又一个网络爬虫- kamike.collect

Another Simple Crawler ，可以支持代理服务器的翻墙爬取。

1.数据存在mysql当中。

2.使用时，先修改web-inf/config.ini的数据链接相关信息，主要是数据库名和用户名和密码

3.然后访问http://127.0.0.1/fetch/install 链接，自动创建数据库表

4.修改src\java\cn\exinhua\fetch中的RestServlet.java文件：

   FetchInst.getInstance().running=true;

   Fetch fetch = new Fetch();

   fetch.setUrl("http://www.washingtonpost.com/");

    fetch.setDepth(3);

    RegexRule regexRule = new RegexRule();

    regexRule.addNegative(".*#.*");

    regexRule.addNegative(".*png.*");

    regexRule.addNegative(".*jpg.*");

    regexRule.addNegative(".*gif.*");

    regexRule.addNegative(".*js.*");

    regexRule.addNegative(".*css.*");

    regexRule.addPositive(".*php.*");

    regexRule.addPositive(".*html.*");

    regexRule.addPositive(".*htm.*");

    Fetcher fetcher = new Fetcher(fetch);

    fetcher.setProxyAuth(true);

    fetcher.setRegexRule(regexRule);

    List<Fetcher> fetchers = new ArrayList<>();

    fetchers.add(fetcher);

    FetchUtils.start(fetchers);

    将其配置为需要的参数，然后访问http://127.0.0.1/fetch/fetch启动爬取

    代理的配置在Fetch.java文件中：

    protected int status;

protected boolean resumable = false;

protected RegexRule regexRule = new RegexRule();

protected ArrayList<String> seeds = new ArrayList<String>();

protected Fetch fetch;

protected String proxyUrl="127.0.0.1";

protected int proxyPort=4444;

protected String proxyUsername="hkg";

protected String proxyPassword="dennis";

protected boolean proxyAuth=false;

5.访问http://127.0.0.1/fetch/suspend可以停止爬取.

from https://github.com/hubinix/kamike.collect