使用Jena Library从Java中的RDF网页中提取URI

Question

我已经编写了以下代码，用于从链接数据应用程序的内容类型为application/rdf-xml的网页中提取URI。

public static void test(String url) { 
    try { 
     Model read = ModelFactory.createDefaultModel().read(url); 
     System.out.println("to go"); 
     StmtIterator si; 
     si = read.listStatements(); 
     System.out.println("to go"); 
     while(si.hasNext()) { 
      Statement s=si.nextStatement(); 
      Resource r=s.getSubject(); 
      Property p=s.getPredicate(); 
      RDFNode o=s.getObject(); 
      System.out.println(r.getURI()); 
      System.out.println(p.getURI()); 
      System.out.println(o.asResource().getURI()); 
     } 
    } 
    catch(JenaException | NoSuchElementException c) {} 
} 

但对于输入

<?xml version="1.0"?> 
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" 
    xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:ex="http://example.org/stuff/1.0/"> 
    <rdf:Description rdf:about="http://www.w3.org/TR/rdf-syntax-grammar" 
     dc:title="RDF/XML Syntax Specification (Revised)"> 
     <ex:editor> 
      <rdf:Description ex:fullName="Dave Beckett"> 
       <ex:homePage rdf:resource="http://purl.org/net/dajobe/" /> 
      </rdf:Description> 
     </ex:editor> 
    </rdf:Description> 
</rdf:RDF> 

输出是：

Subject URI is http://www.w3.org/TR/rdf-syntax-grammar 
Predicate URI is http://example.org/stuff/1.0/editor 
Object URI is null 
Subject URI is http://www.w3.org/TR/rdf-syntax-grammar 
Predicate URI is http://purl.org/dc/elements/1.1/title 
Website is read 

我需要在输出目前该网页建立RDF页面的网络爬虫上的所有URI。 我需要输出的所有访问以下链接：

 http://www.w3.org/TR/rdf-syntax-grammar 
     http://example.org/stuff/1.0/editor 
     http://purl.org/net/dajobe 
     http://example.org/stuff/1.0/fullName 
     http://www.w3.org/TR/rdf-syntax-grammar 
     http://purl.org/dc/elements/1.1/title 

Answer 1

小错误：你的意思是application/rdf+xml（注意加号）。

无论如何，你的问题很简单：

catch(JenaException | NoSuchElementException c) {} 

坏！你在这里失踪抛出的错误，并且输出被截断：

System.out.println(o.asResource().getURI()); 

o不是总是一个资源，这将打破对三联

<http://www.w3.org/TR/rdf-syntax-grammar> dc:title "RDF/XML Syntax ..." 

，所以你需要要警惕的是：

if (o.isResource()) System.out.println(o.asResource().getURI()); 

或者更具体地说：

if (o.isURIResource()) System.out.println(o.asResource().getURI()); 

它将跳过您看到的的null输出。

现在写一千倍我不会吞下例外 :-)

Answer 2

不，你不明白RDF的用途。抓取工具是一种旨在检索在线内容并将其编入索引的程序。一个简单的爬虫可以用HTML文档提供，它会下载（或者递归地）属性<a>元素中提到的所有文档。

RDF充满了URLs，所以您可能认为它是完美的提供爬虫，但不幸的是，RDF文档中的URL并非用于检索其他文档。实例：

• http://example.org/stuff/1.0/editor 404未找到
• http://purl.org/net/dajobe 302暂时移动
• http://example.org/stuff/1.0/fullName 404未找到
• http://www.w3.org/TR/rdf-syntax-grammar 301移至永久
• http://purl.org/dc/elements/1.1/title 302暂时移动

它可以是一个巧合？我不这么认为。事实是，RDF旨在描述真实世界并且恰好它可以以XML形式序列化，但XML不是the only available serialization。

那么，文档中使用的URL是什么？他们使用来命名东西。你知道多少约翰？可能有几十个，还有成千上万的约翰存在......但是，如果我拥有域example.com，我可以使用URL http://example.com/friends/John来引用我的朋友John。 RDF可以用来描述你的朋友约翰工作在123，美国广播公司的途径，通过两个URL和一个字符串

"http://me.com/John" "http://me.com/works_at" "123, Abc avenue" 

这被称为三重，以及其中包含的网址并不意味着点所以可以通过TCP套接字和理解HTTP协议的客户端来获取。请注意，您的朋友（约翰）和谓词（工作地点）都通过URL在三元组中引用。但是，如果你在浏览器中尝试这些URL，你什么也得不到。

我不知道你为什么要构建抓取工具以及它应该做什么，但肯定RDF不是你需要做的工作。