- 浏览: 1658190 次
- 性别:
- 来自: 北京
文章分类
- 全部博客 (405)
- C/C++ (16)
- Linux (60)
- Algorithm (41)
- ACM (8)
- Ruby (39)
- Ruby on Rails (6)
- FP (2)
- Java SE (39)
- Java EE (6)
- Spring (11)
- Hibernate (1)
- Struts (1)
- Ajax (5)
- php (2)
- Data/Web Mining (20)
- Search Engine (19)
- NLP (2)
- Machine Learning (23)
- R (0)
- Database (10)
- Data Structure (6)
- Design Pattern (16)
- Hadoop (2)
- Browser (0)
- Firefox plugin/XPCOM (8)
- Eclise development (5)
- Architecture (1)
- Server (1)
- Cache (6)
- Code Generation (3)
- Open Source Tool (5)
- Develope Tools (5)
- 读书笔记 (7)
- 备忘 (4)
- 情感 (4)
- Others (20)
- python (0)
最新评论
-
532870393:
请问下,这本书是基于Hadoop1还是Hadoop2?
Hadoop in Action简单笔记(一) -
dongbiying:
不懂呀。。
十大常用数据结构 -
bing_it:
...
使用Spring MVC HandlerExceptionResolver处理异常 -
一别梦心:
按照上面的执行,文件确实是更新了,但是还是找不到kernel, ...
virtualbox 4.08安装虚机Ubuntu11.04增强功能失败解决方法 -
dsjt:
楼主spring 什么版本,我的3.1 ,xml中配置 < ...
使用Spring MVC HandlerExceptionResolver处理异常
步骤很简单:
1)使用google的搜索inlink的语法link:url和num参数指定一页显示的结果数,
在这个结果中找到外链的页面url,排除网站内链接。
2)依次fetch每个url的页面,在fetch下来的页面找到目标链接,把achor
text记录下来,并计数。
3)按照出现次数排序,比较靠前的基本是这个网站的名字了。
我们使用了好几个代理,每次随机选取一个,以防被封掉。
全部的代码:
结果:
{"javaeye/ago123456/123456"=>3, "05.javaeye技术网站"=>1, "javaeye"=>12, "http://www.iteye.com"=>2, "go"=>1, "www.iteye.com"=>1, "javaeye技术社区"=>4, "javaeye社区"=>1, "上海乐福狗信息技术有限公司:诚聘技术经理和开发工程师"=>1, "对require的疑惑--ruby -javaeye做最棒的软件开发交流社区"=>1, ""=>2, "访问此网站"=>1, "google reader"=>1, "javascriptå\u009Fºç¡\u0080ç\u009F¥è¯\u0086大é\u009B\u0086é\u0094¦(1)"=>1, "webå\u0089\u008D端æ\u008A\u0080æ\u009C¯è®ºå\u009D\u009Bæ\u009C\u0080æ\u0096°è®¨è®º - javaeye"=>1}
["javaeye", "javaeye技术社区", "javaeye/ago123456/123456", "http://www.iteye.com", "", "javaeye社区", "go", "www.iteye.com", "上海乐福狗信息技术有限公司:诚聘技术经理和开发工程师", "对require的疑惑--ruby -javaeye做最棒的软件开发交流社区", "05.javaeye技术网站", "访问此网站", "google reader", "javascriptå\u009Fºç¡\u0080ç\u009F¥è¯\u0086大é\u009B\u0086é\u0094¦(1)", "webå\u0089\u008D端æ\u008A\u0080æ\u009C¯è®ºå\u009D\u009Bæ\u009C\u0080æ\u0096°è®¨è®º - javaeye"]
需要安装gem nokogiri,在Ubuntu下:
$ sudo apt-get install libxml2 libxml2-dev libxslt libxslt-dev
$ gem install nokogiri
1)使用google的搜索inlink的语法link:url和num参数指定一页显示的结果数,
在这个结果中找到外链的页面url,排除网站内链接。
def search_inlinks_from_google(query,result_num) escaped_query = CGI.escape("link:#{query}") google_url = "http://www.google.com/search?q=#{escaped_query}&num=#{result_num}" inlinks = [] Nokogiri::HTML(open(google_url,:proxy => rand_proxy)).css('h3.r > a.l').each do |node| link = node.attributes['href'] inlinks << link if not self_inlink?(query,link) puts "inlink: #{link}" end return inlinks end
2)依次fetch每个url的页面,在fetch下来的页面找到目标链接,把achor
text记录下来,并计数。
def find_site_names_by_inlinks(inlinks,site_query) name_count_map = Hash.new{|hash,key| hash[key] = 0} inlinks.each do |link| puts "searching from #{link}..." Nokogiri::HTML(open(link,fetch_options)).xpath("//a").each do |link_node| name_count_map[link_node.text.strip.downcase] += 1 if link_node.attributes["href"].to_s =~ /#{site_query}/ end end p name_count_map name_count_map.sort{|a,b| b[1] <=> a[1]}.collect{|name,count| name } end
3)按照出现次数排序,比较靠前的基本是这个网站的名字了。
我们使用了好几个代理,每次随机选取一个,以防被封掉。
全部的代码:
#!/usr/bin/ruby # author fuliang http://fuliang.iteye.com require 'nokogiri' require 'open-uri' require 'net/http' require 'cgi' class SiteNameSearchAgent public def initialize @proxies = 1.upto(6).collect{|index| "http://l-crwl#{index}:1080"} end def get_site_names(site_query,max_result_num=20) inlinks = search_inlinks_from_google(site_query,max_result_num) find_site_names_by_inlinks(inlinks,site_query) end private def search_inlinks_from_google(query,result_num) escaped_query = CGI.escape("link:#{query}") google_url = "http://www.google.com/search?q=#{escaped_query}&num=#{result_num}" inlinks = [] Nokogiri::HTML(open(google_url,:proxy => rand_proxy)).css('h3.r > a.l').each do |node| link = node.attributes['href'] inlinks << link if not self_inlink?(query,link) puts "inlink: #{link}" end return inlinks end def self_inlink?(query,link) query_domain,link_domain = [query,link].collect{|url| URI.parse(url).host.sub(/^(.*?)\./,"")} return query_domain == link_domain end def find_site_names_by_inlinks(inlinks,site_query) name_count_map = Hash.new{|hash,key| hash[key] = 0} inlinks.each do |link| puts "searching from #{link}..." Nokogiri::HTML(open(link,fetch_options)).xpath("//a").each do |link_node| name_count_map[link_node.text.strip.downcase] += 1 if link_node.attributes["href"].to_s =~ /#{site_query}/ end end p name_count_map name_count_map.sort{|a,b| b[1] <=> a[1]}.collect{|name,count| name } end def rand_proxy return @proxies[(rand * 6).to_i] end def fetch_options user_agent = "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.8.1.2) Gecko/20061201 Firefox/2.0.0.2 (Ubuntu-feisty)" fetch_options = { "User-Agent" => user_agent, "proxy" => rand_proxy } end end search_agent = SiteNameSearchAgent.new p search_agent.get_site_names("http://www.iteye.com",50)
结果:
引用
{"javaeye/ago123456/123456"=>3, "05.javaeye技术网站"=>1, "javaeye"=>12, "http://www.iteye.com"=>2, "go"=>1, "www.iteye.com"=>1, "javaeye技术社区"=>4, "javaeye社区"=>1, "上海乐福狗信息技术有限公司:诚聘技术经理和开发工程师"=>1, "对require的疑惑--ruby -javaeye做最棒的软件开发交流社区"=>1, ""=>2, "访问此网站"=>1, "google reader"=>1, "javascriptå\u009Fºç¡\u0080ç\u009F¥è¯\u0086大é\u009B\u0086é\u0094¦(1)"=>1, "webå\u0089\u008D端æ\u008A\u0080æ\u009C¯è®ºå\u009D\u009Bæ\u009C\u0080æ\u0096°è®¨è®º - javaeye"=>1}
["javaeye", "javaeye技术社区", "javaeye/ago123456/123456", "http://www.iteye.com", "", "javaeye社区", "go", "www.iteye.com", "上海乐福狗信息技术有限公司:诚聘技术经理和开发工程师", "对require的疑惑--ruby -javaeye做最棒的软件开发交流社区", "05.javaeye技术网站", "访问此网站", "google reader", "javascriptå\u009Fºç¡\u0080ç\u009F¥è¯\u0086大é\u009B\u0086é\u0094¦(1)", "webå\u0089\u008D端æ\u008A\u0080æ\u009C¯è®ºå\u009D\u009Bæ\u009C\u0080æ\u0096°è®¨è®º - javaeye"]
需要安装gem nokogiri,在Ubuntu下:
引用
$ sudo apt-get install libxml2 libxml2-dev libxslt libxslt-dev
$ gem install nokogiri
发表评论
-
松本行弘的程序世界
2011-10-02 16:49 1406全书涉及到程序设计的方方面面,买这边书的目的希望能看到看看Ru ... -
Ruby HTTP/HTML parser相关资源
2011-09-28 12:04 1847Net::HTTP: http://ruby-doc.org ... -
命令行词典
2011-09-27 14:50 2028经常要查单词,所以利用qq dict api写了一个命令行词典 ... -
构建自己的DSL之三 抓取文件管理
2011-07-18 23:26 1754转载请标明出处:http://fuliang.iteye.co ... -
构建自己的DSL之二 抓取文本处理
2011-07-11 23:18 2304转载请标明出处:http://fuliang.iteye.co ... -
构建自己的DSL之一 Simple Crawler
2011-07-11 22:08 3023转载请标明出处:http://fuliang.iteye.co ... -
轻松删除所有安装的gem
2011-06-13 12:28 7988删除安装所有的gem: gem list | cut -d ... -
Ruby发送json请求
2011-05-05 18:37 5864require 'net/http' require ' ... -
写个简单的汉语bigram tokenizer
2011-01-23 23:29 1624写个简单的汉语bigram tokenizer,基本能够满足文 ... -
Ruby1.9 lambda操作符
2011-01-09 13:35 1397Ruby1.9提供了lambda操作符,使得lambda表达式 ... -
Ruby 1.9 regex (named capture group)
2011-01-08 22:57 2110Ruby 1.9正则增加了支持命名组,这样使得正则具有更好的可 ... -
Ruby Enumerators
2011-01-02 21:13 2356一个enumerator是一个用来枚举其他对象的Enumera ... -
Ruby Coroutine
2011-01-02 15:51 2756Ruby1.9提供了Fiber,提供了Coroutine的功能 ... -
Ruby Proc curry化
2011-01-01 23:11 1655Ruby 1.9 Proc增加了curry方法,可以将Proc ... -
Lazy evaluation in Ruby
2011-01-01 21:49 12351.使用||延迟初始化 def fib(n) ... -
One line Ruby code
2010-12-31 23:03 1235经常使用perl来代替一行的sed awk,主要是想使用per ... -
函数对象作为case语句中的条件
2010-12-31 22:28 1127Ruby 1.9的Proc#===作为call的一个别名,所以 ... -
从hash快速生成URL参数
2010-12-31 21:03 1968key_values = { :key1 => ... -
生成长度为n的随机字符串
2010-12-31 20:50 1657包含数字和小写字母的随机串 def gen_random_ ... -
Returning
2010-12-31 20:34 1577我们经常做的事情是创建一个对象,操作这个对象,然后返回这个对象 ...
相关推荐
* 先看一看样品吧? #### 四、总结 通过上述内容的学习和实践,不仅可以帮助考生顺利通过SCJP考试,还能为未来的职业发展打下坚实的基础。尤其是在全球化背景下,掌握专业英语不仅能够提高个人竞争力,还能够在...
在IT技术领域,我们更注重于代码的逻辑和功能的实现,对于日常生活中使用的许多词汇,在这里往往不会被频繁提及。然而,在我们的工作中,不可避免地会涉及到一些非专业词汇的翻译与使用。当我们需要沟通时,是否能...
- have a look/look(看,看一看):请求或邀请他人查看某物。 - a friend of mine(我的一个朋友):指的是与说话者有交情的朋友。 - …’s brother(…的哥哥):表示兄弟关系。 - …’s bags(…的书包):...
"老鸟"是对资深人士的俚语称呼,暗示他们可能不需要这样的基础教程。 【标签】"mimangdebeijing"看起来像一个俚语或者特定群体的暗号,可能表示这个教程的内容与北京的网络环境或某个特定的网络社区有关,或者只是...
实验可能涉及如何利用 Pico 8 的BBS系统分享和回放代码,以及如何通过阅读他人的实验来学习和改进。 6. **教育用途**: Pico 8 也是学习游戏开发和编程的理想工具,因其简洁的环境和内置的教程。实验可能包括设计...
5. 学术交流的礼仪和规范:从收件人和抄送人的邮件地址以及邮件的格式来看,文件强调了学术交流中的专业性和礼仪。邮件中使用了正式的称呼和结束语,体现了学术界的沟通规范。同时,文件内容也暗示了学术会议参与...
《章鱼脚本:探索与理解JavaScript在GitHub自动化中的应用》 在当今的软件开发领域,GitHub不仅是代码...无论你是初学者还是经验丰富的开发者,都可以从中获取有价值的信息,进一步提升你在GitHub自动化领域的技能。
Blog记载了日常发生的事情和自己的兴趣爱好,把自己的思想和知识和他人分享、交流,同时又通过“六度空间”结识了更多志趣相投的朋友;而越来越多专业知识的 Blog 的出现,让我们看到了 Blog 更多所蕴涵的巨大的...
在数字游戏的海洋中,每一款游戏都承载着其创作者的创意和理念。而当这些游戏采用了开源的形式,它们便不只是娱乐的工具,更是技术和创意的开放实验室。2013年的开源游戏“Russian Roulette 2013”便是在这样的背景...
在IT领域,这可能是开发者自创的术语,或者是对某个现有技术的本地化称呼。在这里,它可能是指一个用于构建美食项目的特定开发环境或工具集。 【标签】:“HTML”(HyperText Markup Language)是网页制作的基础...