我这里讲的不是怎样使用搜索引擎，而是怎样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，这些网址是怎样来的呢？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，如果您需要某类网址信息数据，就跟我来一起研讨一下，十分复杂。
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xxx/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，由于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xxx/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页面停止剖析，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，就可以给其它使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 baidu/s?ie=gb2312bs=%C8%ED%BC%FE%B7%A2%B2%BC+%C8%ED%BC%FE%B0%E6%B1%BE+inurl%3Apublish.aspsr=z=cl=3f=8wd=%C8%ED%BC%FE%B7%A2%B2%BC+%B0%E6%B1%BE+inurl%3Apublish.aspct=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 baidu/s?lm=0si=rn=20ie=gb2312ct=0 wd=软件发布+版本+inurl%3Apublish%2Easppn=0cl=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.HttpURLConnection,java.URL，先写一个提交搜索的class,关键代码如下：
以下是援用片段： class Search { public URL url; public HttpURLConnection http; public java.io.InputStream urlstream; ...... for(int i=0;i++;i 100) { ...... try { url = new URL("baidu/s?lm=0si=rn=20ie=gb2312ct=0 wd=软件发布+版本+inurl%3Apublish%2Easppn="+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，需要下一步停止剖析了。 }
再以google为例，略微有些不同，google对浏览器停止了一些检测，编码也不同，URL为http: //google/search?q=软件发布+版本+inurl:publish.asphl=zh-CNlr= newwindow=1start=0sa=Nie=UTF-8,其中编码要用ie=UTF-8,start表示从第几条记录显示，需要留意的是google对浏览器还要检查，如果浏览器不契合它的要求，将前往错误代码，所以在模拟浏览器提交中，我们要多加一行代码，修改关键局部要将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：
以下是援用片段： try { http = (HttpURLConnection) url.openConnection(); http.setRequestProperty("User-Agent", "Mozilla/4.0"); http.connect(); urlstream = http.getInputStream(); }catch(Exception ef){};
第二步，对取回的HTML编码停止剖析，取出其中的有用网址信息，并写入文件或者数据库，由于这些搜索引擎都有网页快照和相似网页等网址信息混杂在HTML中，
jeanjack我们要将这些网址信息剔除掉，剔除的关键就是找出其中的规律，百度搜索引擎中的网页快照和其它没有用的的地址都含有baidu这个关键字，而google中含有的无用网址信息含有关键字 google和cache,我们就依据这些关键字剔除无用网址信息。在Java中要对字符串停止剖析肯定要用到 java.util.StringTokenize这个类，用来将字符串以特定的分隔符分开，java.util.regex.Pattern和 java.util.regex.Matcher用来婚配字符串，关键代码如下：
以下是援用片段： class CompareStr { public boolean comparestring(String oristring,String tostring) { Pattern p=null; //正则表达式 Matcher m=null; //操作的字符串 boolean b; p = Patternpile(oristring,Pattern.CASE_INSENSITIVE); m = p.matcher(tostring); b = m.find(); return b; } }
class AnalyUrl { ...... StringTokenizer token = new StringTokenizer(totalstring," \""); String firstword; CompareStrcompstr = new CompareStr(); String dsturl = null; while (token.hasMoreTokens()) { firstword = token.nextToken(); if (!compstrparestring("google", firstword) !compstrparestring("cache",firstword)) { if (firstword.length() 7) { dsturl = firstword.substring(6,firstword.length() - 1); WriteUrl(dsturl); //成功取到URL，记录到文件中 } } } }
经过以上程序，我们就可以收集到自己要的网址信息了，还可以再写另外一个使用程序，对收集到的网址信息进一步剖析，取出自己需要的信息，这里就不再负担，道理都是一样的。最初需说明一点，google搜索引擎搜索所能前往的结果不能超越1000条，过了1000条，就直接提示“对不起， Google 为所有查询的结果数都不会超越 1000 个。”，百度搜索引擎前往的结果不能超越700多条，所以我们要搜索时尽可能多加关键字，将结果范围增加。
