这一篇网络爬虫的实现就要联系上大数据了。在前两篇java实现网络爬虫和heritrix实现网络爬虫的基础上，这一次是要完整的做一次数据的收集、数据上传、数据分析、数据结果读取、数据可视化。
需要用到
Cygwin：一个在windows平台上运行的类UNIX模拟环境，直接网上搜索下载，并且安装；
Hadoop：配置Hadoop环境，实现了一个分布式文件系统（Hadoop Distributed File System），简称HDFS，用来将收集的数据直接上传保存到HDFS，然后用MapReduce分析；
Eclipse：编写代码，需要导入hadoop的jar包，以可以创建MapReduce项目；
Jsoup：html的解析jar包，结合正则表达式能更好的解析网页源码；
----->
目录：
1、配置Cygwin
2、配置Hadoop黄静
3、Eclipse开发环境搭建
4、网络数据爬取（jsoup）
-------->
1、安装配置Cygwin
从官方网站下载Cygwin 安装文件，地址：https://cygwin.com/install.html
下载运行后进入安装界面。
安装时直接从网络镜像中下载扩展包，至少需要选择ssh和ssl支持包
安装后进入cygwin控制台界面，
运行ssh-host-config命令，安装SSH
输入：no，yes，ntsec，no，no
注意：win7下需要改为yes，yes，ntsec，no，yes，输入密码并确认这个步骤
完成后会在windows操作系统中配置好一个Cygwin sshd服务，启动该服务即可。
然后要配置ssh免密码登陆
重新运行cygwin。
执行ssh localhost，会要求使用密码进行登陆。
使用ssh-keygen命令来生成一个ssh密钥，一直回车结束即可。
生成后进入.ssh目录，使用命令：cp id_rsa.pub authorized_keys 命令来配置密钥。
之后使用exit退出即可。
重新进入系统后，通过ssh localhost就可以直接进入系统，不需要再输入密码了。
2、配置Hadoop环境
修改hadoop-env.sh文件，加入JDK安装目录的JAVA_HOME位置设置。
# The java implementation to use. Required. export JAVA_HOME=/cygdrive/c/Java/jdk1.7.0_67
如图注意：Program Files缩写为PROGRA~1
修改hdfs-site.xml，设置存放副本为1（因为配置的是伪分布式方式）
dfs.replication 1
注意：此图片多加了一个property，内容就是解决可能出现的权限问题！！！
HDFS：Hadoop 分布式文件系统
可以在HDFS中通过命令动态对文件或文件夹进行CRUD
注意有可能出现权限的问题，需要通过在hdfs-site.xml中配置以下内容来避免：
dfs.permissions false
修改mapred-site.xml，设置JobTracker运行的服务器与端口号（由于当前就是运行在本机上，直接写localhost 即可，端口可以绑定任意空闲端口）
mapred.job.tracker localhost:9001
配置core-site.xml，配置HDFS文件系统所对应的服务器与端口号（同样就在当前主机）
fs.default.name hdfs://localhost:9000
配置好以上内容后，在Cygwin中进入hadoop目录
在bin目录下，对HDFS文件系统进行格式化（第一次使用前必须格式化），然后输入启动命令：
3、Eclipse开发环境搭建
这个在我写的博客 大数据【二】HDFS部署及文件读写（包含eclipse hadoop配置）中给出大致配置方法。不过此时需要完善一下。
将hadoop中的hadoop-eclipse-plugin.jar支持包拷贝到eclipse的plugin目录下，为eclipse添加Hadoop支持。
启动Eclipse后，切换到MapReduce界面。
在windows工具选项选择showviews的others里面查找map/reduce locations。
在Map/Reduce Locations窗口中建立一个Hadoop Location，以便与Hadoop进行关联。
注意：此处的两个端口应为你配置hadoop的时候设置的端口！！！
完成后会建立好一个Hadoop Location
在左侧的DFS Location中，还可以看到HDFS中的各个目录
并且你可以在其目录下自由创建文件夹来存取数据。
下面你就可以创建mapreduce项目了，方法同正常创建一样。
4、网络数据爬取
现在我们通过编写一段程序，来将爬取的新闻内容的有效信息保存到HDFS中。
此时就有了两种网络爬虫的方法：
其一就是利用heritrix工具获取的数据；
其一就是java代码结合jsoup编写的网络爬虫。
方法一的信息保存到HDFS：
直接读取生成的本地文件，用jsoup解析html，此时需要将jsoup的jar包导入到项目中。
package org.liky.sina.save;
//这里用到了JSoup开发包，该包可以很简单的提取到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) {
// 判断类型
if (file.isDirectory()) {
// 文件夹
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的方法读取文件路径
document doc = Jsoup.parse(new File(filePath), "utf-8");
//读取标题
String title = doc.title();
Elements descElem = doc.getElementsByAttributevalue("name",
"description");
Element descE = descElem.first();
// 读取内容
String content = descE.attr("content");
if (title != null && content != null) {
//通过Path来保存数据到HDFS中
path = new Path("hdfs://localhost:9000/input/"
+ System.currentTimeMillis() + ".txt");
fs = path.getFileSystem(conf);
// 建立输出流对象
FSDataOutputStream os = fs.create(path);
// 使用os完成输出
os.writeChars(title + "rn" + content);
os.close();
count++;
System.out.println("已经完成" + count + " 个!");
}
} catch (Exception e) {
e.printStackTrace();
}
}
}
以上这篇hadoop中实现java网络爬虫(示例讲解)就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持考高分网。
