一路拾遺
          Collect By Finding All The Way ......
          posts - 81,comments - 41,trackbacks - 0

          手上的項目需要到網(wǎng)絡(luò)上去爬取wsdl文件,來充實服務(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,可以自己編寫一個只針對網(wǎng)頁上的超鏈接進行遍歷的爬蟲;或者可以對現(xiàn)有的爬蟲器進行改進,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,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(xiàn)該目標(biāo)。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(guān)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(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)送頁面請求消息來實現(xiàn)查詢。這就需要設(shè)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(nèi)容進行解析、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(jié)果個數(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。

          二、發(fā)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(nèi)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(231- 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(170) 評論(0)  編輯  收藏

          只有注冊用戶登錄后才能發(fā)表評論。


          網(wǎng)站導(dǎo)航:
           
          主站蜘蛛池模板: 库伦旗| 嵊泗县| 宜阳县| 侯马市| 达尔| 贡嘎县| 延寿县| 永春县| 墨脱县| 无为县| 安阳市| 万源市| 武鸣县| 西畴县| 民勤县| 特克斯县| 两当县| 新和县| 香港| 琼结县| 呈贡县| 东乡县| 阿拉善左旗| 玛纳斯县| 丰镇市| 沙坪坝区| 房产| 连平县| 专栏| 湟源县| 太仆寺旗| 屏山县| 南雄市| 嘉祥县| 区。| 潍坊市| 临桂县| 康定县| 金秀| 莱阳市| 南澳县|