大數(shù)據(jù)導(dǎo)論

理順大數(shù)據(jù)的演進(jìn)路線

數(shù)據(jù)湖是個啥？

一般情況下，大數(shù)據(jù)處理的流程為：數(shù)據(jù)采集和預(yù)處理、數(shù)據(jù)存儲、數(shù)據(jù)分析和數(shù)據(jù)可視化。

數(shù)據(jù)采集與預(yù)處理便是大數(shù)據(jù)流程的第一步。

首先來看， 數(shù)據(jù)是如何產(chǎn)生的 ？

（1）為滿足企業(yè)業(yè)務(wù)目標(biāo)的達(dá)成，企業(yè)通常會建設(shè)IT系統(tǒng)，IT系統(tǒng)承載企業(yè)業(yè)務(wù)處理的同時，必然會產(chǎn)生交易記錄、付款記錄等等，這些都會保存在數(shù)據(jù)庫中；

（2）為了更好地預(yù)測消費者的需求，購物網(wǎng)站通常也會記錄消費者的網(wǎng)頁瀏覽時長、點贊、收藏、購買喜好等，這些都會記錄在日志文件中；

（3）為了滿足消費者獲取信息的便捷性，各大門戶網(wǎng)站、短視頻網(wǎng)站等都提供了大量的Web網(wǎng)頁供用戶瀏覽，Web網(wǎng)頁中呈現(xiàn)大量的文本、音視頻等；

那么，這些數(shù)據(jù)產(chǎn)生后，都 以什么形式存在 ？

（1）以文件的形式存在，如csv文件、圖像文件、視頻文件、日志文件；

（2）以數(shù)據(jù)庫的形式存在，如關(guān)系型數(shù)據(jù)庫MySql\\oracle、非關(guān)系型數(shù)據(jù)庫MongoDB；

（3）以Web網(wǎng)頁的形式存在，如新浪、搜狐、知乎等；

（4）以實時數(shù)據(jù)的形式存在，如物聯(lián)網(wǎng)絡(luò)中各種傳感器監(jiān)測到的數(shù)據(jù)；

這樣，具象化的數(shù)據(jù)采集就變成從數(shù)據(jù)庫、Web網(wǎng)頁、文件、物聯(lián)傳感器等地方獲取。因數(shù)據(jù)存在形式的差異，采用的獲取方法也不盡相同：

（1）文件、Web網(wǎng)頁的抓取，通常采用直接編程的方式獲取，如網(wǎng)頁爬蟲；

（2）實時消息的獲取，則采用相應(yīng)的協(xié)議，如MQTT、Coap、HTTPS;

（3）對數(shù)據(jù)庫數(shù)據(jù)的獲取，則更多采用SQL的形式提取出來；

獲取的數(shù)據(jù)，還存在什么問題 ？

獲取的原生數(shù)據(jù)，可能會存在數(shù)據(jù)缺失、數(shù)據(jù)重復(fù)、數(shù)據(jù)類型和值都不對等問題，需要對數(shù)據(jù)進(jìn)行加工處理，這一過程被稱為“數(shù)據(jù)清洗”；

如果數(shù)據(jù)源是多個，并且要裝入到同一數(shù)據(jù)倉庫時，則需要進(jìn)行“數(shù)據(jù)集成”；

數(shù)據(jù)集成后，往往需要更高粒度的抽象，擦除一些細(xì)節(jié)數(shù)據(jù)，如原有按交易時間記錄的數(shù)據(jù)，現(xiàn)在需要按天進(jìn)行統(tǒng)計，此時需要進(jìn)行聚類處理，稱之為“數(shù)據(jù)轉(zhuǎn)換”；

同時，注意到大數(shù)據(jù)可能涉及到隱私問題，也需要去除隱私數(shù)據(jù)，這一過程稱為“數(shù)據(jù)脫敏”；

而數(shù)據(jù)清洗、數(shù)據(jù)集成、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)脫敏這一系列的過程，稱為 數(shù)據(jù)預(yù)處理 。

經(jīng)過預(yù)處理后的數(shù)據(jù)放在哪？

可以將其放入數(shù)據(jù)倉庫中，如Hive\\HDFS；

也可以將其放入數(shù)據(jù)湖中，不但可以存儲原始數(shù)據(jù)，也可以存儲結(jié)構(gòu)化、半結(jié)構(gòu)化、非結(jié)構(gòu) 化的數(shù)據(jù)，并且還能支撐數(shù)據(jù)的分析。具體可參考《數(shù)據(jù)湖是個啥？》

數(shù)據(jù)的采集與處理是繁瑣的，也是有跡可循的，聰明的研究人員實現(xiàn)了一系列 工具或框架 ：

（1）網(wǎng)頁爬蟲系統(tǒng)：Apache Nutch、Crawler4j、Scrapy；

（2）日志收集工具：Flume、Logstash、Filebeat、Fluentd；

（3）多源異構(gòu)數(shù)據(jù)采集工具：Sqoop、Datax。

同時，也形成大數(shù)據(jù)采集的方法論，如ETL。

ETL也就是Extract-Transform-Load，對應(yīng)為提取-轉(zhuǎn)換-加載，充當(dāng)了數(shù)據(jù)源與數(shù)據(jù)倉庫之間的數(shù)據(jù)流轉(zhuǎn)管道。其基本思想是：從日志、數(shù)據(jù)庫、Web頁面中提取數(shù)據(jù)，并數(shù)據(jù)進(jìn)行轉(zhuǎn)換，按照預(yù)先規(guī)劃的Schema，將數(shù)據(jù)加載到數(shù)據(jù)倉庫中去。

Kettle（水壺）、Sqoop（SQL-to-Hadoop）、DataX是ETL工具的代表。