kamike.collect

Another Simple Crawler 又一个网络爬虫，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