手上的項目需要到網絡上去爬取wsdl文件，來充實服務網絡。一開始的想法是自己采用網絡爬蟲的想法，可以自己編寫一個只針對網頁上的超鏈接進行遍歷的爬蟲；或者可以對現有的爬蟲器進行改進，使其只關注網頁的鏈接部分，至于網頁的內容不去理會，這樣可以避免爬蟲的效率和數據流量過大的問題。后來發現Goolge的高級搜索可以對文件的類型進行約束，所以決定利用Google的搜索引擎來實現該目標。利用Google搜索引擎進行檢索，能夠有很高的查詢效率和很高的查全率與查準率，同時還可以通過關鍵字進行限制查詢。
利用Google進行檢索主要可以通過以下兩種方法實現：
1.使用Google API，可以直接設定查詢的條件，并且得到結構簡單的查詢結果。但是Google API目前好像已經停止使用了，非常遺憾。
2.通過像Google發送頁面請求消息來實現查詢。這就需要設計到兩個問題：首先要對Google的查詢請求的格式有一定了解，如何把查詢的約束條件信息包含在請求消息中；其次，通過頁面請求查詢，得到的是html頁面代碼，所以要對頁面中的內容進行解析、提取，過濾出有用的超鏈接結果。
這里主要介紹一下后一種方法，但從理論上講前一共方法可加科學和簡便。
一、Google的查詢頁面請求消息格式
http://www.google.com/search?num=50&hl=en&lr=&newwindow=1&as_qdr=all&q=a++filetype:wsdl&start=50&sa=N
其中 num為每頁的結果個數；hl表示語言；q=后面為關鍵字；filetype為文件格式；start為開始的結果標號。
二、發送頁面請求
private String searchPage(String keyString, String filetype, int start) throws IOException
{
URL url = buildurl(keyString, filetype, start);
String htmlString = new String();
HttpURLConnection http = (HttpURLConnection) url.openConnection();
http.setRequestProperty("User-Agent", "Mozilla/5.0");
http.connect();
InputStream urlstream = http.getInputStream();
InputStreamReader inputStreamReader = new InputStreamReader(urlstream);
BufferedReader bufReader = new BufferedReader(inputStreamReader);
String currentLine = null;
while ((currentLine = bufReader.readLine()) != null)
htmlString += currentLine;
return htmlString;
}
三、對返回頁面內容進行解析
這里使用了HTML Parser進行解析，代碼如下：
private List<String> listURL(String html, String filetype)
{
List<String> urlList = new ArrayList<String>();
Parser parser = Parser.createParser(html, "UTF-8");
NodeList nodeList = null;
try {
nodeList = parser.extractAllNodesThatMatch(
new NodeFilter() {
private static final long serialVersionUID = 0L;
public boolean accept(Node node) {
if (node instanceof LinkTag)
return true;
else
return false;
}
});
} catch (ParserException e) {
e.printStackTrace();
}
for (int i=0; i<nodeList.size(); i++) {
LinkTag node = (LinkTag) nodeList.elementAt(i);
if(node.extractLink().endsWith("." + filetype) && !node.getStringText().equalsIgnoreCase("Similar pages"))
urlList.add(node.extractLink());
}
return urlList;
}
四、附完整程序代碼
package cn.edu.tju.cs.ikse.sn.spider;
import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.net.HttpURLConnection;
import java.net.MalformedURLException;
import java.net.URL;
import java.util.ArrayList;
import java.util.Iterator;
import java.util.List;
import org.htmlparser.Node;
import org.htmlparser.NodeFilter;
import org.htmlparser.Parser;
import org.htmlparser.tags.LinkTag;
import org.htmlparser.util.NodeList;
import org.htmlparser.util.ParserException;
public class GoogleSearch {
private final int intmax = (int) (Math.pow(2, 31) - 1);
private List<String> splitString(String keyString)
{
if(keyString == null)
return null;
String[] keyWords = keyString.split(" ");
List<String> keyList = new ArrayList<String>();
for(int i=0; i<keyWords.length; i++)
if(keyWords[i].length() != 0)
keyList.add(keyWords[i]);
return keyList;
}
private URL buildurl(String keyString, String filetype, int start)
{
String urlString = "http://www.google.com/search?num=100&hl=en&lr=&newwindow=1&as_qdr=all&q=";
if(splitString(keyString) != null)
{
Iterator<String> keyIt = splitString(keyString).iterator();
while(keyIt.hasNext())
urlString += keyIt.next() + "+";
}
urlString += "filetype:" + filetype + "&start=" + start + "&sa=N";
URL url = null;
try {
url = new URL(urlString);
} catch (MalformedURLException e) {
System.out.println("String to URL Errors!");
e.printStackTrace();
}
return url;
}
private String searchPage(String keyString, String filetype, int start) throws IOException
{
URL url = buildurl(keyString, filetype, start);
String htmlString = new String();
HttpURLConnection http = (HttpURLConnection) url.openConnection();
http.setRequestProperty("User-Agent", "Mozilla/5.0");
http.connect();
InputStream urlstream = http.getInputStream();
InputStreamReader inputStreamReader = new InputStreamReader(urlstream);
BufferedReader bufReader = new BufferedReader(inputStreamReader);
String currentLine = null;
while ((currentLine = bufReader.readLine()) != null)
htmlString += currentLine;
return htmlString;
}
private List<String> listURL(String html, String filetype)
{
List<String> urlList = new ArrayList<String>();
Parser parser = Parser.createParser(html, "UTF-8");
NodeList nodeList = null;
try {
nodeList = parser.extractAllNodesThatMatch(
new NodeFilter() {
private static final long serialVersionUID = 0L;
public boolean accept(Node node) {
if (node instanceof LinkTag)
return true;
else
return false;
}
});
} catch (ParserException e) {
e.printStackTrace();
}
for (int i=0; i<nodeList.size(); i++) {
LinkTag node = (LinkTag) nodeList.elementAt(i);
if(node.extractLink().endsWith("." + filetype) && !node.getStringText().equalsIgnoreCase("Similar pages"))
urlList.add(node.extractLink());
}
return urlList;
}
public List<String> search(String keyString, String filetype, int num)
{
List<String> urlList = new ArrayList<String>();
int start = 0;
while(urlList.size() < num)
{
String html = null;
try {
html = searchPage(keyString, filetype, start);
start += 100;
} catch (IOException e) {
e.printStackTrace();
}
List<String> urlListOfPage = listURL(html, filetype);
if(urlListOfPage.size() == 0)
{
System.out.println("The maximum number of the results is " + urlList.size());
return urlList;
}
urlList.addAll(urlListOfPage);
}
while(urlList.size() > num)
urlList.remove(urlList.size()-1);
return urlList;
}
public List<String> search(String keyString, String filetype)
{
return search(keyString, filetype, intmax);
}
public static void main(String[] args) {
GoogleSearch googleSearch = new GoogleSearch();
List<String> re = googleSearch.search("book", "owl", 1000);
System.out.println(re.size());
for(int i=0;i<re.size();i++)
System.out.println(re.get(i));
}
}
posted on 2008-08-01 20:37
胖胖泡泡 閱讀(167)
評論(0) 編輯 收藏