hadoop中实现java网络爬虫(示例讲解)

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）

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

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：

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

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）

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

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）

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

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 + "\r\n" + content);

os.close();

count++;

System.out.println("已经完成" + count + " 个!");
     }

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

来源：http://www.cnblogs.com/1996swg/p/7368277.html