Another Simple Crawler 又一个网络爬虫，可以支持代理服务器的FQ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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
|
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;
|