大数据技术笔记之数据采集和预处理

1.大数据采集

• 大数据采集包含&＃xff1a;系统日志采集方法、网络数据采集方法(通过网络爬虫实现)、其他数据采集(通过特定的接口)

1.1 系统日志采集方法

Flume&＃xff1a; 分布式日志收集系统&＃xff0c;最初由Cloudera 开发&＃xff0c;现是Apache的一个开源项目
Chukwa&＃xff1a;开源分布式数据收集系统&＃xff0c;是Hadoop 的组成部分&＃xff0c;构建在 hdfs 和 map/reduce 框架之上
Scrible&＃xff1a;Scribe是facebook开源的日志收集系统&＃xff0c;在facebook内部已经得到大量的应用
Kafka&＃xff1a;最早是LinkedIn的开发的消息系统&＃xff0c;现是Apache的一个开源项目

2数据预处理原理

通过数据预处理工作&＃xff0c; 可以使残缺的数据完整 &＃xff0c;并将错误的数据纠正 、多余的数据去除&＃xff0c;进 而将所需的数据挑选出 来&＃xff0c;并且进行数据集成 。数据预处理的常见方 法有数据清洗、数据集 成与数据变换。

2.1数据清洗

噪声的处理

数据清洗可以视为一个过程&＃xff0c;包括检测偏差和纠正偏差两个步骤。
检查偏差:可以使用已有的关于数据性质的知识发现噪声、离群点和需要考察的不寻常 的值。这种知识或“关于数据的数据”称为元数据。
纠正偏差:即一旦发现偏差&＃xff0c;通常需要定义并使用一系列的变换来纠正它们。但这些工 具只支持有限的变换&＃xff0c;因此&＃xff0c;常常可能需要为数据清洗过程的这一步编写定 制的程序

2.2数据集成

2.3数据变换

3.数据仓库与ETL工具