摘要：
前言 仅仅伪装网页agent是不够的，你还需要一点新东西 今天主要讲解两个比较知名的国内免费IP代理网站：西刺代理&快代理，我们主要的目标是爬取其免费的高匿代理，这些IP有两大特点： 免费，不稳定 （至于为什么要爬不稳定的免费的代理，你心里难道没点B+树么，高富帅谁 过来学爬虫，还爬代理，人家直接买 阅读全文
摘要：
总览 今天我们就来小用一下Jsoup，从一个整体的角度来看一看爬虫 一个基本的爬虫框架包括： [x] 解析网页 [x] 失败重试 [x] 抓取内容保存至本地 [x] 多线程抓取 分模块讲解 将上述基本框架的模块按逻辑顺序讲解，一步一步复现代码实现过程 失败重试 一个好的模块必然有异常捕捉和处理 在之 阅读全文
摘要：
认识Jsoup 一个解析网页的工具 无论你用什么语言爬虫，都要解析网页，今天，我们用一款常用的网页解析Jsoup，来开启爬虫的第一课 认识网页，认识爬虫，认识你自己 快速上手 了解一个新东西最快的方法就是频繁的使用和练习，让我们从最基础的地方开始 解析一个HTML字符串 输出如图： 解析一个body 阅读全文
摘要：
遇到的问题 在处理数据过程中，遇到需要取(n)个数的问题，而当样本量过大的时候，就不能简单的take(n)，这类问题一般有两种情况： 有序取 TopN 无序取 N 先来讨论 无序取N 的情况： sample 函数 sample(boolean, fraction,seed) : 按比例抽取 返回一个 阅读全文
摘要：
前传 传闻在一个叫做互联网的神奇世界里，有一群神秘的人，每到夜深人静，黑夜笼罩大地的时刻，他们才揭开神秘的面纱，显露出各种各样的神奇能力，他们有的会搬砖，有的会造轮子，当然最厉害的还是一种叫做拷贝的术法... 据说这个神秘的团体流派众多Java派，PHP派，C++派，等等等等，不过奇怪的是，不论他们 阅读全文
摘要：
第一次“北漂” 准备了一个星期的Hadoop，把林子雨老师的视频刷了一遍，翻出了好久没用的小本本，密密麻麻的记了一大堆。刷了网上能找到的Hadoop的所有面试题（这个真的很重要） 然后，启程，北上，还好我对铺的小胖子陪着我（md回来的时候他竟然找到工作了...） 第一天上午蓝色光标，下午品友 蓝色光 阅读全文
摘要：
<!--[endif]--> <!--[endif]--> <!--[endif]--> <!--[endif]--> package com.hadoop.hdfs.api.test.mr.wc; import java.io.IOException; import org.apache.hado 阅读全文
摘要：
概览 首先我们来认识一下HDFS， HDFS（Hadoop Distributed File System ）Hadoop分布式文件系统。它其实是将一个大文件分成若干块保存在不同服务器的多个节点中。通过联网让用户感觉像是在本地一样查看文件，为了降低文件丢失造成的错误，它会为每个小文件复制多个副本（默 阅读全文