什么是大數(shù)據(jù)采集技術(shù)：

對(duì)數(shù)據(jù)進(jìn)行ETL操作，通過(guò)對(duì)數(shù)據(jù)進(jìn)行提取、轉(zhuǎn)換、加載，最終挖掘數(shù)據(jù)的潛在價(jià)值。然后提供給用戶解決方案或者決策參考。

大數(shù)據(jù)采集系統(tǒng)，主要分為三類：

1、系統(tǒng)日志采集系統(tǒng)

對(duì)日志數(shù)據(jù)信息進(jìn)行日志采集、收集，然后進(jìn)行數(shù)據(jù)分析，挖掘公司業(yè)務(wù)平臺(tái)日志數(shù)據(jù)中的潛在價(jià)值。簡(jiǎn)言之，收集日志數(shù)據(jù)提供離線和在線的實(shí)時(shí)分析使用。目前常用的開(kāi)源日志收集系統(tǒng)為Flume。

2、網(wǎng)絡(luò)數(shù)據(jù)采集系統(tǒng)

通過(guò)網(wǎng)絡(luò)爬蟲和一些網(wǎng)站平臺(tái)提供的公共API(如Twitter和新浪微博API)等方式從網(wǎng)站上獲取數(shù)據(jù)?？梢詫⒎墙Y(jié)構(gòu)化數(shù)據(jù)和半結(jié)構(gòu)化數(shù)據(jù)的網(wǎng)頁(yè)數(shù)據(jù)從網(wǎng)頁(yè)中提取出來(lái)，并將其提取、清洗、轉(zhuǎn)換成結(jié)構(gòu)化的數(shù)據(jù)，將其存儲(chǔ)為統(tǒng)一的本地文件數(shù)據(jù)。

目前常用的網(wǎng)頁(yè)爬蟲系統(tǒng)有Apache Nutch、Crawler4j、Scrapy等框架。

3、數(shù)據(jù)庫(kù)采集系統(tǒng)

通過(guò)數(shù)據(jù)庫(kù)采集系統(tǒng)直接與企業(yè)業(yè)務(wù)后臺(tái)服務(wù)器結(jié)合，將企業(yè)業(yè)務(wù)后臺(tái)每時(shí)每刻都在產(chǎn)生大量的業(yè)務(wù)記錄寫入到數(shù)據(jù)庫(kù)中，最后由特定的處理分許系統(tǒng)進(jìn)行系統(tǒng)分析。

目前常用關(guān)系型數(shù)據(jù)庫(kù)MySQL和Oracle等來(lái)存儲(chǔ)數(shù)據(jù)，Redis和MongoDB這樣的NoSQL數(shù)據(jù)庫(kù)也常用于數(shù)據(jù)的采集。

好用的大數(shù)據(jù)采集平臺(tái)：

1.數(shù)據(jù)超市

一款基于云平臺(tái)的大數(shù)據(jù)計(jì)算、分析系統(tǒng)。擁有豐富高質(zhì)量的數(shù)據(jù)資源，通過(guò)自身渠道資源獲取了百余款擁有版權(quán)的大數(shù)據(jù)資源，所有數(shù)據(jù)都經(jīng)過(guò)審核，保證數(shù)據(jù)的高可用性。

2. Rapid Miner

數(shù)據(jù)科學(xué)軟件平臺(tái)，為數(shù)據(jù)準(zhǔn)備、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、文本挖掘和預(yù)測(cè)分析提供一種集成環(huán)境。

3. Oracle Data Mining

它是Oracle高級(jí)分析數(shù)據(jù)庫(kù)的代表。市場(chǎng)領(lǐng)先的公司用它最大限度地發(fā)掘數(shù)據(jù)的潛力，做出準(zhǔn)確的預(yù)測(cè)。

4. IBM SPSS Modeler

適合大規(guī)模項(xiàng)目。在這個(gè)建模器中，文本分析及其最先進(jìn)的可視化界面極具價(jià)值。它有助于生成數(shù)據(jù)挖掘算法，基本上不需要編程。

5. KNIME

開(kāi)源數(shù)據(jù)分析平臺(tái)。你可以迅速在其中部署、擴(kuò)展和熟悉數(shù)據(jù)。

6. Python

一種免費(fèi)的開(kāi)源語(yǔ)言。

大數(shù)據(jù)平臺(tái)：

是指以處理海量數(shù)據(jù)存儲(chǔ)、計(jì)算及不間斷流數(shù)據(jù)實(shí)時(shí)計(jì)算等場(chǎng)景為主的一套基礎(chǔ)設(shè)施。既可以采用開(kāi)源平臺(tái)，也可以采用華為、星環(huán)等商業(yè)級(jí)解決方案，既可以部署在私有云上，也可以部署在公有云上。

任何完整的大數(shù)據(jù)平臺(tái)，一般包括以下的幾個(gè)過(guò)程：

• 數(shù)據(jù)采集–>數(shù)據(jù)存儲(chǔ)–>數(shù)據(jù)處理–>數(shù)據(jù)展現(xiàn)(可視化，報(bào)表和監(jiān)控)

其中，數(shù)據(jù)采集是所有數(shù)據(jù)系統(tǒng)必不可少的，隨著大數(shù)據(jù)越來(lái)越被重視，數(shù)據(jù)采集的挑戰(zhàn)也變的尤為突出。