如何在不使用API的情况下以编程方式执行搜索？
问题描述：
我想创建一个程序，将一个字符串输入到像Google这样的网站上的文本框（不使用他们的公共API），然后提交表单并获取结果。这可能吗？抓取结果将需要使用我假设的HTML抓取，但是如何将数据输入到文本字段并提交表单？我会被迫使用公共API吗？像这样的东西只是不可行？我需要找出查询字符串/参数吗？如何在不使用API的情况下以编程方式执行搜索？
谢谢
答
理论
我会做的是创建一个小程序，可以任何形式的数据自动提交到任何地方，回来的结果。在Java中使用HTTPUnit很容易。任务如下：
- 连接到Web服务器。
- 解析页面。
- 获取页面上的第一个表单。
- 填写表格数据。
- 提交表单。
- 读取（并解析）结果。
你选择将取决于多种因素，包括解决方案：
- 您是否需要效仿的JavaScript
- 你需要的数据来做事后
- 什么语言有什么这是你精通
- 应用程序的速度（这是一个查询或100,000？）
- 应用程序需要多久工作
- 这是一次性的，还是需要维护？
例如，你可以试试下面的应用程序提交数据给你：
然后grep（AWK或sed的）生成的网页。
屏幕抓取是下载示例HTML文件并在vi（或VIM）中手动解析它的另一个技巧。将击键保存到文件中，然后在运行查询时，将这些击键应用于生成的网页以提取数据。这种解决方案不可维护，也不可100％可靠（但很少从网站上截取屏幕）。它工作，而且速度很快。
例
一个半通用的Java类提交网站的形式（具体抓，登录到网站）低于在希望，这可能是有用的。不要将它用于邪恶。
import java.io.FileInputStream;
import java.util.Enumeration;
import java.util.Hashtable;
import java.util.Properties;
import com.meterware.httpunit.GetMethodWebRequest;
import com.meterware.httpunit.SubmitButton;
import com.meterware.httpunit.WebClient;
import com.meterware.httpunit.WebConversation;
import com.meterware.httpunit.WebForm;
import com.meterware.httpunit.WebLink;
import com.meterware.httpunit.WebRequest;
import com.meterware.httpunit.WebResponse;
public class FormElements extends Properties
{
private static final String FORM_URL = "form.url";
private static final String FORM_ACTION = "form.action";
/** These are properly provided property parameters. */
private static final String FORM_PARAM = "form.param.";
/** These are property parameters that are required; must have values. */
private static final String FORM_REQUIRED = "form.required.";
private Hashtable fields = new Hashtable(10);
private WebConversation webConversation;
public FormElements()
{
}
/**
* Retrieves the HTML page, populates the form data, then sends the
* information to the server.
*/
public void run()
throws Exception
{
WebResponse response = receive();
WebForm form = getWebForm(response);
populate(form);
form.submit();
}
protected WebResponse receive()
throws Exception
{
WebConversation webConversation = getWebConversation();
GetMethodWebRequest request = getGetMethodWebRequest();
// Fake the User-Agent so the site thinks that encryption is supported.
//
request.setHeaderField("User-Agent",
"Mozilla/5.0 (X11; U; Linux i686; en-US; rv\\:1.7.3) Gecko/20040913");
return webConversation.getResponse(request);
}
protected void populate(WebForm form)
throws Exception
{
// First set all the .param variables.
//
setParamVariables(form);
// Next, set the required variables.
//
setRequiredVariables(form);
}
protected void setParamVariables(WebForm form)
throws Exception
{
for(Enumeration e = propertyNames(); e.hasMoreElements();)
{
String property = (String)(e.nextElement());
if(property.startsWith(FORM_PARAM))
{
String fieldName = getProperty(property);
String propertyName = property.substring(FORM_PARAM.length());
String fieldValue = getField(propertyName);
// Skip blank fields (most likely, this is a blank last name, which
// means the form wants a full name).
//
if("".equals(fieldName))
continue;
// If this is the first name, and the last name parameter is blank,
// then append the last name field to the first name field.
//
if("first_name".equals(propertyName) &&
"".equals(getProperty(FORM_PARAM + "last_name")))
fieldValue += " " + getField("last_name");
showSet(fieldName, fieldValue);
form.setParameter(fieldName, fieldValue);
}
}
}
protected void setRequiredVariables(WebForm form)
throws Exception
{
for(Enumeration e = propertyNames(); e.hasMoreElements();)
{
String property = (String)(e.nextElement());
if(property.startsWith(FORM_REQUIRED))
{
String fieldValue = getProperty(property);
String fieldName = property.substring(FORM_REQUIRED.length());
// If the field starts with a ~, then copy the field.
//
if(fieldValue.startsWith("~"))
{
String copyProp = fieldValue.substring(1, fieldValue.length());
copyProp = getProperty(copyProp);
// Since the parameters have been copied into the form, we can
// eke out the duplicate values.
//
fieldValue = form.getParameterValue(copyProp);
}
showSet(fieldName, fieldValue);
form.setParameter(fieldName, fieldValue);
}
}
}
private void showSet(String fieldName, String fieldValue)
{
System.out.print("<p class='setting'>");
System.out.print(fieldName);
System.out.print(" = ");
System.out.print(fieldValue);
System.out.println("</p>");
}
private WebForm getWebForm(WebResponse response)
throws Exception
{
WebForm[] forms = response.getForms();
String action = getProperty(FORM_ACTION);
// Not supposed to break out of a for-loop, but it makes the code easy ...
//
for(int i = forms.length - 1; i >= 0; i--)
if(forms[ i ].getAction().equalsIgnoreCase(action))
return forms[ i ];
// Sadly, no form was found.
//
throw new Exception();
}
private GetMethodWebRequest getGetMethodWebRequest()
{
return new GetMethodWebRequest(getProperty(FORM_URL));
}
private WebConversation getWebConversation()
{
if(this.webConversation == null)
this.webConversation = new WebConversation();
return this.webConversation;
}
public void setField(String field, String value)
{
Hashtable fields = getFields();
fields.put(field, value);
}
private String getField(String field)
{
Hashtable<String, String> fields = getFields();
String result = fields.get(field);
return result == null ? "" : result;
}
private Hashtable getFields()
{
return this.fields;
}
public static void main(String args[])
throws Exception
{
FormElements formElements = new FormElements();
formElements.setField("first_name", args[1]);
formElements.setField("last_name", args[2]);
formElements.setField("email", args[3]);
formElements.setField("comments", args[4]);
FileInputStream fis = new FileInputStream(args[0]);
formElements.load(fis);
fis.close();
formElements.run();
}
}
一个例子属性文件看起来像：
$ cat com.mellon.properties
form.url=https://www.mellon.com/contact/index.cfm
form.action=index.cfm
form.param.first_name=name
form.param.last_name=
form.param.email=emailhome
form.param.comments=comments
# Submit Button
#form.submit=submit
# Required Fields
#
form.required.to=zzwebmaster
form.required.phone=555-555-1212
form.required.besttime=5 to 7pm
来看，它类似于以下（替代路径HttpUnit的和FormElements类$ CLASSPATH）：
java -cp $CLASSPATH FormElements com.mellon.properties "John" "Doe" "[email protected]" "To whom it may concern ..."
合法性
Another answe r提到它可能违反使用条款。首先检查一下，然后再花时间研究技术解决方案。非常好的建议。
答
大多数情况下，您可以发送简单的HTTP POST请求。
我建议你试着玩Fiddler来了解网络的工作原理。
几乎所有的编程语言和框架都有发送原始请求的方法。
而且您可以随时针对Internet Explorer ActiveX控件进行编程。我相信很多编程语言都支持它。
答
嗯，这里是从谷歌页面的HTML：
<form action="/search" name=f><table cellpadding=0 cellspacing=0><tr valign=top>
<td width=25%> </td><td align=center nowrap>
<input name=hl type=hidden value=en>
<input type=hidden name=ie value="ISO-8859-1">
<input autocomplete="off" maxlength=2048 name=q size=55 title="Google Search" value="">
<br>
<input name=btnG type=submit value="Google Search">
<input name=btnI type=submit value="I'm Feeling Lucky">
</td><td nowrap width=25% align=left>
<font size=-2> <a href=/advanced_search?hl=en>
Advanced Search</a><br>
<a href=/preferences?hl=en>Preferences</a><br>
<a href=/language_tools?hl=en>Language Tools</a></font></td></tr></table>
</form>
如果你知道如何使您最喜爱的编程语言中的HTTP请求，只要给它一个尝试，看看你会得到什么。试试这个，例如：
http://www.google.com/search?hl=en&q=Stack+Overflow
答
如果您下载Cygwin，并将Cygwin \ bin添加到您的路径中，则可以使用curl来检索页面和grep/sed/whatever来解析结果。为什么填写表格时，谷歌可以使用querystring参数，反正？使用curl，您也可以发布信息，设置标题信息等。我使用它从命令行调用Web服务。
哇，谢谢你。时间阅读：D – kgrad 2009-07-17 04:13:57