大數(shù)據(jù)開啟了一個大規(guī)模生產(chǎn)、分享和應用數(shù)據(jù)的時代，它給技術(shù)和商業(yè)帶來了巨大的變化。

麥肯錫研究表明，在醫(yī)療、零售和制造業(yè)領(lǐng)域，大數(shù)據(jù)每年可以提高勞動生產(chǎn)率0.5-1個百分點。

大數(shù)據(jù)技術(shù)，就是從各種類型的數(shù)據(jù)中快速獲得有價值信息的技術(shù)。大數(shù)據(jù)領(lǐng)域已經(jīng)涌現(xiàn)出了大量新的技術(shù)，它們成為大數(shù)據(jù)采集、存儲、處理和呈現(xiàn)的有力武器。

大數(shù)據(jù)關(guān)鍵技術(shù)

大數(shù)據(jù)處理關(guān)鍵技術(shù)一般包括：大數(shù)據(jù)采集、大數(shù)據(jù)預處理、大數(shù)據(jù)存儲及管理、大數(shù)據(jù)分析及挖掘、大數(shù)據(jù)展現(xiàn)和應用（大數(shù)據(jù)檢索、大數(shù)據(jù)可視化、大數(shù)據(jù)應用、大數(shù)據(jù)安全等）。

然而調(diào)查顯示，未被使用的信息比例高達99.4%，很大程度都是由于高價值的信息無法獲取采集。

如何從大數(shù)據(jù)中采集出有用的信息已經(jīng)是大數(shù)據(jù)發(fā)展的關(guān)鍵因素之一。

因此在大數(shù)據(jù)時代背景下，如何從大數(shù)據(jù)中采集出有用的信息已經(jīng)是大數(shù)據(jù)發(fā)展的關(guān)鍵因素之一，數(shù)據(jù)采集才是大數(shù)據(jù)產(chǎn)業(yè)的基石。那么什么是大數(shù)據(jù)采集技術(shù)呢？

什么是數(shù)據(jù)采集？

?數(shù)據(jù)采集(DAQ)： 又稱數(shù)據(jù)獲取，是指從傳感器和其它待測設備等模擬和數(shù)字被測單元中自動采集信息的過程。

數(shù)據(jù)分類新一代數(shù)據(jù)體系中，將傳統(tǒng)數(shù)據(jù)體系中沒有考慮過的新數(shù)據(jù)源進行歸納與分類，可將其分為線上行為數(shù)據(jù)與內(nèi)容數(shù)據(jù)兩大類。

?線上行為數(shù)據(jù)：頁面數(shù)據(jù)、交互數(shù)據(jù)、表單數(shù)據(jù)、會話數(shù)據(jù)等。

?內(nèi)容數(shù)據(jù)：應用日志、電子文檔、機器數(shù)據(jù)、語音數(shù)據(jù)、社交媒體數(shù)據(jù)等。

?大數(shù)據(jù)的主要來源：

1）商業(yè)數(shù)據(jù)

2）互聯(lián)網(wǎng)數(shù)據(jù)

3）傳感器數(shù)據(jù)

??

數(shù)據(jù)采集與大數(shù)據(jù)采集區(qū)別

傳統(tǒng)數(shù)據(jù)采集

1. 來源單一，數(shù)據(jù)量相對于大數(shù)據(jù)較小

2. 結(jié)構(gòu)單一

3. 關(guān)系數(shù)據(jù)庫和并行數(shù)據(jù)倉庫

大數(shù)據(jù)的數(shù)據(jù)采集

1. 來源廣泛，數(shù)據(jù)量巨大

2. 數(shù)據(jù)類型豐富，包括結(jié)構(gòu)化，半結(jié)構(gòu)化，非結(jié)構(gòu)化

3. 分布式數(shù)據(jù)庫

傳統(tǒng)數(shù)據(jù)采集的不足

傳統(tǒng)的數(shù)據(jù)采集來源單一，且存儲、管理和分析數(shù)據(jù)量也相對較小，大多采用關(guān)系型數(shù)據(jù)庫和并行數(shù)據(jù)倉庫即可處理。

對依靠并行計算提升數(shù)據(jù)處理速度方面而言，傳統(tǒng)的并行數(shù)據(jù)庫技術(shù)追求高度一致性和容錯性，根據(jù)CAP理論，難以保證其可用性和擴展性。

大數(shù)據(jù)采集新的方法

?系統(tǒng)日志采集方法

很多互聯(lián)網(wǎng)企業(yè)都有自己的海量數(shù)據(jù)采集工具，多用于系統(tǒng)日志采集，如Hadoop的Chukwa，Cloudera的Flume，F(xiàn)acebook的Scribe等，這些工具均采用分布式架構(gòu)，能滿足每秒數(shù)百MB的日志數(shù)據(jù)采集和傳輸需求。

?網(wǎng)絡數(shù)據(jù)采集方法

網(wǎng)絡數(shù)據(jù)采集是指通過網(wǎng)絡爬蟲或網(wǎng)站公開API等方式從網(wǎng)站上獲取數(shù)據(jù)信息。

該方法可以將非結(jié)構(gòu)化數(shù)據(jù)從網(wǎng)頁中抽取出來，將其存儲為統(tǒng)一的本地數(shù)據(jù)文件，并以結(jié)構(gòu)化的方式存儲。

它支持圖片、音頻、視頻等文件或附件的采集，附件與正文可以自動關(guān)聯(lián)。

除了網(wǎng)絡中包含的內(nèi)容之外，對于網(wǎng)絡流量的采集可以使用DPI或DFI等帶寬管理技術(shù)進行處理。

?其他數(shù)據(jù)采集方法

對于企業(yè)生產(chǎn)經(jīng)營數(shù)據(jù)或?qū)W科研究數(shù)據(jù)等保密性要求較高的數(shù)據(jù)，可以通過與企業(yè)或研究機構(gòu)合作，使用特定系統(tǒng)接口等相關(guān)方式采集數(shù)據(jù)。

大數(shù)據(jù)采集平臺

可能有些小的公司無法自己快速的獲取自己的所需的數(shù)據(jù)，這就需要到了第三方的數(shù)據(jù)供給或平臺來收集數(shù)據(jù)。

作者：觀向工程師

來源：知乎

鏈接：https://zhuanlan.zhihu.com/p/43988449