数据是指对客观事件进行记录并可以鉴别的符号Y
是对客观事物的性质状态以及相互关系等进行记
载的物理符号或这些物理符号的组合Y是可识别的
抽象的符号
??数据和信息是两个不同的概念Y信息是较为宏观
的概念Y它由数据的有序排列组合而成Y传达给读
者某个概念方法等Y而数据则是构成信息的基本单
位Y离散的数据没有任何实用价值。
数据也被称为“未来的石油”
涉及到国家安全等方面。
计算机系统中的数据组织形式主要有两种Y即文件和
数据库
??
1??文件X计算机系统中的很多数据都是以文件形式
存在的Y比如一个WORD文件一个文本文件一个
网页文件一个图片文件等等
??
2??数据库X计算机系统中另一种非常重要的数据组
织形式就是数据库Y数据库已经成为计算机软件开发
的基础和核心。
过去X一旦数据的基本用途实现了Y往往就会被
删除Y一方面是由于过去的存储技术落后Y人们
需要删除旧数据来存储新数据Y另一方面则是人
们没有认识到数据的潜在价值
现在X数据的价值不会因为不断被使用而削减Y
反而会因为不断重组而产生更大的价值
将来X各类收集来的数据都应当被尽可能长时间
地保存下来Y同时也应当在一定条件下与全社会
分享Y并产生价值。
人类进入信息社会以后Y数据以自然方式增长Y其产生不以人
的意志为转移
从1986年开始到2010年的20年时间里Y全球数据的数量增长
了100倍Y今后的数据量增长速度将更快Y我们正生活在一个
数据爆炸的时代。
数据分析过程包括X数据采集与预处理数据存储与管理数据处理与
分析数据可视化等
??
1??数据采集与预处理X采用各种技术手段把外部各种数据源产生的数
据实时或非实时地采集预处理并加以利用
??
2??数据存储与管理X利用计算机硬件和软件技术对数据进行有效的存
储和应用的过程Y其目的在于充分有效地发挥数据的作用
??
3??数据处理与分析X数据分析是指用适当的分析方法??来自统计学
机器学习和数据挖掘等领域??Y对收集来的数据进行分析Y提取有用信
息和形成结论的过程
??
4??数据可视化X将数据集中的数据以图形图像形式表示Y并利用数据
分析和开发工具发现其中未知信息的处理过程。
数据采集与预处理包含了数据采集和数据预处理两大任务
数据采集是指从传感器和智能设备企业在线系统企业离线
系统社交网络和互联网平台等获取数据的过程需要采集的
数据包括RFID数据传感器数据用户行为数据社交网络交
互数据及移动互联网数据等各种类型的结构化半结构化及非
结构化的海量数据
数据采集技术是大数据技术的重要组成部分Y已经广泛应用于
国民经济各个领域Y随着大数据技术的发展和普及Y大数据采
集技术会迎来更加广阔的发展前景。
数据预处理目标是为后续的数据分析工作提供可靠和高质量的
数据Y减少数据集规模Y提高数据抽象程度和数据分析效率
数据预处理任务主要包括数据清洗数据集成数据转换和数
据脱敏等经过这些步骤Y我们可以从大量的数据属性中提取
出一部分对目标输出有重要影响的属性Y降低源数据的维数Y
去除噪声Y为数据分析算法提供干净准确且有针对性的数据Y
减少数据分析算法的数据处理量Y改进数据质量Y提高分析效
率。
数据采集Y又称 数据获取
Y是数据分析的入口Y也是数据分
析过程中相当重要的一个环节Y它通过各种技术手段把外部各
种数据源产生的数据实时或非实时地采集并加以利用。
传感器是一种检测装置Y能感受到被测量的信息Y并能将感受到的信息Y
按一定规律变换成为电信号或其他所需形式的信息输出Y以满足信息的传
输处理存储显示记录和控制等要求在工作现场Y我们会安装很
多的各种类型的传感器Y如压力传感器温度传感器流量传感器声音
传感器电参数传感器等等
??传感器对环境的适应能力很强Y可以应对各种恶劣的工作环境在日常
生活中Y如温度计麦克风DV录像手机拍照功能等都属于传感器数据
采集的一部分Y支持图片音频视频等文件或附件的采集工作。
互联网数据的采集通常是借助于网络爬虫来完成的所谓 网络爬虫
Y就
是一个在网上到处或定向抓取网页数据的程序抓取网页的一般方法是Y
定义一个入口页面Y然后一般一个页面中会包含指向其他页面的URLY于
是从当前页面获取到这些网址加入到爬虫的抓取队列中Y然后进入到新页
面后再递归地进行上述的操作爬虫数据采集方法可以将非结构化数据从
网页中抽取出来Y将其存储为统一的本地数据文件Y并以结构化的方式存
储它支持图片音频视频等文件或附件的采集Y附件与正文可以自动
关联。
许多公司的业务平台每天都会产生大量的日志文件日志文件数据一般由数
据源系统产生Y用于记录数据源的执行的各种操作活动Y比如网络监控的流
量管理金融应用的股票记账和Web服务器记录的用户访问行为对于这些
日志信息Y我们可以得到出很多有价值的数据通过对这些日志信息进行采
集Y然后进行数据分析Y就可以从公司业务平台日志数据中挖掘得到具有潜
在价值的信息Y为公司决策和公司后台服务器平台性能评估提供可靠的数据
保证系统日志采集系统做的事情就是收集日志数据提供离线和在线的实时
分析使用很多互联网企业都有自己的海量数据采集工具Y多用于系统日志
采集Y如Hadoop的ChukwaYCloudera的FlumeYFacebook的Scribe等Y
这些工具均采用分布式架构Y能满足每秒数百MB的日志数据采集和传输需
求。
一些企业会使用传统的关系型数据库MySQL和Oracle等来存储业务系统数
据Y除此之外YRedis和MongoDB这样的NoSQL数据库也常用于数据的
存储企业每时每刻产生的业务数据Y以数据库一行记录形式被直接写入
到数据库中企业可以借助于ETL??
Extract-Transform-Load??工具Y把
分散在企业不同位置的业务系统的数据Y抽取转换加载到企业数据仓
库中Y以供后续的商务智能分析使用通过采集不同业务系统的数据并统
一保存到一个数据仓库中Y就可以为分散在企业不同地方的商务数据提供
一个统一的视图Y满足企业的各种商务决策分析需求。
数据采集是数据系统必不可少的关键部分Y也是数据
平台的根基根据不同的应用环境及采集对象Y有多
种不同的数据采集方法Y包括X
??系统日志采集
??分布式消息订阅分发
??ETL
??网络数据采集。
Flume是Cloudera提供的一个高可用的Y高可靠的Y分布式的海量日志采集聚合
和传输的系统YFlume支持在日志系统中定制各类数据发送方Y用于收集数据]同
时YFlume提供对数据进行简单处理Y并写到各种数据接受方??可定制??的能力。