用Jena库从Java中提取RDF网页中的URI

Question

我为链接数据应用程序编写了以下代码，用于从内容类型为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) {}
}

但是对于输入

<?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>

输出为：

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

我需要在输出中的所有URI存在于该页面上，以建立一个RDF页面的网络爬虫。我需要在输出中的所有以下链接：

       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)。

不管怎样，你的问题很简单：

catch(JenaException | NoSuchElementException c) {}

坏的!您遗漏了这里抛出的错误，并且输出被截断：

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

o并不总是一个资源，这将在三元组上中断

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

因此，您需要防范这种情况：

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

或者更具体的是：

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

这将跳过您在ex:editor中看到的null输出。

现在写一千遍我不会吞下异常:-)

Answer 2

不，您不了解RDF是用来做什么的。爬虫程序是一种用于检索在线内容并对其进行索引的程序。一个简单的爬虫可以提供一个超文本标记语言文档，它将下载(可能是递归地) <a>元素的href属性中提到的所有文档。

RDF充满了URL，因此您可能认为它是提供爬虫的完美工具，但不幸的是，RDF文档中的URL并不是用来检索其他文档的。示例：

• http://example.org/stuff/1.0/editor 404 not found
• http://purl.org/net/dajobe 302 Moved Temporarily
• http://example.org/stuff/1.0/fullName 404 not found
• http://www.w3.org/TR/rdf-syntax-grammar 301 Moved Permanently
• http://purl.org/dc/elements/1.1/title 302 Moved Temporarily

这会是巧合吗？我不这样认为。事实是，RDF的目的是描述现实世界，碰巧它可以以XML形式序列化，但XML不是the only available serialization。

那么，URL在文档中的用途是什么呢？它们被用来命名为。你认识几个约翰？可能有几十个，还有几千个约翰...但是，如果我拥有域名example.com，我可以使用URL http://example.com/friends/John来引用我的朋友约翰。RDF可以通过两个URLs和一个字符串来描述您的朋友John在Abc大道123号工作。

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

这被称为三元组，其中包含的URL并不意味着指向可通过TCP套接字和理解HTTP协议的客户端检索的内容。请注意，您的朋友(John) 和谓词(在哪里工作)都通过URL在三元组中被引用。但是如果你在浏览器中尝试这些URL，你将什么也得不到。

我不知道您为什么要构建爬虫，以及它应该做什么，但RDF肯定不是您完成工作所需的。