最新国产好看的视频,伊人天堂AV在线,国产Aaaaaa视频,蜜臀视频在线观看一区,人妻av色图,密臀久久久精品影片,青青视频免费观看毛片,久草在线观看视,国产三级精品色情在线

hadoop中實現(xiàn)java網(wǎng)絡(luò)爬蟲(示例講解)

 更新時間:2017年09月26日 08:59:33   作者:sunwengang  
下面小編就為大家?guī)硪黄猦adoop中實現(xiàn)java網(wǎng)絡(luò)爬蟲(示例講解)。小編覺得挺不錯的,現(xiàn)在就分享給大家,也給大家做個參考。一起跟隨小編過來看看吧

這一篇網(wǎng)絡(luò)爬蟲的實現(xiàn)就要聯(lián)系上大數(shù)據(jù)了。在前兩篇java實現(xiàn)網(wǎng)絡(luò)爬蟲和heritrix實現(xiàn)網(wǎng)絡(luò)爬蟲的基礎(chǔ)上,這一次是要完整的做一次數(shù)據(jù)的收集、數(shù)據(jù)上傳、數(shù)據(jù)分析、數(shù)據(jù)結(jié)果讀取、數(shù)據(jù)可視化。

需要用到

Cygwin:一個在windows平臺上運行的類UNIX模擬環(huán)境,直接網(wǎng)上搜索下載,并且安裝;

Hadoop:配置Hadoop環(huán)境,實現(xiàn)了一個分布式文件系統(tǒng)(Hadoop Distributed File System),簡稱HDFS,用來將收集的數(shù)據(jù)直接上傳保存到HDFS,然后用MapReduce分析;

Eclipse:編寫代碼,需要導(dǎo)入hadoop的jar包,以可以創(chuàng)建MapReduce項目;

Jsoup:html的解析jar包,結(jié)合正則表達式能更好的解析網(wǎng)頁源碼;

----->

目錄:

1、配置Cygwin

2、配置Hadoop黃靜

3、Eclipse開發(fā)環(huán)境搭建

4、網(wǎng)絡(luò)數(shù)據(jù)爬?。╦soup)

-------->

1、安裝配置Cygwin

從官方網(wǎng)站下載Cygwin 安裝文件,地址:https://cygwin.com/install.html

下載運行后進入安裝界面。

安裝時直接從網(wǎng)絡(luò)鏡像中下載擴展包,至少需要選擇ssh和ssl支持包

安裝后進入cygwin控制臺界面,

運行ssh-host-config命令,安裝SSH

輸入:no,yes,ntsec,no,no

注意:win7下需要改為yes,yes,ntsec,no,yes,輸入密碼并確認(rèn)這個步驟

完成后會在windows操作系統(tǒng)中配置好一個Cygwin sshd服務(wù),啟動該服務(wù)即可。

然后要配置ssh免密碼登陸

重新運行cygwin

執(zhí)行ssh localhost,會要求使用密碼進行登陸。

使用ssh-keygen命令來生成一個ssh密鑰,一直回車結(jié)束即可。

生成后進入.ssh目錄,使用命令:cp id_rsa.pub authorized_keys 命令來配置密鑰。

之后使用exit退出即可。

重新進入系統(tǒng)后,通過ssh localhost就可以直接進入系統(tǒng),不需要再輸入密碼了。

2、配置Hadoop環(huán)境

修改hadoop-env.sh文件,加入JDK安裝目錄的JAVA_HOME位置設(shè)置。

# The java implementation to use. Required.

export JAVA_HOME=/cygdrive/c/Java/jdk1.7.0_67
 


如圖注意:Program Files縮寫為PROGRA~1

修改hdfs-site.xml,設(shè)置存放副本為1(因為配置的是偽分布式方式)

<configuration>
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
</configuration>

注意:此圖片多加了一個property,內(nèi)容就是解決可能出現(xiàn)的權(quán)限問題?。。?/strong>

HDFSHadoop 分布式文件系統(tǒng)

可以在HDFS中通過命令動態(tài)對文件或文件夾進行CRUD

注意有可能出現(xiàn)權(quán)限的問題,需要通過在hdfs-site.xml中配置以下內(nèi)容來避免:

<property>
<name>dfs.permissions</name>
<value>false</value>
</property>

修改mapred-site.xml,設(shè)置JobTracker運行的服務(wù)器與端口號(由于當(dāng)前就是運行在本機上,直接寫localhost 即可,端口可以綁定任意空閑端口)

<configuration>
<property>
<name>mapred.job.tracker</name>
<value>localhost:9001</value>
</property>
</configuration>

配置core-site.xml,配置HDFS文件系統(tǒng)所對應(yīng)的服務(wù)器與端口號(同樣就在當(dāng)前主機)

<configuration>
<property>
<name>fs.default.name</name>
<value>hdfs://localhost:9000</value>
</property>
</configuration>

配置好以上內(nèi)容后,在Cygwin中進入hadoop目錄

在bin目錄下,對HDFS文件系統(tǒng)進行格式化(第一次使用前必須格式化),然后輸入啟動命令:

3、Eclipse開發(fā)環(huán)境搭建

這個在我寫的博客 大數(shù)據(jù)【二】HDFS部署及文件讀寫(包含eclipse hadoop配置)中給出大致配置方法。不過此時需要完善一下。

hadoop中的hadoop-eclipse-plugin.jar支持包拷貝到eclipseplugin目錄下,為eclipse添加Hadoop支持。

啟動Eclipse后,切換到MapReduce界面。

在windows工具選項選擇showviews的others里面查找map/reduce locations。

Map/Reduce Locations窗口中建立一個Hadoop Location,以便與Hadoop進行關(guān)聯(lián)。

注意:此處的兩個端口應(yīng)為你配置hadoop的時候設(shè)置的端口!?。?/p>

完成后會建立好一個Hadoop Location

在左側(cè)的DFS Location中,還可以看到HDFS中的各個目錄

并且你可以在其目錄下自由創(chuàng)建文件夾來存取數(shù)據(jù)。

下面你就可以創(chuàng)建mapreduce項目了,方法同正常創(chuàng)建一樣。

4、網(wǎng)絡(luò)數(shù)據(jù)爬取

現(xiàn)在我們通過編寫一段程序,來將爬取的新聞內(nèi)容的有效信息保存到HDFS中。

此時就有了兩種網(wǎng)絡(luò)爬蟲的方法:

其一就是利用heritrix工具獲取的數(shù)據(jù);

其一就是java代碼結(jié)合jsoup編寫的網(wǎng)絡(luò)爬蟲。

方法一的信息保存到HDFS:

直接讀取生成的本地文件,用jsoup解析html,此時需要將jsoup的jar包導(dǎo)入到項目中。

package org.liky.sina.save;

//這里用到了JSoup開發(fā)包,該包可以很簡單的提取到HTML中的有效信息
import java.io.File;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataOutputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

public class SinaNewsData {

  private static Configuration conf = new Configuration();

  private static FileSystem fs;

  private static Path path;

  private static int count = 0;

  public static void main(String[] args) {
    parseAllFile(new File(
        "E:/heritrix-1.12.1/jobs/sina_news_job_02-20170814013255352/mirror/"));
  }

  public static void parseAllFile(File file) {
    // 判斷類型
    if (file.isDirectory()) {
      // 文件夾
      File[] allFile = file.listFiles();
      if (allFile != null) {
        for (File f : allFile) {
          parseAllFile(f);
        }
      }
    } else {
      // 文件
      if (file.getName().endsWith(".html")
          || file.getName().endsWith(".shtml")) {
        parseContent(file.getAbsolutePath());
      }
    }
  }

  public static void parseContent(String filePath) {
    try {
        //用jsoup的方法讀取文件路徑
      Document doc = Jsoup.parse(new File(filePath), "utf-8");
      //讀取標(biāo)題
      String title = doc.title();
      Elements descElem = doc.getElementsByAttributeValue("name",
          "description");
      Element descE = descElem.first();
      
      // 讀取內(nèi)容
      String content = descE.attr("content");

      if (title != null && content != null) {
        //通過Path來保存數(shù)據(jù)到HDFS中
        path = new Path("hdfs://localhost:9000/input/"
            + System.currentTimeMillis() + ".txt");

        fs = path.getFileSystem(conf);

        // 建立輸出流對象
        FSDataOutputStream os = fs.create(path);
        // 使用os完成輸出
        os.writeChars(title + "\r\n" + content);

        os.close();

        count++;

        System.out.println("已經(jīng)完成" + count + " 個!");
      }

    } catch (Exception e) {
      e.printStackTrace();
    }
  }
}

以上這篇hadoop中實現(xiàn)java網(wǎng)絡(luò)爬蟲(示例講解)就是小編分享給大家的全部內(nèi)容了,希望能給大家一個參考,也希望大家多多支持腳本之家。

相關(guān)文章

  • Java Object定義三個點實現(xiàn)代碼

    Java Object定義三個點實現(xiàn)代碼

    這篇文章主要介紹了Java Object定義三個點實現(xiàn)代碼,文中通過示例代碼介紹的非常詳細,對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下
    2020-09-09
  • 深入分析Android系統(tǒng)中SparseArray的源碼

    深入分析Android系統(tǒng)中SparseArray的源碼

    這篇文章主要介紹了深入分析Android系統(tǒng)中SparseArray的源碼,SparseArray為Java實現(xiàn),需要的朋友可以參考下
    2015-07-07
  • java打包maven啟動報錯jar中沒有主清單屬性

    java打包maven啟動報錯jar中沒有主清單屬性

    本文主要介紹了java打包maven啟動報錯jar中沒有主清單屬性,可能原因是創(chuàng)建springboot項目時,自動導(dǎo)入,下面就來介紹一下解決方法,感興趣的可以了解一下
    2024-03-03
  • Java?抽象類和接口的實現(xiàn)

    Java?抽象類和接口的實現(xiàn)

    本文主要介紹了Java?抽象類和接口,文中通過示例代碼介紹的非常詳細,對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
    2007-03-03
  • 基于StringBuilder類中的重要方法(介紹)

    基于StringBuilder類中的重要方法(介紹)

    下面小編就為大家?guī)硪黄赟tringBuilder類中的重要方法(介紹)。小編覺得挺不錯的,現(xiàn)在就分享給大家,也給大家做個參考。一起跟隨小編過來看看吧
    2017-07-07
  • java?Springboot對接開發(fā)微信支付詳細流程

    java?Springboot對接開發(fā)微信支付詳細流程

    最近要做一個微信小程序,需要微信支付,所以研究了下怎么在java上集成微信支付功能,下面這篇文章主要給大家介紹了關(guān)于java?Springboot對接開發(fā)微信支付的相關(guān)資料,需要的朋友可以參考下
    2024-08-08
  • idea使用spring Initializr 快速搭建springboot項目遇到的坑

    idea使用spring Initializr 快速搭建springboot項目遇到的坑

    這篇文章主要介紹了idea使用spring Initializr 快速搭建springboot項目遇到的坑,本文通過圖文并茂的形式給大家介紹的非常詳細,對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值,需要的朋友可以參考下
    2020-11-11
  • Java模擬QQ實現(xiàn)聊天互動程序

    Java模擬QQ實現(xiàn)聊天互動程序

    這篇文章主要介紹了如何利用Java語言模擬QQ實現(xiàn)一個簡易的聊天互動程序,文中的示例代碼講解詳細,感興趣的小伙伴可以跟隨小編一起學(xué)習(xí)一下
    2022-06-06
  • 使用JAVA實現(xiàn)http通信詳解

    使用JAVA實現(xiàn)http通信詳解

    本文給大家匯總介紹了幾種java實現(xiàn)http通訊的方法,非常的簡單實用,有需要的小伙伴可以參考下。
    2015-08-08
  • 使用spring?security?BCryptPasswordEncoder接入系統(tǒng)

    使用spring?security?BCryptPasswordEncoder接入系統(tǒng)

    這篇文章主要介紹了使用spring?security?BCryptPasswordEncoder接入系統(tǒng)方式,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教
    2023-08-08

最新評論

自贡市| 虎林市| 海安县| 太湖县| 汉阴县| 伊金霍洛旗| 那坡县| 丹寨县| 旬邑县| 泸溪县| 广汉市| 临安市| 星子县| 庆安县| 武清区| 深圳市| 农安县| 靖宇县| 布尔津县| 广昌县| 凌源市| 金塔县| 邵东县| 文化| 麻栗坡县| 凤台县| 大丰市| 丹棱县| 建湖县| 宁阳县| 隆尧县| 台州市| 独山县| 隆子县| 汽车| 石首市| 盐边县| 固原市| 赞皇县| 内丘县| 晋州市|