[Java] 知乎下巴第5集：使用HttpClient工具包和宽度爬虫

下载地址：https://code.csdn.net/wxg694175346/zhihudown

说到爬虫，使用Java本身自带的URLConnection可以实现一些基本的抓取页面的功能，但是对于一些比较高级的功能，比如重定向的处理，HTML标记的去除，仅仅使用URLConnection还是不够的。

在这里我们可以使用HttpClient这个第三方jar包，下载地址点击这里。

接下来我们使用HttpClient简单的写一个爬去百度的Demo：

import java.io.FileOutputStream;import java.io.InputStream;import java.io.OutputStream;import org.apache.commons.httpclient.HttpClient;import org.apache.commons.httpclient.HttpStatus;import org.apache.commons.httpclient.methods.GetMethod;/** * * @author CallMeWhy * */public class Spider {private static HttpClient httpClient = new HttpClient();/** * @param path *目标网页的链接 * @return 返回布尔值，表示是否正常下载目标页面 * @throws Exception *读取网页流或写入本地文件流的IO异常 */public static boolean downloadPage(String path) throws Exception {// 定义输入输出流InputStream input = null;OutputStream output = null;// 得到 post 方法GetMethod getMethod = new GetMethod(path);// 执行，返回状态码int statusCode = httpClient.executeMethod(getMethod);// 针对状态码进行处理// 简单起见，只处理返回值为 200 的状态码if (statusCode == HttpStatus.SC_OK) {input = getMethod.getResponseBodyAsStream();// 通过对URL的得到文件名String filename = path.substring(path.lastIndexOf(‘/’) + 1)+ ".html";// 获得文件输出流output = new FileOutputStream(filename);// 输出到文件int tempByte = -1;while ((tempByte = input.read()) > 0) {output.write(tempByte);}// 关闭输入流if (input != null) {input.close();}// 关闭输出流if (output != null) {output.close();}return true;}return false;}public static void main(String[] args) {try {// 抓取百度首页，输出Spider.downloadPage("");} catch (Exception e) {e.printStackTrace();}}}但是这样基本的爬虫是不能满足各色各样的爬虫需求的。

先来介绍宽度优先爬虫。

宽度优先相信大家都不陌生，，简单说来可以这样理解宽度优先爬虫。

我们把互联网看作一张超级大的有向图，每一个网页上的链接都是一个有向边，每一个文件或没有链接的纯页面则是图中的终点：

宽度优先爬虫就是这样一个爬虫，爬走在这个有向图上，从根节点开始一层一层往外爬取新的节点的数据。

宽度遍历算法如下所示：

(1) 顶点 V 入队列。(2) 当队列非空时继续执行，否则算法为空。(3) 出队列，获得队头节点 V，访问顶点 V 并标记 V 已经被访问。(4) 查找顶点 V 的第一个邻接顶点 col。(5) 若 V 的邻接顶点 col 未被访问过，则 col 进队列。(6) 继续查找 V 的其他邻接顶点 col，转到步骤(5)，若 V 的所有邻接顶点都已经被访问过，则转到步骤(2)。

按照宽度遍历算法，上图的遍历顺序为：A->B->C->D->E->F->H->G->I，这样一层一层的遍历下去。

而宽度优先爬虫其实爬取的是一系列的种子节点，和图的遍历基本相同。

我们可以把需要爬取页面的URL都放在一个TODO表中，将已经访问的页面放在一个Visited表中：

则宽度优先爬虫的基本流程如下：

(1) 把解析出的链接和 Visited 表中的链接进行比较，若 Visited 表中不存在此链接， 表示其未被访问过。(2) 把链接放入 TODO 表中。(3) 处理完毕后，从 TODO 表中取得一条链接，直接放入 Visited 表中。(4) 针对这个链接所表示的网页，继续上述过程。如此循环往复。

下面我们就来一步一步制作一个宽度优先的爬虫。

首先，对于先设计一个数据结构用来存储TODO表，考虑到需要先进先出所以采用队列，自定义一个Quere类：

import java.util.LinkedList;/** * 自定义队列类 保存TODO表 */public class Queue {/** * 定义一个队列，使用LinkedList实现 */private LinkedList<Object> queue = new LinkedList<Object>(); // 入队列/** * 将t加入到队列中 */public void enQueue(Object t) {queue.addLast(t);}/** * 移除队列中的第一项并将其返回 */public Object deQueue() {return queue.removeFirst();}/** * 返回队列是否为空 */public boolean isQueueEmpty() {return queue.isEmpty();}/** * 判断并返回队列是否包含t */public boolean contians(Object t) {return queue.contains(t);}/** * 判断并返回队列是否为空 */public boolean empty() {return queue.isEmpty();}}

还需要一个数据结构来记录已经访问过的 URL，即Visited表。

考虑到这个表的作用，每当要访问一个 URL 的时候，首先在这个数据结构中进行查找，如果当前的 URL 已经存在，则丢弃这个URL任务。

这个数据结构需要不重复并且能快速查找，所以选择HashSet来存储。

走自己的路，让别人说去吧