数码鹭岛论坛

标题: 获取google pagerank值的研究 [打印本页]

作者: 翔子 时间: 2005-12-7 23:42
标题: 获取google pagerank值的研究
转自CSDN ,作者：david

　　今天在网上看到有网站提供显示google pagerank值的功能，听说google已经取消了公开的pagerank显示，只有通过ie google toolbar获得，所以觉得挺有意思，就去研究了一下。

　　我装上google toolbar抓了一下socket包，得到了如下信息：

　　

　　GET /search?client=navclient-auto&googleip=O;3812&ch=62544423920&freshness_check=

　　4X0lThsX1_WR7cBSIbnl8&ie=UTF-8&oe=UTF-8&features=Rank&q=info:

　　http%3A%2F%2Fblog%2Eiyi%2Ecn%2Fdavid%2F HTTP/1.1

　　User-Agent: Mozilla/4.0 (compatible; GoogleToolbar 2.0.114.9-big; Windows 5.2)

　　Host: toolbarqueries.google.com

　　Cache-Control: no-cache

　　Cookie: PREF=ID=3e46a681346bcce2:NW=1:TM=1099618786:LM=1104831026:TB=2:S=8oMV8rWWHE07ngDp

　　

　　测试了一下，发现只有GET后面的信息和host比较重要，其他的信息可以任意填写

　　而这其中比较重要的信息是下面这几条：

　　

　　client=navclient-auto&

　　ch=0123456789&

　　features=Rank&

　　q=info:http%3A%2F%2Fblog%2Eiyi%2Ecn%2Fdavid%2F

　　

　　client=navclient-auto表示客户端是google toolbar，如果没有这个参数得到的结果是在google中搜索这个网址的结果

　　ch=0123456789是checksum值，关键中的关键，google对每个网址用特殊算法进行转换后得到这个checksum，google就是靠这个来对它的pagerank进行"加密"的。如果知道了这个算法，获取pagerank就轻而易举了。

　　features=Rank获取的是pagerank值，我得到的结果是Rank_1:1:1其中最后一位是pagerank的值，如果忽略这个参数得到的是相关网页在google中的详细信息的xml，我得到的是下面的信息：

　　

　　<?xml version="1.0" encoding="GB2312" standalone="no" ?>

　　<!DOCTYPE GSP (View Source for full doctype...)>

　　- <GSP VER="3.2">

　　<TM>0.124300</TM>

　　<Q>info:http://blog.iyi.cn/david/</Q>

　　<PARAM name="client" value="navclient-auto" original_value="navclient-auto" />

　　<PARAM name="googleip" value="O;907" original_value="O;907" />

　　<PARAM name="ch" value="62544423920" original_value="62544423920" />

　　<PARAM name="q" value="/info:http://blog.iyi.cn/david/" original_value="in ... cn%2Fdavid%2F" />

　　- <RES SN="1" EN="1">

　　<M>1</M>

　　<XT />

　　- <R N="1" L="1" MIME="text/html">

　　<U>http://blog.iyi.cn/david/</U>

　　<UE>http://blog.iyi.cn/david/</UE>

　　<T>泰然处之- 大卫's BLOG</T>

　　<RK>1</RK>

　　<S>泰然处之 - 大卫's BLOG. 2004年12月. 日, 一, 二, 三, 四, 五, 六. 1, 2, 3, 4. <b>...</b></S>

　　<LANG>zh-CN</LANG>

　　- <HAS>

　　<L TAG="link:" />

　　<C SZ="90k" CID="28N4KopQVykJ" TAG="cache:" />

　　<RT TAG="related:" />

　　</HAS>

　　</R>

　　</RES>

　　</GSP>
　　

　　内容很容易看得明白，这里就不解释了。（难道我得blog被google惩罚了？好久没有更新了-_-）

　　知道了原理，就来考虑如何解决了。其实google toolbar可以很容易的动态跟踪，懂得汇编的人可以很快的找出它的checksum算法，这当然是最好的解决之道。

　　另外，如果你不懂得汇编，可以通过历史纪录获得向管链接的checksum值，可以从你的ie临时文件夹中找到。

　　或者你也可以建立代理服务器，让google toolbar通过代理服务器来获取pagerank值，然后在代理服务器上运行相关程序来截取checksum值。

　　另外，还找到这个pr值对照表：

　　

　　Toolbar PageRank Real PageRank

　　0/10 　　　　　　　0.15 - 0.9

　　1/10 　　　　　　　0.9 - 5.4

　　2/10　　　　　　　5.4 - 32.4

　　3/10 　　　　　　　32.4 - 194.4

　　4/10 　　　　　　　194.4 - 1,166.4

　　5/10 　　　　　　　1,166.4 - 6,998.4

　　6/10 　　　　　　　6,998.4 - 41,990.4

　　7/10 　　　　　　　41,990.4 - 251,942.4

　　8/10 　　　　　　　251,942.4 - 1,511,654.4

　　9/10 　　　　　　　1,511,654.4 - 9,069,926.4

　　10/10 　　　　　　9,069,926.4 - 0.85 × N + 0.15

　　

　　我觉得所谓的real pagerank可以估算为：Nd+(1-d)

　　N是在google搜索到的链接到当前网页的网页数，d是google定义的阻尼值。

　　比如在google中输入link:www.sohu.com得到的结果是：133,000 项，用上面的公式计算得到113050.15，刚好对应到pr值7，也可以根据各个数据段的百分比算出10以内的pr值小数位

　　其实这样子很容易的到pr值，根本不用那个checksum加密算法.

欢迎光临数码鹭岛论坛 (http://www.clore.net/forum/)