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http://www.xxx.com/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，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，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 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 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.net.httpurlconnection,java.net.url，先写一个提交搜索的class,关键代码如下：

class search  
　　{  
　　public url url;  
　　public httpurlconnection http;  
　　public java.io.inputstream urlstream;  
　　......  
　　for(int i=0;i++;i <100)  
　　{  
　　......  
　　try {  
　　　url = new url("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){};  
　　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，需要下一步进行分析了。  
　　}

再以google为例，稍微有些不同，google对浏览器进行了一些检测，编码也不同，url为http: //www.google.com/search?q=软件发布+版本+inurl:publish.asp&hl=zh-cn&lr= &newwindow=1&start=0&sa=n&ie=utf-8,其中编码要用ie=utf-8,start表示从第几条记录显示，需要注意的是google对浏览器还要检查，如果浏览器不符合它的要求，将返回错误代码，所以在模拟浏览器提交中，我们要多加一行代码，修改关键部分要将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：

　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编码进行分析，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，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,我们就根据这些关键字剔除无用网址信息。在java中要对字符串进行分析必然要用到 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用来匹配字符串，关键代码如下：

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 = pattern.compile(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 (!compstr.comparestring("google.com", firstword) &&
 !compstr.comparestring("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  
　　　}  
　　}  
　　}  
　　}

通过以上程序，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应用程序，对收集到的网址信息进一步分析，取出自己需要的信息，这里就不再累赘，道理都是一样的。最后需说明一点，google搜索引擎搜索所能返回的结果不能超过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过 1000 个。”，百度搜索引擎返回的结果不能超过700多条，所以我们要搜索时尽可能多加关键字，将结果范围缩小。

（t007）