您好,登錄后才能下訂單哦!
今天就跟大家聊聊有關(guān)怎么在hadoop中實(shí)現(xiàn)一個(gè)java爬蟲,可能很多人都不太了解,為了讓大家更加了解,小編給大家總結(jié)了以下內(nèi)容,希望大家根據(jù)這篇文章可以有所收獲。
需要用到
Cygwin:一個(gè)在windows平臺(tái)上運(yùn)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(shí)現(xiàn)了一個(gè)分布式文件系統(tǒng)(Hadoop Distributed File System),簡(jiǎn)稱HDFS,用來(lái)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(xiàng)目;
Jsoup:html的解析jar包,結(jié)合正則表達(dá)式能更好的解析網(wǎng)頁(yè)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(yùn)行后進(jìn)入安裝界面。
安裝時(shí)直接從網(wǎng)絡(luò)鏡像中下載擴(kuò)展包,至少需要選擇ssh和ssl支持包
安裝后進(jìn)入cygwin控制臺(tái)界面,
運(yùn)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(gè)步驟
完成后會(huì)在windows操作系統(tǒng)中配置好一個(gè)Cygwin sshd服務(wù),啟動(dòng)該服務(wù)即可。
然后要配置ssh免密碼登陸
重新運(yùn)行cygwin。
執(zhí)行ssh localhost,會(huì)要求使用密碼進(jìn)行登陸。
使用ssh-keygen命令來(lái)生成一個(gè)ssh密鑰,一直回車結(jié)束即可。
生成后進(jìn)入.ssh目錄,使用命令:cp id_rsa.pub authorized_keys 命令來(lái)配置密鑰。
之后使用exit退出即可。
重新進(jìn)入系統(tǒng)后,通過(guò)ssh localhost就可以直接進(jìn)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?yàn)榕渲玫氖莻畏植际椒绞剑?/span>
<configuration> <property> <name>dfs.replication</name> <value>1</value> </property> </configuration>
注意:此圖片多加了一個(gè)property,內(nèi)容就是解決可能出現(xiàn)的權(quán)限問題?。?!
HDFS:Hadoop 分布式文件系統(tǒng)
可以在HDFS中通過(guò)命令動(dòng)態(tài)對(duì)文件或文件夾進(jìn)行CRUD
注意有可能出現(xiàn)權(quán)限的問題,需要通過(guò)在hdfs-site.xml中配置以下內(nèi)容來(lái)避免:
<property> <name>dfs.permissions</name> <value>false</value> </property>
修改mapred-site.xml,設(shè)置JobTracker運(yùn)行的服務(wù)器與端口號(hào)(由于當(dāng)前就是運(yùn)行在本機(jī)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(duì)應(yīng)的服務(wù)器與端口號(hào)(同樣就在當(dāng)前主機(jī))
<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(jìn)入hadoop目錄
在bin目錄下,對(duì)HDFS文件系統(tǒng)進(jìn)行格式化(第一次使用前必須格式化),然后輸入啟動(dòng)命令:
3、Eclipse開發(fā)環(huán)境搭建
這個(gè)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(guò)此時(shí)需要完善一下。
將hadoop中的hadoop-eclipse-plugin.jar支持包拷貝到eclipse的plugin目錄下,為eclipse添加Hadoop支持。
啟動(dòng)Eclipse后,切換到MapReduce界面。
在windows工具選項(xiàng)選擇showviews的others里面查找map/reduce locations。
在Map/Reduce Locations窗口中建立一個(gè)Hadoop Location,以便與Hadoop進(jìn)行關(guān)聯(lián)。
注意:此處的兩個(gè)端口應(yīng)為你配置hadoop的時(shí)候設(shè)置的端口?。?!
完成后會(huì)建立好一個(gè)Hadoop Location
在左側(cè)的DFS Location中,還可以看到HDFS中的各個(gè)目錄
并且你可以在其目錄下自由創(chuàng)建文件夾來(lái)存取數(shù)據(jù)。
下面你就可以創(chuàng)建mapreduce項(xiàng)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(guò)編寫一段程序,來(lái)將爬取的新聞內(nèi)容的有效信息保存到HDFS中。
此時(shí)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(shí)需要將jsoup的jar包導(dǎo)入到項(xiàng)目中。
package org.liky.sina.save; //這里用到了JSoup開發(fā)包,該包可以很簡(jiǎn)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(guò)Path來(lái)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(duì)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(gè)!"); } } catch (Exception e) { e.printStackTrace(); } } }
看完上述內(nèi)容,你們對(duì)怎么在hadoop中實(shí)現(xiàn)一個(gè)java爬蟲有進(jìn)一步的了解嗎?如果還想了解更多知識(shí)或者相關(guān)內(nèi)容,請(qǐng)關(guān)注億速云行業(yè)資訊頻道,感謝大家的支持。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。