java/project（期末项目报告）/CrawlerMain2/README.md

Java爬虫综合项目（CLI + MVC + Command + 策略模式）

一、项目简介

本项目实现了一个命令行菜单式爬虫，支持爬取豆瓣电影、王者荣耀英雄、中国天气网天气等数据。采用MVC、命令模式、策略模式、多层结构，集成日志体系与异常分包，代码结构规范，易于扩展和维护。

二、项目结构

CrawlerMain2
├── .idea # IDEA 配置文件
├── out # 编译输出目录
└── src
├── command # 命令模式模块
│ ├── AnalyzeCommand
│ ├── CommandInvoker
│ ├── CrawlCommand
│ ├── HeroCrawlCommand
│ ├── MovieCrawlCommand
│ ├── WeatherAnalyzeCommand
│ └── WeatherCrawlCommand
├── controller # 控制器与上下文
│ └── CrawlerContext
├── crawler # 策略模式爬虫实现
│ ├── BaseCrawler
│ ├── Crawler
│ ├── HeroCrawler
│ ├── MovieCrawler
│ └── WeatherCrawler
├── exception # 自定义异常体系
├── model # 数据实体类
│ ├── Hero
│ ├── Movie
│ └── Weather
├── util # 工具类
│ └── DataUtil # JSON 导入导出、增量去重、文件 IO
├── view # 视图层（CLI 菜单交互）
│ └── CrawlerView
├── CrawlerMain # 程序入口
└── logback.xml # 日志配置
├── .gitignore           # Git忽略文件配置
└── CrawlerMain2.iml     # IDEA模块配置

---

三、功能介绍

• 命令行菜单，操作简单，支持多种数据源抓取
• 豆瓣电影、王者荣耀英雄、中国天气网天气数据采集
• 本地数据存储和分析统计
• MVC分层、命令模式、策略模式设计，扩展方便
• try-with-resources安全IO，保证资源释放与数据安全
• 支持JSON序列化导出（movie.json等）与数据备份
• 历史数据导入恢复功能，支持断点/回溯操作
• 增量抓取机制，自动去重，避免重复采集
• 日志体系与异常处理，项目健壮可追踪

---

四、依赖说明

• JDK 8及以上版本
• jsoup（网页解析）
• slf4j（日志接口）
• logback（日志实现）
• fastjson2（JSON处理框架，完成数据序列化/反序列化）
• IO相关类（java.io.File、FileReader、IOException等）实现文件操作
• 集合类（Set、HashSet、Stream），用于增量抓取与数据去重

推荐使用 Maven（pom.xml）管理依赖，添加如下：

<dependency>
  <groupId>org.jsoup</groupId>
  <artifactId>jsoup</artifactId>
  <version>1.15.3</version>
</dependency>
<dependency>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-api</artifactId>
<version>1.7.36</version>
</dependency>
<dependency>
<groupId>ch.qos.logback</groupId>
<artifactId>logback-classic</artifactId>
<version>1.2.11</version>
</dependency>
<dependency>
<groupId>com.alibaba.fastjson2</groupId>
<artifactId>fastjson2</artifactId>
<version>2.0.47</version>
</dependency>

如果不用 Maven，可手动下载相关 jar 包，并在 IDEA 的 Libraries 中添加。

---

五、运行说明（IntelliJ IDEA）

1. 用 IDEA 打开项目根目录（包含 src/，logback.xml 等）。
2. 配置 jsoup、slf4j、logback、fastjson2 依赖（建议用 Maven），或手动添加。
3. 确认DataUtil.java里的数据存储路径有权限。如必要，修改为本地可用的目录。
4. 右键CrawlerMain.java，选择“Run”，即可启动项目。
5. 启动后按照命令行菜单提示输入数字操作，体验各类爬取、分析、导出、恢复功能：

  1 爬取豆瓣电影
  2 爬取王者荣耀英雄
  3 爬取全国天气
  4 电影、英雄数据分析（仅统计，不存储）
  5 天气数据分析
  6 导入历史数据
  0 退出程序

程序在抓取时自动生成 JSON 文件 (movie.json)，支持导入历史数据并增量去重。

---

六、主要设计与包说明

包/类	功能描述
exception	自定义异常体系
command	命令模式相关类（命令封装、调度）
controller	控制器上下文（业务流转管理）
strategy	策略接口与具体爬虫实现
model	数据实体类（电影、英雄、天气）
util/DataUtil.java	数据存储、历史恢复、JSON导入导出与增量去重
view	CLI菜单视图，交互展示

---

七、核心工具/新功能说明

• DataUtil 工具类
  • 新增方法封装 JSON 序列化与反序列化（依赖 fastjson2 的 JSON 工具类）
  • 支持文件安全读写（采用 try‑with‑resources 结构，自动释放 IO 资源）
  • 增量抓取与去重，采用 Set/HashSet 结构自动过滤已采集的对象
  • 历史数据校验与导入，支持断点恢复（即重新导入 movie.json，恢复进度）

---

八、常见问题

1. 存储权限报错：请修改 DataUtil 的数据路径为本机有权限的盘符或目录
2. 依赖缺失或报错：确保 jsoup、slf4j、logback、fastjson2 已配置到项目
3. JSON导入导出异常：检查 movie.json 是否存在且格式正确，或依赖版本是否兼容
4. 重复抓取问题：增量去重会自动过滤相同对象，手动修改数据时注意唯一性
5. 出现 IOException：请检查文件路径、权限是否正常

---

九、扩展与二次开发说明

• 新增网站爬虫或数据实体：
  • 新建 strategy 类（如 NewSiteCrawler.java）
  • 新建 command 类，添加进菜单与调度
  • 扩展 model 数据实体
• 导出和导入功能可支持更多格式，只需扩展 DataUtil 工具类即可

---

十、作者信息

• 姓名：郑诗艺
• 学号：202401070210
• 班级：大数据管理与应用2402班
• 日期：2026.5.24