[挑战]批处理采集电视节目表

inittab

本人很喜欢用批处理收集网络上小说，自动采集电视节目表等等。但以下这个网站难度比较大。请各位大大想想办法。

采集地址：
http://www.tvsou.com/union/uni2.asp?tvid=1&channelid=3&programDT=2010-3-1

编写批处理（可以用第三方）自动生成如下格式电视节目表：

10/03/01
00:57 晚间精编节目
01:05 晚间精编节目
03:05 晚间精编节目
05:03 早间精编节目
06:00 早间精编节目
07:00  第一时间:资讯唤醒每一天
09:00 交易时间:权威解读财经资讯
11:10  消费主张:享受优质产品和服务
11:50  环球财经连线
12:30  商道:时尚快跑
13:00  经济与法:一切皆有规则
13:30 交易时间:权威解读财经资讯
15:28  经济半小时:观经济大势
16:03 魅力世博18
16:08 理财在线:帮您打理口袋里的钱
16:33  寻宝:寻民间国宝200944
17:33 2010财经小辞典35
17:43 交易时间
18:15  环球财经连线
18:48 魅力世博19
18:53 理财在线:梭子蟹经纪人
19:18  消费主张:享受优质产品和服务
20:00  经济与法:一切皆有规则
20:30  经济信息联播:把握经济脉搏
21:20  经济半小时:观经济大势
21:55  今日观察
22:30 市场分析室
23:17  艺术品市场热点对话5
23:47  台北故宫13
10/03/02
00:07  今日观察
00:42  商道:海之链
01:20 晚间精编节目
03:20 晚间精编节目
05:03 早间精编节目
06:00 早间精编节目
07:00  第一时间:资讯唤醒每一天
09:00 交易时间:权威解读财经资讯
11:10  消费主张:享受优质产品和服务
11:50  环球财经连线
12:30  商道:极地求生
13:00  经济与法:一切皆有规则
13:30 交易时间:权威解读财经资讯
15:28  经济半小时:观经济大势
16:03 魅力世博14
16:08 理财在线:年入百万靠蝗虫
16:33  快乐主妇
17:33 2010财经小辞典31
17:43 交易时间
18:15  环球财经连线
18:48 魅力世博15
18:53 理财在线:当鸟养的鸡
19:18  消费主张:享受优质产品和服务
20:00  经济与法:一切皆有规则
20:30  经济信息联播:把握经济脉搏
21:20  经济半小时:观经济大势
21:55  今日观察
22:30 市场分析室
23:17  台北故宫3
23:42  台北故宫4
10/03/03
00:07  今日观察
00:42  商道:极地求生
01:20 晚间精编节目
03:20 晚间精编节目
05:03 早间精编节目
06:00 早间精编节目
07:00  第一时间:资讯唤醒每一天
09:00 交易时间:权威解读财经资讯
11:10  消费主张:享受优质产品和服务
11:50  环球财经连线
12:30  商道:说商业传奇解财富之道
13:00  经济与法:一切皆有规则
13:30 交易时间:权威解读财经资讯
15:28  经济半小时:观经济大势
16:03 魅力世博15
16:08 理财在线:当鸟养的鸡
16:33  购物街:快乐购物之旅
17:33 2010财经小辞典32
17:43 交易时间
18:15  环球财经连线
18:48 魅力世博16
18:53 理财在线:蝎子王的致富秘笈 
19:18  消费主张:享受优质产品和服务
20:00  经济与法:一切皆有规则
20:30  经济信息联播:把握经济脉搏
21:20  经济半小时:观经济大势
21:55  今日观察
22:30 市场分析室
23:17  台北故宫5
23:42  台北故宫6
复制代码

难点是：
1.过滤不需要的内容。只取时间和节目标题。

2.需要解决这个网站图片文字问题。(比如第一行“00:57 晚间精编节目”中的“晚间”实际上是一张gif格式图片，还有些数字也是,随机图片,采集时需把它们转为文字, 不然采集到的内容会残缺不全,失去了意义)

3.最好能采集到电视剧的简介（简介在打开的链接中，需要对地址进行处理才能正确取得节目介绍,另外它也有图片文字的问题)

[ 本帖最后由 inittab 于 2010-3-1 22:17 编辑 ]

youxi01

呵呵，用vbs解决似乎更快更好...

inittab

借助第三方工具强大的功能。bat功能可谓强大。
如果不考虑图片字符的话。只要一下命令就可以了达到目的。

curl -s "http://www.tvsou.com/union/uni2.asp?tvid=1&channelid=3&programDT=2010-3-1" | htox32c /ip 2>nul | sed -n "1d;/:/p" | sed "/ex/,$d"
复制代码

需要下载外部工具 curl.exe htox32c.exe 及 sed.exe (我习惯于把它们放到c:\windows\system32 下，这样随便在那都可以调用）

主要是第二个难点。把图片 转化为文本的汉字。

Batcher

目前没有听说哪个命令行工具可以识别图片文字

namejm

可行的办法就是：把所有表示文字的图片名保存到列表中去，图片名和文字一一对应。
初步查看了一下表示文字的图片名，全是10位数字的，遍历下来，工作量不少，如果蛮干的话，也不是整理不出来，但如果没有特别强的需求，这样做似乎不太划算。
为什么不直接去CCTV-2下载呢？

inittab

多谢老大们回复。
cctv 也有节目单，但只提供cctv等不多的频道。tvsou是目前最大最全的节目预告网站。多达上千个电视台呢。我想法是做一个通用采集。频道地址和日期都可以用作为变量参数
图片名和文字一一对应是做不到的，因为图片文件名是随机的10个数字。即使相同的文字，图片名也不一定相同。要手工对应，是不可能实现任务。

inittab

突然想到。
图片文件名没有办法。也许图片的大小。或md5值跟文字是一一对应的

namejm

　　把所有的文字图片下载下来，有可能是多个图片对应同一文字，但是这样也够用了，现在的关键是建立图片名和文字的对应关系列表，不重复，不遗漏，需要一些耐心。如果非要不可，可以考虑用这个笨办法，不惜成本做一个出来。