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(dá)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(jìn)入安裝界面。

安裝時直接從網(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(jìn)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(jìn)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(jìn)入系統(tǒng)后，通過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！??！

HDFS：Hadoop 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(jìn)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(jìn)入hadoop目錄

在bin目錄下，對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。

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。

在Map/Reduce Locations窗口中建立一個Hadoop Location，以便與Hadoop進(jìn)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?。?！

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。

最新評論