【技术】大数据审计——国家审计的未来之路（二）：大数据——数据采集
<td align="right"
当前位置：
【技术】大数据审计——国家审计的未来之路（二）：大数据——数据采集
【来源:审计署】字号：
你采，或者不采，数据就在那里，闪闪发光。数据资源被誉为世纪最大的资源。就像当年的淘金者一样，无数探路者涌入大数据分析的滚滚浪潮。俗话说巧妇难为无米之炊，数据采集是开始数据分析的第一步。数据按其来源可分为公开数据（如互联网数据）、半公开数据（如各类监控数据）、内部数据（如企业业务数据），相应数据采集方式有网络爬虫、传感器采集、从相关数据库中摘取等。众所周知，互联网上有大量的信息，如何高效的获取这些信息当然地成为了技术研究的热点。爬虫大概是智能搜索的形象化表述，开发者希望自己的程序能够像昆虫一样聪明地嗅到需要的信息。网络爬虫技术在舆情分析等社会学研究中得到不错的应用。 网络爬虫基本原理传感器网络技术通常用于采集较分散数据，如大城市的交通流量数据。城市公交的刷卡机可以看作是一台独立的传感器，公交公司从上万台终端机中采集乘客出行数据，用于市政部门分析城市交通流量，或帮助商家分析热门商区。 传感器网络基本原理数据库摘取指从企业的信息系统的生产数据库中直接提取数据，如阿里巴巴分析网购客户的购物倾向，又如银行的征信系统，通过用户的信用卡消费数据定义用户的信用等级，作为判定贷款发放金额的依据。审计人员经常遇到的数据库有微软SQLServer，ORACLE和DB等，可以根据实际需要选择不同的数据备份方式取得数据，如备份规模较大的ORACLE数据时，可以选择数据泵方式，提高数据采集效率。此外，在采集过程中应注意保留备份脚本等辅助信息，采集之后要及时恢复数据并校验数据质量。
主办单位：中华人民共和国审计署办公厅　　技术支持：审计署计算机技术中心 审计署总机：010-　　网站电话：010-
地址：北京市丰台区金中都南街17号（邮编：100073） 备案编号：京ICP备号　 建议使用分辨率：大数据的“十五大核心技术”总结
大数据的“十五大核心技术”总结
一个完整的大数据生命周期，应包括如下几个环节：采集、存储、处理、分析。这恰为我们归纳大数据核心技术，提供了思考角度。借此，我们总结出了大数据的“十五大核心技术”以供借鉴。一. 大数据采集大数据采集，即对各种来源（如RFID射频数据、传感器数据、移动互联网数据、社交网络数据等）的结构化和非结构化海量数据，所进行的采集。之所以称其为“大”，是因为数据采集过程中，常需要处理“成千上万用户并发访问和操作”的难题。这里我们列举出三个大数据采集的常用方法：A. 数据库采集关注大数据技术的小伙伴，想必都对Sqoop和ETL工具比较熟悉。实际上，传统的关系型数据库MySQL和Oracle 依然充当着许多企业的数据存储方式。当然了，目前对于开源的Kettle和Talend本身，也集成了大数据集成内容，可实现hdfs，hbase和主流Nosq数据库之间的数据同步和集成。B. 网络数据采集一种借助网络爬虫或网站公开API，从网页获取非结构化或半结构化数据，并将其统一结构化为本地数据的，数据采集方式。C. 文件采集场被谈起的flume实时文件采集和处理，就是一种典型的文件采集形式。除此之外，基于ELK(Elasticsearch、Logstash、Kibana)的日志采集和增量采集，也涉及到“文件采集”这一数据采集形式。二. 大数据预处理数据预处理，指的是在进行数据分析之前，先对采集到的原始数据所进行的诸如“清洗、填补、平滑、合并、规格化、一致性检验”等一系列操作，旨在提高数据质量，为后期分析工作奠定基础。数据预处理主要包括四个部分：数据清理、数据集成、数据转换、数据规约。A. 数据清理数据清理，指利用ETL(Extraction/Transformation/Loading)和Potter’s Wheel等清洗工具，对有遗漏数据(缺少感兴趣的属性)、噪音数据(数据中存在着错误、或偏离期望值的数据)、不一致数据进行处理。遗漏数据处理方法：用全局常量、属性均值、可能值填充；或直接忽略该数据;噪音数据处理方法：用分箱(分组原始数据，并分别对各组数据平滑处理)、聚类、计算机人工检查、回归等方法，去除噪音处理;不一致数据处理方法：手动更正。B.数据集成数据集成，指将不同数据源中的数据，合并存放到统一数据库的，存储方法。该过程着重解决三个问题：模式匹配、数据冗余、数据值冲突检测与处理。实体识别问题处理方法：针对“不同集合来源的数据，因命名差异导致的实体名称不一致”的问题，通过“利用元数据，匹配不同来源实体”的方法，进行实体识别。数据冗余处理方法：对于因“不同来源数据，属性命名方式不一致”所导致的数据冗余问题，利用皮尔逊积矩Ra,b，结合绝对值比较的方法，确定数据间的相关性。数据值冲突问题处理方法：对具有不同数值的各来源实体，进行数据值冲突检测与处理。C.数据转换数据转换，指对所抽取出来的数据中存在的不一致，进行处理的过程。它同时包含了数据清洗的工作，即根据业务规则对异常数据进行清洗，以保证后续分析结果准确性。数据名称及格式统一处理：即数据粒度转换、商务规则计算以及统一的命名、数据格式、计量单位等;数据仓库中较源数据库多出数据的处理：字段的组合、分割、计算。D. 数据规约数据归约，指在最大限度保持数据原貌（尽可能保持数据完整性）的基础上，最大限度精简数据量，以得到较小数据集的操作，包括：数据方聚集、维规约、数据压缩、数值规约、概念分层等。三. 大数据存储大数据存储，指用存储器，以数据库的形式，存储采集到的数据的过程。大数据存储技术的三种典型路线：A. 基于MPP架构的新型数据库集群采用Shared Nothing架构，结合MPP架构的高效分布式计算模式，通过列存储、粗粒度索引等多项大数据处理技术，重点面向行业大数据所展开的数据存储方式。具有低成本、高性能、高扩展性等特点，在企业分析类应用领域有着广泛的应用。较之传统数据库，其基于MPP产品的PB级数据分析能力，有着显著的优越性。自然，MPP数据库，也成为了企业新一代数据仓库的最佳选择。B. 基于Hadoop的技术扩展和封装基于Hadoop的技术扩展和封装，是针对传统关系型数据库难以处理的数据和场景（针对非结构化数据的存储和计算等），利用Hadoop开源优势及相关特性（善于处理非结构、半结构化数据、复杂的ETL流程、复杂的数据挖掘和计算模型等），衍生出相关大数据技术的过程。伴随着技术进步，其应用场景也将逐步扩大，目前最为典型的应用场景：通过扩展和封装 Hadoop来实现对互联网大数据存储、分析的支撑，其中涉及了几十种NoSQL技术。C. 大数据一体机这是一种专为大数据的分析处理而设计的软、硬件结合的产品。它由一组集成的服务器、存储设备、操作系统、数据库管理系统，以及为数据查询、处理、分析而预安装和优化的软件组成，具有良好的稳定性和纵向扩展性。四. 大数据分析挖掘从可视化分析、数据挖掘算法、预测性分析、语义引擎、数据质量管理等方面，对杂乱无章的数据，进行萃取、提炼和分析的过程。A. 可视化分析可视化分析，指借助图形化手段，清晰并有效传达与沟通信息的分析手段。主要应用于海量数据关联分析，即借助可视化数据分析平台，对分散异构数据进行关联分析，并做出完整分析图表的过程。具有简单明了、清晰直观、易于接受的特点。B. 数据挖掘算法数据挖掘算法，即通过创建数据挖掘模型，而对数据进行试探和计算的，数据分析手段。它是大数据分析的理论核心。数据挖掘算法多种多样，且不同算法因基于不同的数据类型和格式，会呈现出不同的数据特点。但一般来讲，创建模型的过程却是相似的，即首先分析用户提供的数据，然后针对特定类型的模式和趋势进行查找，并用分析结果定义创建挖掘模型的最佳参数，并将这些参数应用于整个数据集，以提取可行模式和详细统计信息。C. 预测性分析预测性分析，是大数据分析最重要的应用领域之一，通过结合多种高级分析功能（特别统计分析、预测建模、数据挖掘、文本分析、实体分析、优化、实时评分、机器学习等），达到预测不确定事件的目的。它帮助分用户析结构化和非结构化数据中的趋势、模式和关系，并运用这些指标来预测将来事件，为采取措施提供依据。D. 语义引擎语义引擎，指通过为已有数据添加语义的操作，提高用户互联网搜索体验。E. 数据质量管理指对数据全生命周期的每个阶段（计划、获取、存储、共享、维护、应用、消亡等）中可能引发的各类数据质量问题，进行识别、度量、监控、预警等操作，以提高数据质量的一系列管理活动。高质量的数据和有效的数据管理，是获得准确分析结果的保障。（公众号ID：9z营销大数据，更多原创内容）
产品建议及投诉请联系：大数据分析与处理方法解读_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
大数据分析与处理方法解读
上传于|0|0|文档简介
&&大数据分析与处理方法解读
阅读已结束，如果下载本文需要使用1下载券
想免费下载本文？
定制HR最喜欢的简历
你可能喜欢大数据处理的关键技术及采集方法 - 云计算/大数据 - 自习教室
大数据处理的关键技术及采集方法
&&&来源：网络转载&&&评论： 点击：
在大数据时代，传统的数据处理方法还适用吗？大数据环境下的数据处理需求大数据环境下数据来源非常丰富且数据类型多样，存储和分析挖掘的数
在大数据时代，传统的数据处理方法还适用吗？
大数据环境下的数据处理需求
大数据环境下数据来源非常丰富且数据类型多样，存储和分析挖掘的数据量庞大，对数据展现的要求较高，并且很看重数据处理的高效性和可用性。
传统数据处理方法的不足
传统的数据采集来源单一，且存储、管理和分析数据量也相对较小，大多采用关系型数据库和并行数据仓库即可处理。对依靠并行计算提升数据处理速度方面而言，传统的并行数据库技术追求高度一致性和容错性，根据CAP理论，难以保证其可用性和扩展性。
传统的数据处理方法是以处理器为中心，而大数据环境下，需要采取以数据为中心的模式，减少数据移动带来的开销。因此，传统的数据处理方法，已经不能适应大数据的需求！
大数据的处理流程包括哪些环节？每个环节有哪些主要工具？
大数据的基本处理流程与传统数据处理流程并无太大差异，主要区别在于：由于大数据要处理大量、非结构化的数据，所以在各个处理环节中都可以采用MapReduce等方式进行并行处理。
大数据技术为什么能提高数据的处理速度？
的并行处理利器&&MapReduce
大数据可以通过MapReduce这一并行处理技术来提高数据的处理速度。MapReduce的设计初衷是通过大量廉价服务器实现大数据并行处理，对数据一致性要求不高，其突出优势是具有扩展性和可用性，特别适用于海量的结构化、半结构化及非结构化数据的混合处理。
MapReduce将传统的查询、分解及数据分析进行分布式处理，将处理任务分配到不同的处理节点，因此具有更强的并行处理能力。作为一个简化的并行处理的编程模型，MapReduce还降低了开发并行应用的门槛。
MapReduce是一套软件框架，包括Map（映射）和Reduce（化简）两个阶段，可以进行海量数据分割、任务分解与结果汇总，从而完成海量数据的并行处理。
MapReduce的工作原理其实是先分后合的数据处理方式。Map即&分解&，把海量数据分割成了若干部分，分给多台处理器并行处 理；Reduce即&合并&，把各台处理器处理后的结果进行汇总操作以得到最终结果。如右图所示，如果采用MapReduce来统计不同几何形状的数量， 它会先把任务分配到两个节点，由两个节点分别并行统计，然后再把它们的结果汇总，得到最终的计算结果。
MapReduce适合进行数据分析、日志分析、商业智能分析、客户营销、大规模索引等业务，并具有非常明显的效果。通过结合MapReduce技术进行实时分析，某家电公司的信用计算时间从33小时缩短到8秒，而MKI的基因分析时间从数天缩短到20分钟。
说到这里，再看一看MapReduce与传统的分布式并行计算环境MPI到底有何不同？MapReduce在其设计目的、使用方式以及对文件系统的支持等方面与MPI都有很大的差异，使其能够更加适应大数据环境下的处理需求。
在数据采集方面采用了哪些新的方法
系统日志采集方法
很多互联网企业都有自己的海量数据采集工具，多用于系统日志采集，如Hadoop的Chukwa，Cloudera的Flume，Facebook的Scribe等，这些工具均采用分布式架构，能满足每秒数百MB的日志数据采集和传输需求。
网络数据采集方法：对非结构化数据的采集
网络数据采集是指通过网络爬虫或网站公开API等方式从网站上获取数据信息。该方法可以将非结构化数据从网页中抽取出来，将其存储为统一的本地数据文件，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，附件与正文可以自动关联。
除了网络中包含的内容之外，对于网络流量的采集可以使用DPI或DFI等带宽管理技术进行处理。
其他数据采集方法
对于企业生产经营数据或学科研究数据等保密性要求较高的数据，可以通过与企业或研究机构合作，使用特定系统接口等相关方式采集数据。
手机页面二维码（扫一扫转给需要的人）
相关热词搜索：
频道总排行
频道本月排行