手上的項(xiàng)目需要到網(wǎng)絡(luò)上去爬取wsdl文件，來充實(shí)服務(wù)網(wǎng)絡(luò)。一開始的想法是自己采用網(wǎng)絡(luò)爬蟲的想法，可以自己編寫一個(gè)只針對(duì)網(wǎng)頁上的超鏈接進(jìn)行遍歷的爬蟲；或者可以對(duì)現(xiàn)有的爬蟲器進(jìn)行改進(jìn)，使其只關(guān)注網(wǎng)頁的鏈接部分，至于網(wǎng)頁的內(nèi)容不去理會(huì)，這樣可以避免爬蟲的效率和數(shù)據(jù)流量過大的問題。后來發(fā)現(xiàn)Goolge的高級(jí)搜索可以對(duì)文件的類型進(jìn)行約束，所以決定利用Google的搜索引擎來實(shí)現(xiàn)該目標(biāo)。利用Google搜索引擎進(jìn)行檢索，能夠有很高的查詢效率和很高的查全率與查準(zhǔn)率，同時(shí)還可以通過關(guān)鍵字進(jìn)行限制查詢。

利用Google進(jìn)行檢索主要可以通過以下兩種方法實(shí)現(xiàn)：

1.使用Google API，可以直接設(shè)定查詢的條件，并且得到結(jié)構(gòu)簡(jiǎn)單的查詢結(jié)果。但是Google API目前好像已經(jīng)停止使用了，非常遺憾。

2.通過像Google發(fā)送頁面請(qǐng)求消息來實(shí)現(xiàn)查詢。這就需要設(shè)計(jì)到兩個(gè)問題：首先要對(duì)Google的查詢請(qǐng)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(qǐng)求消息中；其次，通過頁面請(qǐng)求查詢，得到的是html頁面代碼，所以要對(duì)頁面中的內(nèi)容進(jìn)行解析、提取，過濾出有用的超鏈接結(jié)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(xué)和簡(jiǎn)便。

一、Google的查詢頁面請(qǐng)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(jié)果個(gè)數(shù)；hl表示語言；q=后面為關(guān)鍵字；filetype為文件格式；start為開始的結(jié)果標(biāo)號(hào)。

二、發(fā)送頁面請(qǐng)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;
    }
    

    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));
    }
}