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){}; |