Java實現利用搜索引擎收集網址的程序 – JAVA編程語言程序開發技術文章

  我這裡講的不是怎麼使用搜索引擎,而是怎麼讓程序利用搜索引擎來搜集網址,這有什麼用?很有用!網上動輒有人叫賣網址數據庫,如發佈軟件網址、郵件地址、論壇網址、行業網址,這些網址是怎麼來的呢?不可能是人手工收集而來的,都是讓程序利用搜索引擎取到的,如果您需要某類網址信息數據,就跟我來一起研究一下,非常簡單。

  本文采用Java語言寫成,以google和百度搜索引擎為對象。

  我們要利用google、百度搜索引擎的搜索規則中的兩條,關鍵字搜索和inurl搜索。什麼是inurl搜索,就是你所要搜索的網址中本身帶有的關鍵字,比如http://www.xxx.com/post.asp ,這個網址就含有post.asp這樣的關鍵字,在搜索引擎中填寫規則是 inurl:post.asp,這是收集網址的關鍵,因為很多網址本身會帶有特定的信息,比如軟件發佈的網頁網址信息中多含有 publish、submit、tuijian這樣的信息,如http://www.xxx.com/publish.asp,這樣的網址多是發佈信息的網頁,在結合網頁中本身可能含有的關鍵字,就可以用搜索引擎搜索出結果,然後我們利用程序將結果取回,對HTML頁面進行分析,去除沒有用的信息,將有用的網址信息寫入文件或者數據庫,就可以給其它應用程序或者人來使用瞭。

  第一步,用程序將搜索結果取回,先以百度為例,比如我們要搜索軟件發佈的網頁,關鍵字采用 “軟件發佈 版本 inurl:publish.asp”,先登錄百度看看,將關鍵字寫入,然後提交,在地址欄就會看到 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 ,中文關鍵字全都變成編碼瞭,沒有關系,我們在程序中直接用中文也是可以的,其中多個關鍵字用+號相連,去掉一些沒有用的信息,我們可以把地址優化成http://www.baidu.com/s?lm=0&si=&rn=20&ie=gb2312&ct=0&wd=軟件發佈+版本+inurl%3Apublish%2Easp&pn=0&cl=0,其中rn表示一頁顯示多少個結果,wd=表示你要搜索的關鍵字,pn表示從第幾條開始顯示,這個pn將是我們程序循環取結果的變量,每20條循環一次。我們用Java寫的程序來模擬這個搜索的過程,用到的關鍵類為 java.net.HttpURLConnection,java.net.URL,先寫一個提交搜索的class,關鍵代碼如下:

class Search
{
 public URL url;
 public HttpURLConnection http;
 public java.io.InputStream urlstream;
 ……
 for(int i=0;i++;i <100)
 {
  ……
  try {
   url = new URL(“http://www.baidu.com/s?lm=0&si=&rn=20&ie=gb2312&ct=0&wd=軟件發佈+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) {}
  ….
  //本次搜索的結果已經放到totalstring中瞭,是一些HTML代碼,需要下一步進行分析瞭。
}

  再以google為例,稍微有些不同,google對瀏覽器進行瞭一些檢測,編碼也不同,URL為http://www.google.com/search?q=軟件發佈+版本+inurl:publish.asp&hl=zh-CN&lr=&newwindow=1&start=0&sa=N&ie=UTF-8,其中編碼要用ie=UTF-8,start表示從第幾條記錄顯示,需要註意的是google對瀏覽器還要檢查,如果瀏覽器不符合它的要求,將返回錯誤代碼,所以在模擬瀏覽器提交中,我們要多加一行代碼,修改關鍵部分要將http屬性中的User-Agent設置為常用的瀏覽器,比如Mozilla/4.0,代碼如下:

try {
 http = (HttpURLConnection) url.openConnection();
 http.setRequestProperty(“User-Agent”, “Mozilla/4.0”);
 http.connect();
 urlstream = http.getInputStream();
}catch(Exception ef){};

  第二步,對取回的HTML編碼進行分析,取出其中的有用網址信息,並寫入文件或者數據庫,由於這些搜索引擎都有網頁快照和相似網頁等網址信息混雜在HTML中,我們要將這些網址信息剔除掉,剔除的關鍵就是找出其中的規律,百度搜索引擎中的網頁快照和其它沒有用的的地址都含有baidu這個關鍵字,而google中含有的無用網址信息含有關鍵字 google和cache,我們就根據這些關鍵字剔除無用網址信息。在Java中要對字符串進行分析必然要用到java.util.StringTokenize這個類,用來將字符串以特定的分隔符分開,java.util.regex.Pattern和java.util.regex.Matcher用來匹配字符串,關鍵代碼如下:

class CompareStr
{
 public boolean comparestring(String oristring,String tostring)
 {
  Pattern p=null; //正則表達式
  Matcher m=null; //操作的字符串
  boolean b;
  p = Pattern.compile(oristring,Pattern.CASE_INSENSITIVE);
  m = p.matcher(tostring);
  b = m.find();
  return b;
 }
}

class AnalyUrl
{
 ……
 StringTokenizer token = new StringTokenizer(totalstring,” <> “”);
 String firstword;
 CompareStrcompstr = new CompareStr();
 String dsturl = null;
 while (token.hasMoreTokens())
 {
  firstword = token.nextToken();
  if (!compstr.comparestring(“google.com”, firstword) && !compstr.comparestring(“cache”,firstword))
  {
   if (firstword.length() > 7)
   {
    dsturl = firstword.substring(6,firstword.length() – 1);
    WriteUrl(dsturl); //成功取到URL,記錄到文件中
   }
  }
 }
}

  通過以上程序,我們就可以收集到自己要的網址信息瞭,還可以再寫另外一個應用程序,對收集到的網址信息進一步分析,取出自己需要的信息,這裡就不再累贅,道理都是一樣的。最後需說明一點,google搜索引擎搜索所能返回的結果不能超過1000條,過瞭1000條,就直接提示“對不起,Google 為所有查詢的結果數都不會超過 1000 個。”,百度搜索引擎返回的結果不能超過700多條,所以我們要搜索時盡可能多加關鍵字,將結果范圍縮小。

發佈留言