大數(shù)據(jù)的來(lái)源主要包括：商業(yè)數(shù)據(jù)、互聯(lián)網(wǎng)數(shù)據(jù)、物聯(lián)網(wǎng)數(shù)據(jù)。其中，商業(yè)數(shù)據(jù)來(lái)源于企業(yè)的內(nèi)部系統(tǒng)（如企業(yè)ERP、POS 終端系統(tǒng)、網(wǎng)上支付系統(tǒng)等）；互聯(lián)網(wǎng)數(shù)據(jù)包括：QQ、微信、微博、網(wǎng)站數(shù)據(jù)；物聯(lián)網(wǎng)數(shù)據(jù)來(lái)源于物聯(lián)網(wǎng)硬件設(shè)備（如射頻識(shí)別裝置、全球定位設(shè)備、傳感器設(shè)備、視頻監(jiān)控設(shè)備等）。

大數(shù)據(jù)的數(shù)據(jù)類(lèi)型可分為三種：結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)。其中，結(jié)構(gòu)化數(shù)據(jù)是關(guān)系數(shù)據(jù)庫(kù)中的數(shù)據(jù)，可直接被使用和存儲(chǔ)；半結(jié)構(gòu)化數(shù)據(jù)可通過(guò)一定規(guī)律存儲(chǔ)，如excel表格中的數(shù)據(jù)；非結(jié)構(gòu)化數(shù)據(jù)是雜亂無(wú)章的，如郵件、網(wǎng)頁(yè)的文字和圖像，需要進(jìn)行相應(yīng)的處理才可被存儲(chǔ)。

數(shù)據(jù)采集技術(shù)是數(shù)據(jù)科學(xué)的重要組成部分，技術(shù)是大數(shù)據(jù)處理的關(guān)鍵技術(shù)之一。常用的采集方法包括兩種：ETL工具采集、網(wǎng)頁(yè)數(shù)據(jù)采集。

一、ETL工具采集

ETL工具采集是將業(yè)務(wù)系統(tǒng)的數(shù)據(jù)通過(guò)抽取、清洗轉(zhuǎn)換后加載至數(shù)據(jù)倉(cāng)庫(kù)的過(guò)程，目的是將企業(yè)中的分散零亂、標(biāo)準(zhǔn)不統(tǒng)一的數(shù)據(jù)整合，為企業(yè)的決策提供分析依據(jù)。

ETL采集是商業(yè)智能項(xiàng)目的重要環(huán)節(jié)，目前，互聯(lián)網(wǎng)公司會(huì)采用該技術(shù)獲取相關(guān)數(shù)據(jù)。

二、網(wǎng)頁(yè)數(shù)據(jù)采集

網(wǎng)頁(yè)數(shù)據(jù)采集是在互聯(lián)網(wǎng)中采集數(shù)據(jù)。網(wǎng)頁(yè)數(shù)據(jù)具有多元異構(gòu)交互性、社會(huì)性、突發(fā)性、高噪聲等特點(diǎn)，非結(jié)構(gòu)化數(shù)據(jù)比例較高，且數(shù)據(jù)實(shí)時(shí)性較強(qiáng)。

目前，網(wǎng)頁(yè)數(shù)據(jù)主要通過(guò)爬蟲(chóng)采集。爬蟲(chóng)采集需編寫(xiě)爬蟲(chóng)程序或爬蟲(chóng)腳本，爬蟲(chóng)流程是訪問(wèn)一個(gè)url（根據(jù)網(wǎng)絡(luò)資料理解：url的中文名稱(chēng)是統(tǒng)一資源定位符，統(tǒng)一資源定位符是互聯(lián)網(wǎng)資源位置和訪問(wèn)方法的一種簡(jiǎn)潔的表示，俗稱(chēng)網(wǎng)址），并通過(guò)模仿HTTP請(qǐng)求（根據(jù)網(wǎng)絡(luò)資料：HTTP請(qǐng)求是指從客戶(hù)端到服務(wù)器端的請(qǐng)求消息）獲取網(wǎng)頁(yè)。爬蟲(chóng)過(guò)程類(lèi)似于通過(guò)瀏覽器查看并獲取網(wǎng)頁(yè)的信息。

因?yàn)?a href="http://m.xsypw.cn/tags/python/" target="_blank">Python運(yùn)行效率較高，且具有較成熟的爬蟲(chóng)框架和網(wǎng)頁(yè)解析庫(kù)文件，所以可快速處理網(wǎng)絡(luò)數(shù)據(jù)。后文通過(guò)Python介紹爬蟲(chóng)（網(wǎng)絡(luò)爬蟲(chóng)）。

網(wǎng)絡(luò)爬蟲(chóng)（Web crawler） 是按照一定規(guī)則，自動(dòng)抓取萬(wàn)維網(wǎng)（英文名稱(chēng)為World Wide Web，簡(jiǎn)稱(chēng)WWW）信息的程序或腳本，一般可分為數(shù)據(jù)采集，處理，儲(chǔ)存三部分。

其中，數(shù)據(jù)采集是通過(guò)模仿HTTP請(qǐng)求獲取網(wǎng)頁(yè)，數(shù)據(jù)處理是對(duì)網(wǎng)頁(yè)中非結(jié)構(gòu)化的數(shù)據(jù)進(jìn)行處理，數(shù)據(jù)存儲(chǔ)包括將新URL放置于URL隊(duì)列中和將爬取的數(shù)據(jù)存儲(chǔ)至數(shù)據(jù)存儲(chǔ)介質(zhì)中。



圖片來(lái)源：學(xué)堂在線《大數(shù)據(jù)導(dǎo)論》

網(wǎng)絡(luò)爬蟲(chóng)的系統(tǒng)結(jié)構(gòu)如下：首先啟動(dòng)爬蟲(chóng)應(yīng)用程序。一般，爬蟲(chóng)應(yīng)用程序具有初始化隊(duì)列，初始化隊(duì)列中具有種子URL。然后，下載種子URL所對(duì)應(yīng)的網(wǎng)頁(yè)，網(wǎng)頁(yè)中可提取新的URL并加入U(xiǎn)RL隊(duì)列。再然后，將網(wǎng)頁(yè)進(jìn)行簡(jiǎn)單處理后存儲(chǔ)至數(shù)據(jù)庫(kù)中。以上爬蟲(chóng)過(guò)程結(jié)束后，再?gòu)腢RL隊(duì)列中獲取新URL，并下載新URL所對(duì)應(yīng)的網(wǎng)頁(yè)，重復(fù)爬蟲(chóng)過(guò)程。



圖片來(lái)源：學(xué)堂在線《大數(shù)據(jù)導(dǎo)論》

審核編輯：劉清