Parser Java Google

Bonjour à tous,

dans le cadre d'un projet de détection de plagiat à la fac, développé en Java, nous sommes amenés à faire des requêtes vers divers moteurs de recherche, Google en tête. Je suis chargé de cette partie, et je suis donc amené à récupérer les résultats. J'arrive à récupérer les résultats sous forme de texte brut, mais il me faut ensuite parser les résultats obtenus afin de ne garder que les parties pertinentes. Arpès avoir glané pas mal le net, je suis tombé sur htmlparser, mais j'ai encore quelques soucis. J'arrive à récupérer séparement une String d'adresse URL et une String de texte mais je n'arrive pas à faire le lien entre.
Je m'explique. J'aimerais récupérer le lien (<a href..>) avec le texte,celui en dessous du lien (apparement dans une balise <div class="s"...) , pour l'intégrer dans une hasmap. Le lien en vert en dessous ne n'interesse que peu (a moins que ce ne soit plus facile).

Voilà, j'espère avoir été assez clair. Le code dont je dispose déjà ne me permet pas apparement de faire cela, mais si ça vous interesse, je vous le donne.

Cordialement.

Salut,

Même si la structure des réponses google a changé depuis, voici un exemple d'extraction des résultats google avec htmlparser (tout est dans print) :

package parsers;

import java.util.regex.Matcher;
import java.util.regex.Pattern;

import org.apache.commons.httpclient.NameValuePair;
import org.htmlparser.Attribute;
import org.htmlparser.NodeFilter;
import org.htmlparser.Parser;
import org.htmlparser.Tag;
import org.htmlparser.filters.NodeClassFilter;
import org.htmlparser.tags.Div;
import org.htmlparser.util.NodeList;
import org.htmlparser.util.ParserException;

import commons.HttpConstants;
import commons.HttpConstants.MethodType;
import commons.HttpRequest;
import commons.SearchResults;

public class GoogleResultsParser extends HttpRequest {

    private static final String PROTOCOL     = HttpConstants.DEFAULT_PROTOCOL;
    private static final String USER         = HttpConstants.DEFAULT_USER;
    private static final String PASS         = HttpConstants.DEFAULT_PASS;
    private static final String HOST         = "www.google.com";
    private static final int    PORT         = HttpConstants.DEFAULT_PORT;
    private static final String PATH         = HttpConstants.DEFAULT_PATH;
    private static final String FILE         = "search";
    private static final String QUERY         = "q=httpclient&start=";
    private static final String REFERENCE     = HttpConstants.DEFAULT_REFERENCE;
    private static final NameValuePair[] PARAMETERS = HttpConstants.DEFAULT_PARAMETERS;

    private static final Pattern googleTitle = Pattern.compile("<a href=\"([^\"]*)\" class=l>([^<]*)</a>");
    private static final Pattern googleText = Pattern.compile("<td class=j><font size=-1>([^<]*)<br>");

    private NodeFilter filter;
    private NodeList list;
    private SearchResults results;
   
    public GoogleResultsParser(String protocol, String user, String pass, String host, int port, String path, String file, String query, String reference, NameValuePair[] parameters) {
        super(MethodType.GET, protocol, user, pass, host, port, path, file, query, reference, parameters);
        filter = new NodeClassFilter (Div.class);   
        list = new NodeList();
        results = new SearchResults();
    }
   
    public void parse(String source) {
        try {
            list.add(new Parser (source).extractAllNodesThatMatch (filter));
        } catch (ParserException e) {
            e.printStackTrace ();
        }       
    }

    public int print() {
        int nbLinks = 0;
        Attribute attribute;
        for (int i = 0; i < list.size(); i++){
            if ((attribute = ((Tag) list.elementAt(i)).getAttributeEx("class")) != null
                    && attribute.getValue().equals("g")) {
                Matcher mGoogleTitle = googleTitle.matcher(list.elementAt(i).getFirstChild().toHtml().
                        replaceAll("<b>", "").replaceAll("</b>", ""));
                Matcher mGoogleText  = googleText.matcher(list.elementAt(i).getLastChild().getFirstChild().
                        getFirstChild().toHtml().replaceAll("<b>", "").replaceAll("</b>", ""));
                if (mGoogleTitle.find()) {
                    results.add(mGoogleTitle.group(1), results.new Result(mGoogleTitle.group(2),
                            mGoogleText.find() ? mGoogleText.group(1) : ""));               
                    nbLinks++;
                }
            }
        }
        results.print();
        return nbLinks;
    }
   
    public static void main(String[] args) {
        // read content of url using a GoogleResultsParser       
        GoogleResultsParser client = new GoogleResultsParser(PROTOCOL, USER, PASS, HOST, PORT, PATH, FILE, QUERY, REFERENCE, PARAMETERS);
        for ( int i = 0; i < 5; i++ ) {
            client.buildURL(PROTOCOL, USER, PASS, HOST, PORT, PATH, FILE, QUERY+(i*10), REFERENCE);
            String response = client.read();
            if ( response.length() != 0 )
                client.parse(response);           
        }
        System.out.println("\nnbResponses = " + client.print());
    }
}