Java如何实现利用搜索引擎收集网址的程序?
Java如何实现利用搜索引擎收集网址的程序?
我这里讲的不是怎么使用搜索引擎,而是怎么让程序利用搜索引擎来搜集网址,这有什么用?很有用!网上动辄有人叫卖网址数据库,如发布软件网址、邮件地址、论坛网址、行业网址,这些网址是怎 么来的呢?不可能是人手工收集而来的,都是让程序利用搜索引擎取到的,如果您需要某类网址信息数据,就跟我来一起研究一下,非常简单。
本文采用Java语言写成,以google和百度搜索引擎为对象。我们要利用google、百度搜索引擎的搜索规则中的两条,关键字搜索和inurl搜索。什么是inurl搜索,就是你所要搜索的网址中本身带有的关键字,比如http://www。xxx。
com/post。asp ,这个网址就含有post。asp这样的关键字,在搜索引擎中填写规则是 inurl:post。asp,这是收集网址的关键,因为很多网址本身会带有特定的信息,比如软件发布的网页网址信息中多含有 publish、submit、tuijian这样的信息,如http://www。
xxx。com/publish。asp,这样的网址多是发布信息的网页,在结合网页中本身可能含有的关键字,就可以用搜索引擎搜索出结果,然后我们利用程序将结果取回,对HTML页面进行分析,去除没有用的信息,将有用的网址信息写入文件或者数据库,就可以给其它应用程序或者人来使用了。
第一步,用程序将搜索结果取回,先以百度为例,比如我们要搜索软件发布的网页,关键字采用 “软件发布 版本 inurl:publish。asp",先登录百度看看,将关键字写入,然后提交,在地址栏就会看到 http://www。baidu。com/s?ie=gb2312&bs=%C8%ED%BC%FE%B7%A2%B2%BC+%C8%ED%BC%FE%B0%E6%B1%BE+inurl%3Apublish。
asp&sr=&z=&cl=3&f=8&wd=%C8%ED%BC%FE%B7%A2%B2%BC+%B0%E6%B1%BE+inurl%3Apublish。asp&ct=0 ,中文关键字全都变成编码了,没有关系,我们在程序中直接用中文也是可以的,其中多个关键字用+号相连,去掉一些没有用的信息,我们可以把地址优化成 http://www。
baidu。com/s?lm=0&si=&rn=20&ie=gb2312&ct=0& wd=软件发布+版本+inurl%3Apublish%2Easp&pn=0&cl=0,其中rn表示一页显示多少个结果,wd=表示你要搜索的关键字,pn表示从第几条开始显示,这个pn将是我们程序循环取结果的变量,每20条循环一次。
我们用Java写的程序来模拟这个搜索的过程,用到的关键类为 java。net。HttpURLConnection,java。net。URL,先写一个提交搜索的class,关键代码如下:以下是引用片段: class Search { public URL url; public HttpURLConnection http; public java。
io。InputStream urlstream; 。。。。。。 for(int i=0;i++;i <100) { 。。。。。。 try { url = new URL("www。baidu。com/s?lm=0&si=&rn=20&ie=gb2312&ct=0& wd=软件发布+版本+inurl%3Apublish%2Easp&pn="+beginrecord+"&cl=0"); }catch(Exception ef){}; try { http = (HttpURLConnection) url。
openConnection(); http。connect(); urlstream = http。getInputStream(); }catch(Exception ef){}; java。io。BufferedReader l_reader = new java。
io。 BufferedReader(new java。io。InputStreamReader(urlstream)); try { while ((currentLine = l_reader。readLine()) != null) { totalstring += currentLine; } } catch (IOException ex3) {} 。
。。。 //本次搜索的结果已经放到totalstring中了,是一些HTML代码,需要下一步进行分析了。 } 再以google为例,稍微有些不同,google对浏览器进行了一些检测,编码也不同,URL为http: //www。google。
com/search?q=软件发布+版本+inurl:publish。asp&hl=zh-CN&lr= &newwindow=1&start=0&sa=N&ie=UTF-8,其中编码要用ie=UTF-8,start表示从第几条记录显示,需要注意的是google对浏览器还要检查,如果浏览器不符合它的要求,将返回错误代码,所以在模拟浏览器提交中,我们要多加一行代码,修改关键部分要将http属性中的User-Agent设置为常用的浏览器,比如Mozilla/4。
0,代码如下:以下是引用片段: try { http = (HttpURLConnection) url。openConnection(); http。setRequestProperty("User-Agent", "Mozilla/4。
0"); http。connect(); urlstream = http。getInputStream(); }catch(Exception ef){};。
答:我现在一般用 比百度强搜的东西多。 一、把搜索引擎当作计算器 如果有人告诉你可以把搜索引擎当作计算器,请你不要惊讶,这是千真万确的事。近日,Google...详情>>
问:同事ip:10.101.107.28 我的IP:10.101.104.23我们在...
答:你们公司是WINDOWS域环境吗,如果是的话,你在网上邻居里应该能看到对方的主机。让她把文件夹共享出来就可以。 如果不是WINDOWS域,那得看你们是不是在一个...详情>>
问:数据结构顺序表的建立,可定义顺序表 #define maxnum elemtyp...
答:打开VC ,然后点击新建,出来界面之后选择Win32 Console Application并输入工程的名称和选择项目的位置,然后出现“一个空工程”,在点击“...详情>>