Java实现利用搜索引擎收集网址的程序

　　我这里讲的不是怎么使用搜索引擎，而是怎么让程序利用搜索引擎来搜集网址，这有什么用？很有用！网上动辄有人叫卖网址数据库，如发布软件网址、邮件地址、论坛网址、行业网址，这些网址是怎么来的呢？

不可能是人手工收集而来的，都是让程序利用搜索引擎取到的，假如您需要某类网址信息数据，就跟我来一起研究一下，非常简单。

　　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，要害字搜索和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要害字，比如http://www.xxx.com/post.ASP ,这个网址就含有post.asp这样的要害字，在搜索引擎中填写规则是 inurl:post.asp,这是收集网址的要害，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要害字，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，将有用的网址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，要害字采用 “软件发布版本 inurl:publish.asp",先登录百度看看，将要害字写入，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 ,中文要害字全都变成编码了，没有关系，我们在程序中直接用中文也是可以的，其中多个要害字用＋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=表示你要搜索的要害字，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，用到的要害类为 java.net.HttpURLConnection,java.net.URL，先写一个提交搜索的class,要害代码如下：


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=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){};