Получить ссылки на сайт из поиска Google - PullRequest
Новая
       12

Получить ссылки на сайт из поиска Google

0 голосов
/ 19 октября 2019

У меня проблема: ниже приведен мой код, и я хочу каждую ссылку для определенного результата поиска. Мой код предоставляет мне только результаты первой страницы. Как я могу получить действительно каждую ссылку или, может быть, максимум 5000 ссылок с каждого результата? Я не могу сделать итерацию. Кто-нибудь может мне помочь, пожалуйста? Я уже пробовал итерацию, но она не работала так много. 

import java.io.IOException;
import java.util.HashSet;
import java.util.Set;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

public class Crawler {

  private static Pattern patternDomainName;
  private Matcher matcher;
  private static final String DOMAIN_NAME_PATTERN 
    = "([a-zA-Z0-9]([a-zA-Z0-9\\-]{0,61}[a-zA-Z0-9])?\\.)+[a-zA-Z]{2,6}";
  static {
    patternDomainName = Pattern.compile(DOMAIN_NAME_PATTERN);
  }

  public static void main(String[] args) {

    Crawler obj = new Crawler();
    Set<String> result = obj.getDataFromGoogle("zahnarzt");
    for(String temp : result){
        System.out.println(temp);
    }
    System.out.println(result.size());
  }

  public String getDomainName(String url){

    String domainName = "";
    matcher = patternDomainName.matcher(url);
    if (matcher.find()) {
        domainName = matcher.group(0).toLowerCase().trim();
    }
    return domainName;

  }

  private Set<String> getDataFromGoogle(String query) {





      Set<String> result = new HashSet<String>();   
    String request = "https://www.google.de/search?q=" + query + "&num=5000&start=0";
    System.out.println("Sending request..." + request);



    try {

        // need http protocol, set this as a Google bot agent :)
        Document doc = Jsoup
            .connect(request)
            .userAgent(
              "Mozilla/5.0 (compatible; Googlebot/2.1; +http://www.google.com/bot.html)")
            .timeout(5000).get();

        // get all links
        Elements links = doc.select("a[href]");
        for (Element link : links) {

            String temp = link.attr("href");        
            if(temp.startsWith("/url?q=")){
                                //use regex to get domain name
                result.add(getDomainName(temp));
            }

        }

    } catch (IOException e) {
        e.printStackTrace();
    }

    return result;
  }

}
...