This Domain(Admin5.com) is for Sale:

Java实现利用搜索引擎收集网址的程序

时间:2007-12-27  来源:不详  作者:林子
  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,假如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,要害字搜索和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要害字,比如http://www.xxx.com/post.asp ,这个网址就含有post.asp这样的要害字,在搜索引擎中填写规则是 inurl:post.asp,这是收集网址的要害,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要害字,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,要害字采用 “软件发布 版本 inurl:publish.asp",先登录百度看看,将要害字写入,然后提交,在地址栏就会看到 http://www.baidu.com/s?ie=gb2312&bs=软件发布 软件版本 inurl:publish.asp&sr=&z=&cl=3&f=8&wd=软件发布 版本 inurl:publish.asp&ct=0 ,中文要害字全都变成编码了,没有关系,我们在程序中直接用中文也是可以的,其中多个要害字用+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:publish.asp&pn=0&cl=0,其中rn表示一页显示多少个结果,wd=表示你要搜索的要害字,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,用到的要害类为 java.net.HttpURLConnection,java.net.URL,先写一个提交搜索的class,要害代码如下:

本文来自织梦



以下是引用片段:
  classSearch
  {
  publicURLurl;
  publicHttpURLConnectionhttp;
  publicjava.io.InputStreamurlstream;
  ......
  for(inti=0;i ;i<100)
  {
  ......
  try{
   url=newURL("www.baidu.com/s?lm=0&si=&rn=20&ie=gb2312&ct=0&wd=软件发布 版本 inurl:publish.asp&pn=" beginrecord "&cl=0");
  }catch(Exceptionef){};
  try{
   http=(HttpURLConnection)url.openConnection();
   http.connect();
   urlstream=http.getInputStream();
  }catch(Exceptionef){};
  java.io.BufferedReaderl_reader=newjava.io.
  BufferedReader(newjava.io.InputStreamReader(urlstream));
  try{
   while((currentLine=l_reader.readLine())!=null){
    totalstring =currentLine;
   }
  }catch(IOExceptionex3){}
  ....
  //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。
内容来自dedecms

  }
  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,需要注重的是google对浏览器还要检查,假如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,修改要害部分要将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:

看完这篇,您有何感觉呢?

文章评论

共有位Admini5网友发表了评论 查看完整内容

24小时热门信息