大數(shù)據(jù)的來源主要包括：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)來源于物聯(lián)網(wǎng)硬件設備（如射頻識別裝置、全球定位設備、傳感器設備、視頻監(jiān)控設備等）。

大數(shù)據(jù)的數(shù)據(jù)類型可分為三種：結構化數(shù)據(jù)、半結構化數(shù)據(jù)、非結構化數(shù)據(jù)。其中，結構化數(shù)據(jù)是關系數(shù)據(jù)庫中的數(shù)據(jù)，可直接被使用和存儲；半結構化數(shù)據(jù)可通過一定規(guī)律存儲，如excel表格中的數(shù)據(jù)；非結構化數(shù)據(jù)是雜亂無章的，如郵件、網(wǎng)頁的文字和圖像，需要進行相應的處理才可被存儲。

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

一、ETL工具采集

ETL工具采集是將業(yè)務系統(tǒng)的數(shù)據(jù)通過抽取、清洗轉換后加載至數(shù)據(jù)倉庫的過程，目的是將企業(yè)中的分散零亂、標準不統(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)智能項目的重要環(huán)節(jié)，目前，互聯(lián)網(wǎng)公司會采用該技術獲取相關數(shù)據(jù)。

二、網(wǎng)頁數(shù)據(jù)采集

網(wǎng)頁數(shù)據(jù)采集是在互聯(lián)網(wǎng)中采集數(shù)據(jù)。網(wǎng)頁數(shù)據(jù)具有多元異構交互性、社會性、突發(fā)性、高噪聲等特點，非結構化數(shù)據(jù)比例較高，且數(shù)據(jù)實時性較強。

目前，網(wǎng)頁數(shù)據(jù)主要通過爬蟲采集。爬蟲采集需編寫爬蟲程序或爬蟲腳本，爬蟲流程是訪問一個url（根據(jù)網(wǎng)絡資料理解：url的中文名稱是統(tǒng)一資源定位符，統(tǒng)一資源定位符是互聯(lián)網(wǎng)資源位置和訪問方法的一種簡潔的表示，俗稱網(wǎng)址），并通過模仿HTTP請求（根據(jù)網(wǎng)絡資料：HTTP請求是指從客戶端到服務器端的請求消息）獲取網(wǎng)頁。爬蟲過程類似于通過瀏覽器查看并獲取網(wǎng)頁的信息。

因為Python運行效率較高，且具有較成熟的爬蟲框架和網(wǎng)頁解析庫文件，所以可快速處理網(wǎng)絡數(shù)據(jù)。后文通過Python介紹爬蟲（網(wǎng)絡爬蟲）。

網(wǎng)絡爬蟲（Web crawler） 是按照一定規(guī)則，自動抓取萬維網(wǎng)（英文名稱為World Wide Web，簡稱WWW）信息的程序或腳本，一般可分為數(shù)據(jù)采集，處理，儲存三部分。

其中，數(shù)據(jù)采集是通過模仿HTTP請求獲取網(wǎng)頁，數(shù)據(jù)處理是對網(wǎng)頁中非結構化的數(shù)據(jù)進行處理，數(shù)據(jù)存儲包括將新URL放置于URL隊列中和將爬取的數(shù)據(jù)存儲至數(shù)據(jù)存儲介質中。



圖片來源：學堂在線《大數(shù)據(jù)導論》

網(wǎng)絡爬蟲的系統(tǒng)結構如下：首先啟動爬蟲應用程序。一般，爬蟲應用程序具有初始化隊列，初始化隊列中具有種子URL。然后，下載種子URL所對應的網(wǎng)頁，網(wǎng)頁中可提取新的URL并加入URL隊列。再然后，將網(wǎng)頁進行簡單處理后存儲至數(shù)據(jù)庫中。以上爬蟲過程結束后，再從URL隊列中獲取新URL，并下載新URL所對應的網(wǎng)頁，重復爬蟲過程。



圖片來源：學堂在線《大數(shù)據(jù)導論》

審核編輯：劉清