接入大数据技术在Java中可以通过多种框架和工具实现，具体取决于你的需求和使用场景。以下是一些常见的大数据技术及其在Java中的集成方式。

1.Apache Hadoop：Hadoop是一个流行的大数据处理框架，主要用于分布式存储和处理大规模数据集。

• Hadoop HDFS：使用Hadoop的分布式文件系统进行数据存储。
• Hadoop MapReduce：用于大规模数据集的分布式处理。

示例代码：

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;

import java.io.IOException;

public class HDFSExample {
    public static void main(String[] args) throws IOException {
        Configuration configuration = new Configuration();
        FileSystem fs = FileSystem.get(configuration);

        // 创建目录
        Path newDir = new Path("/user/hadoop/newdir");
        if (!fs.exists(newDir)) {
            fs.mkdirs(newDir);
            System.out.println("Directory created: " + newDir);
        }

        fs.close();
    }
}

2. Apache Spark
   Spark是一个快速、通用的集群计算系统，适用于大规模数据处理。

示例代码：

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.JavaRDD;

import java.util.Arrays;

public class SparkExample {
    public static void main(String[] args) {
        SparkConf conf = new SparkConf().setAppName("Spark Example").setMaster("local");
        JavaSparkContext sc = new JavaSparkContext(conf);

        // 创建RDD
        JavaRDD<String> data = sc.parallelize(Arrays.asList("Hello", "World", "Spark", "Java"));

        // 处理数据
        data.foreach(item -> System.out.println(item));

        sc.close();
    }
}

3. Apache Flink
   Flink是一个用于大数据处理的流式处理框架，适合实时数据处理。

示例代码：

import org.apache.flink.api.java.ExecutionEnvironment;
import org.apache.flink.api.java.DataSet;

public class FlinkExample {
    public static void main(String[] args) throws Exception {
        final ExecutionEnvironment env = ExecutionEnvironment.getExecutionEnvironment();

        // 创建数据集
        DataSet<String> data = env.fromElements("Flink", "Java", "Big Data");

        // 打印数据
        data.print();
    }
}

4. Apache Kafka
   Kafka是一个分布式消息队列，适用于实时数据流处理。

示例代码：

import org.apache.kafka.clients.producer.KafkaProducer;
import org.apache.kafka.clients.producer.ProducerRecord;

import java.util.Properties;

public class KafkaProducerExample {
    public static void main(String[] args) {
        Properties props = new Properties();
        props.put("bootstrap.servers", "localhost:9092");
        props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");
        props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");

        KafkaProducer<String, String> producer = new KafkaProducer<>(props);
        producer.send(new ProducerRecord<>("topic-name", "key", "value"));
        producer.close();
    }
}

5. HBase
   HBase是一个分布式、可扩展的NoSQL数据库，用于存储海量结构化数据。

示例代码：

import org.apache.hadoop.hbase.HBaseConfiguration;
import org.apache.hadoop.hbase.client.Connection;
import org.apache.hadoop.hbase.client.ConnectionFactory;
import org.apache.hadoop.hbase.client.Table;
import org.apache.hadoop.hbase.client.Put;
import org.apache.hadoop.hbase.util.Bytes;

public class HBaseExample {
    public static void main(String[] args) throws Exception {
        org.apache.hadoop.conf.Configuration config = HBaseConfiguration.create();
        try (Connection connection = ConnectionFactory.createConnection(config);
             Table table = connection.getTable("table_name")) {

            Put put = new Put(Bytes.toBytes("row_key"));
            put.addColumn(Bytes.toBytes("cf"), Bytes.toBytes("column"), Bytes.toBytes("value"));
            table.put(put);
        }
    }
}

总结
Java接入大数据技术的方式多种多样，你可以根据项目需求选择适合的框架。通常，Hadoop和Spark是处理大数据的基础，Kafka则用于流式数据处理，HBase用于存储大规模的结构化数据。每个框架都有其文档和社区支持，可以帮助你更好地集成和使用。