欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

帮你打造属于自己的搜索引擎---百度篇

程序员文章站 2022-07-02 08:31:20
想拥有属于自己的搜索引擎吗?采用目前流行的数据采集方法,你就可以立即拥有。下面就教你一步步地去实现。 一、认识百度搜索 百度搜索,全球最大中文搜索引擎,2005年8月5日在...
想拥有属于自己的搜索引擎吗?采用目前流行的数据采集方法,你就可以立即拥有。下面就教你一步步地去实现。

一、认识百度搜索

百度搜索,全球最大中文搜索引擎,2005年8月5日在美国纳斯达克上市交易,目前是国内用户使用率最高的搜索引擎,提供网页、新闻、图片、音乐、地图等各种搜索

1、百度网页搜索的查询参数

必备参数

☆ wd--查询的关键词(keyword)
☆ pn--显示结果的页数(page number)
☆ cl--搜索类型(class),cl=3为网页搜索

可选参数
☆ rn--搜索结果显示条数(record number),取值范围在10--100条之间,缺省设置rn=10
☆ ie--查询输入文字的编码(input encoding),缺省设置ie=gb2312,即为简体中文
☆ tn--提交搜索请求的来源站点
几个有用的tn 
tn=baidulocal 表示百度站内搜索,返回的结果很干净,无广告干扰。比如,在百度站内搜索"快乐",看看返回结果是不是很清爽。
tn=baiducnnic 想把百度放在框架中吗?试试这个参数就可以了,是百度为cnnic定制的

☆ si--在限定的域名中搜索,比如想在新浪的站内搜索可使用参数si=sina.com.cn,要使这个参数有效必须结合ct参数一起使用。

☆ ct--此参数的值一般是一串数字,估计应该是搜索请求的验证码

si和ct参数结合使用,比如在sina.com.cn中搜索"理想",可用:http://www.baidu.com/baidu?ie=utf-8&am ... n&cl=3&word=理想

☆ bs--上一次搜索的关键词(before search),估计与相关搜索有关

2、百度搜索结果页面结构

按源代码结构自上而下为:

搜索框
右侧的火爆地带固定排名
搜索结果
分页区
相关搜索
底部搜索框
版权区

其中"搜索结果、分页区"这两部分就是我们需要的有效数据,根据其代码结果可以发现其唯一的字符串标识,通过这个标识截取内容就可以了,具体看后面的代码。

二、核心函数--使用asp的xmlhttp组件

数据采集程序,俗称小偷程序,其核心部分就是这个xmlhttp组件,用xmlhttp采集数据有些老生常谈了,网上资料也不少,一般的采集代码都是

set http=server.createobject("msxml2.xmlhttp") 
http.open "get",url,false '打开xmlhttp
http.send() '发送请求
if http.readystate<>4 then
exit function 
end if 
gethttppage=bytestobstr(http.responsebody,"gb2312") '返回结果(一般是字节流),并将字节流转换为字符串
set http=nothing '释放xmlhttp

详细应用见下面的完整代码

三、完整代码(文件名:searchi_bd.asp)

<%
option explicit
dim wd,pn
wd = request("wd")
pn = request.querystring("pn")
'开始错误处理
on error resume next
if err.number <> 0 then
response.clear
'显示错误信息给用户 
response.write "<p align='center' ><font size=3> 出错了,请重新打开百度搜索.</font></p>"
end if
%>
<html>
<head>
<title>百度搜索--<%=wd%></title>
</head>
<style type=text/css>
<!--
body,td{font-family:arial}
td{font-size:9pt;line-height:18px}
.cred{color:#ff0000}
//-->
</style>

<body leftmargin="0" topmargin="3" marginwidth="0" marginheight="0">
<table align="center" width="98%" cellspacing="0" cellpadding="0" border="0" bgcolor="#ffffff" >
<tr>
<form name="f1" method="post" action="searchi_bd.asp">
<td width=150 height=50>
你的logo
</td>
<td align="left">
<input name=wd size="40" maxlength="100" title="输入关键字,然后let's searching..." value="<%=wd%>">
<input type="submit" value=" 百度搜索 ">
</td></form></tr>
</table>
<%
dim strurl,strtmp_bd,strinfo,strpage,strpagesum_bd,strqtime_bd
dim bnoresult_bd,regex,patrn
'百度查询字符串
strurl = "http://www.baidu.com/s?ie=gb2312&wd="&wd&am ... &pn&"&cl=3"
'开始采集
strtmp_bd = gethttppage(strurl)
if instr(strtmp_bd,"未找到和您的查询")<>0 then
bnoresult_bd=1
end if

'截取"搜索结果"部分的内容
strinfo = strcut(strtmp_bd,"<div id=scriptdiv></div>","<br clear=all>",2)
patrn="</td></tr></table><br>"
set regex = new regexp ' 建立正则表达式。
regex.pattern = patrn ' 设置模式。
regex.ignorecase = true 
regex.global = false 
strinfo=regex.replace(strinfo,"") 

'截取"分页区"部分的内容
strpage = strcut(strtmp_bd,"<br clear=all>","<br>",2)
strpage = replace(strpage,"href=s?","href=searchi_bd.asp?")
'结果数量与用时
strpagesum_bd=strcut(strtmp_bd,"找到相关网页约","篇",2)
if not isnumeric(strpagesum_bd) then
strpagesum_bd=strcut(strtmp_bd,"找到相关网页","篇",2)
end if
strqtime_bd=strcut(strtmp_bd,"用时","秒",2)
set strtmp_bd=nothing

%>
<!-- t1-start -->
<table cellspacing=0 cellpadding=0 border=0 width=98% align="center">
<tr valign=center align=middle height=18>
<td width=1 bgcolor=#999999>

<td nowrap style="font-weight:bold;color:#ffffff;background-color:#0033cc" width=64>互联网</td>

<td align=right bgcolor=#eeeeee><nobr>找到符合<b><%=wd%></b>的相关网页<b><%=strpagesum_bd%></b>篇,用时<b><%=strqtime_bd%></b>秒</nobr> </td>
</tr>
<tr><td bgcolor=#999999 colspan=3 height=2></td></tr></table>
</td>
</tr>
</table>

<%
if wd="" then
response.write "<p align='center' ><font size=-1> 您好,请在搜索框中输入关键词.</font></p>"
elseif bnoresult_bd=1 then
response.write "<p align='center' ><font size=-1> 抱歉,未找到任何符合您查询条件的信息,请重新选择合适的关键词进行查询.</font></p>"
else
%>
<table width="98%" align="center" cellspacing="0" cellpadding="0" border="0">
<tr>
<td style=line-height:160% bgcolor="#ffffff" width="75%" valign=top><br>
<%=strinfo%>
</td>
<td width="25%" valign=top><br> 这是你发挥的空间! 
</td>
</tr>
</table>
<table width="98%" align="center" cellspacing="0" cellpadding="4" border="0">
<tr>
<td align="center">
<br><font size=3><%=strpage%></font>
</td>
</tr>
</table>
<%end if 
set strinfo=nothing

%>
<hr size="1" width="760" color="#0000ff">

<div align="center"><font size=-1>
程序更新请到这里<span class="cred">(知识分享论坛)</span>查看</font>
</div>
</body>
</html>

<%
'采集函数
function gethttppage(url) 
on error resume next
dim http 
set http=server.createobject("msxml2.xmlhttp") 
http.open "get",url,false 
http.send() 
if http.readystate<>4 then
exit function 
end if 
gethttppage=bytestobstr(http.responsebody,"gb2312")
set http=nothing
if err.number<>0 then 
response.write "<div align='center'><b>服务器获取文件内容出错</b></div>" 
err.clear
end if 
end function
'字节流转换为字符串
function bytestobstr(body,cset)
dim objstream
set objstream = server.createobject("adodb.stream")
objstream.type = 1
objstream.mode =3
objstream.open
objstream.write body
objstream.position = 0
objstream.type = 2
objstream.charset = cset
bytestobstr = objstream.readtext 
objstream.close
set objstream = nothing
end function

'截取字符串,1.包括前后字符串,2.不包括前后字符串
function strcut(strcontent,startstr,endstr,cuttype)
dim s1,s2
on error resume next
select case cuttype
case 1
s1 = instr(strcontent,startstr)
s2 = instr(s1,strcontent,endstr)+len(endstr)
case 2
s1 = instr(strcontent,startstr)+len(startstr)
s2 = instr(s1,strcontent,endstr)
end select
if err then
strcute = "<p align='center' ><font size=-1>截取字符串出错.</font></p>"
err.clear
exit function
else
strcut = mid(strcontent,s1,s2-s1)
end if
end function

%>


把上面的代码copy到记事本保存为searchi_bd.asp,就可以使用了。如果你要更改文件名,请同时把以下代码中蓝色标识部分改为你的文件名

strpage = replace(strpage,"href=s?","href=searchi_bd.asp?")

几点说明:

1、百度搜索基本上没有什么反采集的措施,主要一点就是百度隔一段时间会更改返回结果页面的源代码,所以要经常观察百度的搜索结果页面,发现代码变动了,就将几处字符串标识改动一下。在反采集方面,百度比google大度多了,目前还没发现由于频繁查询百度而出现暂时屏蔽来源站点ip的现象,而在google查询中经常出现这个现象,如何解决就在下篇文章里谈一谈。

2、采集比较耗资源,搜索小偷程序一样,所以程序中尽量早点释放变量或对象。如果你的空间资源不多,建议就不要搞这些了。

3、有些人可能不愿意在自己做的搜索小偷中保留任何百度的功能连接,比如百度快照和站内搜索等功能。为此我在下载包中提供一个无百度任何连接的精简版,你可以根据需要使用,在本文中就不列出代码了,其实和完整版的差不多。