基于spark的网络爬虫实现
来源:互联网 发布:ci 数据库配置 编辑:程序博客网 时间:2024/05/23 01:56
爬虫是获取网络大数据的重要手段,爬虫是一种非常成熟的技术了,然而想着在Spark环境下测试一下效果.
还是非常简单的,利用JavaSparkContext来构建,就可以采用原来Java中的网页获取那一套来实现.
首先给定几个初始种子,生成一个JavaRDD对象即可
JavaRDD<String> rdd = sc.parallelize("urllist");
JavaRDD<String> content = rdd.map(new Function<String, String>() {
public String call(String url) throws Exception {
System.out.println(url);
CloseableHttpClient client = null;
HttpGet get = null;
CloseableHttpResponse response = null;
try {
//## 创建默认连接
client = HttpClients.createDefault();
get = new HttpGet(url);
response = client.execute(get);
HttpEntity entity = response.getEntity();
//## 获得输出字节流
ByteArrayOutputStream byteArrayOutputStream = new ByteArrayOutputStream();
entity.writeTo(byteArrayOutputStream);
//## 转化为文档
String html = new String(byteArrayOutputStream.toByteArray(), Charsets.UTF_8);
Document document = Jsoup.parse(html);
return html;
} catch (Exception ex) {
ex.printStackTrace();
return "";
} finally {
if (response != null) {
response.close();
}
if (client != null) {
client.close();
}
}
}
});
当然可以从HTML再找到子页连接,继续以深度或者广度进行优先爬虫.
- 基于spark的网络爬虫实现
- 基于spark的网络爬虫实现
- 基于Jsoup实现的简单网络爬虫
- 基于Scrapy框架下的Python网络爬虫的实现
- 基于Python、PyQuery实现的一个网络爬虫实例
- 【正完成】Java基于Jsoup的网络爬虫工具实现
- 基于Java的网络爬虫实现抓取网络小说(一)
- 基于WebKit的网络爬虫
- 基于WebKit的网络爬虫
- 基于python3的网络爬虫
- 网络爬虫的实现
- 网络爬虫的实现
- 网络爬虫的实现
- 网络爬虫的实现
- 网络爬虫的实现
- 基于HttpClient4.5实现网络爬虫
- 用于网页判断的智能代理技术的简单实现------------基于python实现(网络爬虫)
- Java网络爬虫的实现
- 网络学习第四天-点对点的网络通信加强
- win64 安装apache
- mysql数据库1045错误处理
- 二叉树面试题以及线索化二叉树
- Unity3D发布WebGL(网页)到IIS服务器并加入ASP.NET页面中
- 基于spark的网络爬虫实现
- AngularJS实战之filter的使用二
- c++ 中缀表达式转后缀表达式 计算器
- C++11中的匿名函数(lambda函数,lambda表达式)
- HDU 6180 Schedule
- crypto++ User Guide: filters.h学习笔记
- Spring Boot 定时任务之Quartz
- linux 字符设备入门学习笔记
- 【redis】RDB 持久化