnection,adOpenStatic,adLockPessimistic);<br />　oRst.AddNew();<br />　oRst("oldID") = oldID;<br />　oRst("Title") = Title;<br />　oRst("Content") = Content;<br />　oRst.Update();<br />　oRst.Close();<br />　Response.Write(Title + "抓取成功" + "＜br＞");<br />}<br />＜/script＞<br />＜HTML＞<br />＜HEAD＞<br />＜TITLE＞ 抓取文章＜/TITLE＞<br />＜meta http-equiv="Content-Type" content="text/html; charset=gb2312"＞＜/HEAD＞<br />＜BODY＞<br />＜%=GetLinks(GetData())%＞<br />＜/BODY＞<br />＜/HTML＞<br /></code></p><p>　　下一步就是，把这个Access的数据库的内容导入到服务器的数据库里了，但是还有一些东西，就是原来的文章是分类的，所以导入的时候还得手工分类，因为在分析链接的时候正则表达式本来写就很麻烦，但还算严谨，如果把分类也用正则表达式解析的话，会很麻烦，因为分类是包含在＜td＞里面的，而那个页的＜td＞标签又很多，要想定位分类文字所在的＜td＞会很麻烦，即便写出来，程序也会失去灵活性，变得难以维护，所以现在只做到了这一步。</p>