⼤数据采集与预处理技术
第⼀章 三个点
1.1数据的处理流程
数据采集 （系统⽇志采集，互联⽹数据采集，ETL） 在⽹上采集各种信息
数据预处理（数据清理，数据集成，数据变换，数据规约） 采集到信息杂乱，需要处理
数据存储 （ HDFS，NoSQL，云存储） 处理完数据我们要把它存储起来
梭子蟹蒸多久数据分析与挖掘 （关联，聚类，分类，预测，回归，机器学习） 对数据分析产⽣价值
数据可视化 （标签云，流式地图，聚类图，信息流热⼒图） 将数据更好的表达出信息
1.2 ⼤数据采集技术
1.系统⽇志采集
汽车仪表盘的各种指示灯代表什么数据到来源 ： 系统操作⽇志，Web服务器访问⽇志，应⽤程序⽇志
2.互联⽹数据采集
第⼆章 数据采集基础
1传统数据采集技术
采集系统分为 硬件 与 软件
硬件有分两类 1，微型计算机数据采集系统 2，集散型数据采集系统
第三章⼤数据采集基础
1
2
3⼤数据采集的挑战与困难 分布性 不稳定性 ⽆结构与冗余性 错误性 结构复杂
4，系统⽇志⽂件采集 ⽇志: 系统⾃动⽣成的记录⽂件.
5，ETL⼯具采集 数据源不同 格式不同 缺少整合 (E抽取 T转换 L 加载)
E(extract) 全量抽取 增量抽取（⽇志对⽐，时间戳，触发器，全表对⽐）
T（transform） 过滤 清洗 替换 验证 加解密
L（load) ⾃有数据的加载 ⾮电⼦数据到数字化 对系统结构到清晰理解 ETL——ELT API接⼝提供数据 6，互联⽹数据采集 ——⼈ 机 物
特性 多源异构 互交性 时效性 社会性 突发性 ⾼噪声
采集——⽹络爬⾍ 通⽤⽹络爬⾍ 聚焦⽹络爬⾍ 增量式⽹络爬⾍ 分布式⽹络爬⾍
第四次课 ⼤数据采集架构 flume
什么是职业道德（⼏种采集项⽬ ）
⾯对到问题 ：数据源多种多样 数据量⼤ 变化快 如何保证数据采集的可靠性到性能 如何避免重复到数据 如何保证数据质量
1，Flume数据采集
数据源 （Web Server） 数据搜集Agent (Source,Channel,Sink) 数据存储⽬的地（HDFS）
第四讲
数据源 web Server 数据收集Agent Source Channel sink
channel 通道卡尔拉格斐为什么被叫做老佛爷
memory channel 写⼊内存 ⾮持久化存储 断电 碟机 丢失信息 file channel 写⼊⽂件持久化储存
第五讲 kafka
1，Scribe 数据采集 scribe 是facebook开源的⽇志收集系统 可以从各种⽇志源上收集⽇志存储到⼀个中央存储系统 特点 容错性好当后端的存储系统crash时scribe会将数据写到本地磁盘上，当存储系统恢复正常后，scribe 将⽇志重新加载到存储系统中
伤感爱情短句2，kafka数据采集 是发布订阅消息系统构建实时数据管道和数据流应⽤程序
结构 ⽣产者producer（数据采集的源头） 消费者consumer kafka集 broker（topic partition broke
r 节点） zookeeper负责协调节点
（1）producer 负责向kafka的主题topic 提供数据（push） topic是kafka的核⼼抽象 数据源可以⽤kafka按topic发布信息给定阅者
oppo t703topic ⼀个主题 与多个分区维护⼀个分区⽇志 要求顺序写⼊均匀分布批量传输
（2）consumer 按组消费
（3）发布—订阅 Push and pull 机制 有主动获取与被动获取
（4）zookeeper 分布式服务框架 统⼀命名服务 状态同步管理
第六次课 ELK
ELK是⼀种数据采集架构 E (ElasticSearch) L(Logstash) K(Kibana)
Logstash ⽇志采集 （重点） ES ⽇志存储和索引 （放在中间步骤） Kibana 分析与展⽰ 数据可视化
logstash的⼯作过程 ： input 数据收集 ——filters 修改数据——output 输出数据
input
（⼀）filters 的操作
1，grok 对数据进⾏切分整理
2，rename 重命名
3，update 更新⽂段
4，replace 替代
5，drop 删除满⾜条件的⽇志
6，clone克隆操作 克隆增加 与克隆删除
7，geoip 对数据的IP地址增添维度
output 将通过索引数据输给ES 集中
（⼆）ElasticSearch
（三）Kibana
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论