但是這樣基本的爬蟲是不能滿足各色各樣的爬蟲需求的。

先來介紹寬度優(yōu)先爬蟲。

寬度優(yōu)先相信大家都不陌生，簡單說來可以這樣理解寬度優(yōu)先爬蟲。

我們把互聯(lián)網(wǎng)看作一張超級大的有向圖，每一個網(wǎng)頁上的鏈接都是一個有向邊，每一個文件或沒有鏈接的純頁面則是圖中的終點：

寬度優(yōu)先爬蟲就是這樣一個爬蟲，爬走在這個有向圖上，從根節(jié)點開始一層一層往外爬取新的節(jié)點的數(shù)據(jù)。

寬度遍歷算法如下所示：

(1) 頂點 V 入隊列。
(2) 當(dāng)隊列非空時繼續(xù)執(zhí)行，否則算法為空。
(3) 出隊列，獲得隊頭節(jié)點 V，訪問頂點 V 并標(biāo)記 V 已經(jīng)被訪問。
(4) 查找頂點 V 的第一個鄰接頂點 col。
(5) 若 V 的鄰接頂點 col 未被訪問過，則 col 進隊列。
(6) 繼續(xù)查找 V 的其他鄰接頂點 col，轉(zhuǎn)到步驟(5)，若 V 的所有鄰接頂點都已經(jīng)被訪問過，則轉(zhuǎn)到步驟(2)。

按照寬度遍歷算法，上圖的遍歷順序為：A->B->C->D->E->F->H->G->I，這樣一層一層的遍歷下去。

而寬度優(yōu)先爬蟲其實爬取的是一系列的種子節(jié)點，和圖的遍歷基本相同。

我們可以把需要爬取頁面的URL都放在一個TODO表中，將已經(jīng)訪問的頁面放在一個Visited表中：

則寬度優(yōu)先爬蟲的基本流程如下：

(1) 把解析出的鏈接和 Visited 表中的鏈接進行比較，若 Visited 表中不存在此鏈接， 表示其未被訪問過。
(2) 把鏈接放入 TODO 表中。
(3) 處理完畢后，從 TODO 表中取得一條鏈接，直接放入 Visited 表中。
(4) 針對這個鏈接所表示的網(wǎng)頁，繼續(xù)上述過程。如此循環(huán)往復(fù)。

下面我們就來一步一步制作一個寬度優(yōu)先的爬蟲。

首先，對于先設(shè)計一個數(shù)據(jù)結(jié)構(gòu)用來存儲TODO表， 考慮到需要先進先出所以采用隊列，自定義一個Quere類：

import java.util.LinkedList;
/**
 * 自定義隊列類 保存TODO表
 */
public class Queue {
 /**
  * 定義一個隊列，使用LinkedList實現(xiàn)
  */
 private LinkedList<Object> queue = new LinkedList<Object>(); // 入隊列
 /**
  * 將t加入到隊列中
  */
 public void enQueue(Object t) {
  queue.addLast(t);
 }
 /**
  * 移除隊列中的第一項并將其返回
  */
 public Object deQueue() {
  return queue.removeFirst();
 }
 /**
  * 返回隊列是否為空
  */
 public boolean isQueueEmpty() {
  return queue.isEmpty();
 }
 /**
  * 判斷并返回隊列是否包含t
  */
 public boolean contians(Object t) {
  return queue.contains(t);
 }
 /**
  * 判斷并返回隊列是否為空
  */
 public boolean empty() {
  return queue.isEmpty();
 }
}

還需要一個數(shù)據(jù)結(jié)構(gòu)來記錄已經(jīng)訪問過的 URL，即Visited表。

考慮到這個表的作用，每當(dāng)要訪問一個 URL 的時候，首先在這個數(shù)據(jù)結(jié)構(gòu)中進行查找，如果當(dāng)前的 URL 已經(jīng)存在，則丟棄這個URL任務(wù)。

這個數(shù)據(jù)結(jié)構(gòu)需要不重復(fù)并且能快速查找，所以選擇HashSet來存儲。

綜上，我們另建一個SpiderQueue類來保存Visited表和TODO表：

import java.util.HashSet;
import java.util.Set;
/**
 * 自定義類 保存Visited表和unVisited表
 */
public class SpiderQueue {
 /**
  * 已訪問的url集合，即Visited表
  */
 private static Set<Object> visitedUrl = new HashSet<>();
 /**
  * 添加到訪問過的 URL 隊列中
  */
 public static void addVisitedUrl(String url) {
  visitedUrl.add(url);
 }
 /**
  * 移除訪問過的 URL
  */
 public static void removeVisitedUrl(String url) {
  visitedUrl.remove(url);
 }
 /**
  * 獲得已經(jīng)訪問的 URL 數(shù)目
  */
 public static int getVisitedUrlNum() {
  return visitedUrl.size();
 }
 /**
  * 待訪問的url集合，即unVisited表
  */
 private static Queue unVisitedUrl = new Queue();
 /**
  * 獲得UnVisited隊列
  */
 public static Queue getUnVisitedUrl() {
  return unVisitedUrl;
 }
 /**
  * 未訪問的unVisitedUrl出隊列
  */
 public static Object unVisitedUrlDeQueue() {
  return unVisitedUrl.deQueue();
 }
 /**
  * 保證添加url到unVisitedUrl的時候每個 URL只被訪問一次
  */
 public static void addUnvisitedUrl(String url) {
  if (url != null && !url.trim().equals("") && !visitedUrl.contains(url)
    && !unVisitedUrl.contians(url))
   unVisitedUrl.enQueue(url);
 }
 /**
  * 判斷未訪問的 URL隊列中是否為空
  */
 public static boolean unVisitedUrlsEmpty() {
  return unVisitedUrl.empty();
 }
}

上面是一些自定義類的封裝，接下來就是一個定義一個用來下載網(wǎng)頁的工具類，我們將其定義為DownTool類：

package controller;
import java.io.*;
import org.apache.commons.httpclient.*;
import org.apache.commons.httpclient.methods.*;
import org.apache.commons.httpclient.params.*;
public class DownTool {
 /**
  * 根據(jù) URL 和網(wǎng)頁類型生成需要保存的網(wǎng)頁的文件名，去除 URL 中的非文件名字符
  */
 private String getFileNameByUrl(String url, String contentType) {
  // 移除 "http://" 這七個字符
  url = url.substring(7);
  // 確認(rèn)抓取到的頁面為 text/html 類型
  if (contentType.indexOf("html") != -1) {
   // 把所有的url中的特殊符號轉(zhuǎn)化成下劃線
   url = url.replaceAll("[\\?/:*|<>\"]", "_") + ".html";
  } else {
   url = url.replaceAll("[\\?/:*|<>\"]", "_") + "."
     + contentType.substring(contentType.lastIndexOf("/") + 1);
  }
  return url;
 }
 /**
  * 保存網(wǎng)頁字節(jié)數(shù)組到本地文件，filePath 為要保存的文件的相對地址
  */
 private void saveToLocal(byte[] data, String filePath) {
  try {
   DataOutputStream out = new DataOutputStream(new FileOutputStream(
     new File(filePath)));
   for (int i = 0; i < data.length; i++)
    out.write(data[i]);
   out.flush();
   out.close();
  } catch (IOException e) {
   e.printStackTrace();
  }
 }
 // 下載 URL 指向的網(wǎng)頁
 public String downloadFile(String url) {
  String filePath = null;
  // 1.生成 HttpClinet對象并設(shè)置參數(shù)
  HttpClient httpClient = new HttpClient();
  // 設(shè)置 HTTP連接超時 5s
  httpClient.getHttpConnectionManager().getParams()
    .setConnectionTimeout(5000);
  // 2.生成 GetMethod對象并設(shè)置參數(shù)
  GetMethod getMethod = new GetMethod(url);
  // 設(shè)置 get請求超時 5s
  getMethod.getParams().setParameter(HttpMethodParams.SO_TIMEOUT, 5000);
  // 設(shè)置請求重試處理
  getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER,
    new DefaultHttpMethodRetryHandler());
  // 3.執(zhí)行GET請求
  try {
   int statusCode = httpClient.executeMethod(getMethod);
   // 判斷訪問的狀態(tài)碼
   if (statusCode != HttpStatus.SC_OK) {
    System.err.println("Method failed: "
      + getMethod.getStatusLine());
    filePath = null;
   }
   // 4.處理 HTTP 響應(yīng)內(nèi)容
   byte[] responseBody = getMethod.getResponseBody();// 讀取為字節(jié)數(shù)組
   // 根據(jù)網(wǎng)頁 url 生成保存時的文件名
   filePath = "temp\\"
     + getFileNameByUrl(url,
       getMethod.getResponseHeader("Content-Type")
         .getValue());
   saveToLocal(responseBody, filePath);
  } catch (HttpException e) {
   // 發(fā)生致命的異常，可能是協(xié)議不對或者返回的內(nèi)容有問題
   System.out.println("請檢查你的http地址是否正確");
   e.printStackTrace();
  } catch (IOException e) {
   // 發(fā)生網(wǎng)絡(luò)異常
   e.printStackTrace();
  } finally {
   // 釋放連接
   getMethod.releaseConnection();
  }
  return filePath;
 }
}

在這里我們需要一個HtmlParserTool類來處理Html標(biāo)記：

package controller;
import java.util.HashSet;
import java.util.Set;
import org.htmlparser.Node;
import org.htmlparser.NodeFilter;
import org.htmlparser.Parser;
import org.htmlparser.filters.NodeClassFilter;
import org.htmlparser.filters.OrFilter;
import org.htmlparser.tags.LinkTag;
import org.htmlparser.util.NodeList;
import org.htmlparser.util.ParserException;
import model.LinkFilter;
public class HtmlParserTool {
 // 獲取一個網(wǎng)站上的鏈接，filter 用來過濾鏈接
 public static Set<String> extracLinks(String url, LinkFilter filter) {
  Set<String> links = new HashSet<String>();
  try {
   Parser parser = new Parser(url);
   parser.setEncoding("gb2312");
   // 過濾 <frame >標(biāo)簽的 filter，用來提取 frame 標(biāo)簽里的 src 屬性
   NodeFilter frameFilter = new NodeFilter() {
    private static final long serialVersionUID = 1L;
    @Override
    public boolean accept(Node node) {
     if (node.getText().startsWith("frame src=")) {
      return true;
     } else {
      return false;
     }
    }
   };
   // OrFilter 來設(shè)置過濾 <a> 標(biāo)簽和 <frame> 標(biāo)簽
   OrFilter linkFilter = new OrFilter(new NodeClassFilter(
     LinkTag.class), frameFilter);
   // 得到所有經(jīng)過過濾的標(biāo)簽
   NodeList list = parser.extractAllNodesThatMatch(linkFilter);
   for (int i = 0; i < list.size(); i++) {
    Node tag = list.elementAt(i);
    if (tag instanceof LinkTag)// <a> 標(biāo)簽
    {
     LinkTag link = (LinkTag) tag;
     String linkUrl = link.getLink();// URL
     if (filter.accept(linkUrl))
      links.add(linkUrl);
    } else// <frame> 標(biāo)簽
    {
     // 提取 frame 里 src 屬性的鏈接， 如 <frame src="test.html"/>
     String frame = tag.getText();
     int start = frame.indexOf("src=");
     frame = frame.substring(start);
     int end = frame.indexOf(" ");
     if (end == -1)
      end = frame.indexOf(">");
     String frameUrl = frame.substring(5, end - 1);
     if (filter.accept(frameUrl))
      links.add(frameUrl);
    }
   }
  } catch (ParserException e) {
   e.printStackTrace();
  }
  return links;
 }
}

最后我們來寫個爬蟲類調(diào)用前面的封裝類和函數(shù)：

運行可以看到，爬蟲已經(jīng)把百度網(wǎng)頁下所有的頁面都抓取出來了：

以上就是java使用HttpClient工具包和寬度爬蟲進行抓取內(nèi)容的操作的全部內(nèi)容，稍微復(fù)雜點，小伙伴們要仔細(xì)琢磨下哦，希望對大家能有所幫助