一.大数据采集 即对于结构化和非结构化海量的各种来源的数据,所进行的收集活动。 1. 数据库获取:目前比较流行的是Sqoop和ETL,很多企业仍然使用MySQL、Oracle等传统关系数据库进行数据存储。当然,对于开源Kettle和Talend本身,也集成了大数据集成内容,可以实现HDFS、hbase和主流Nosq数据库之间的数据同步和集成。 2. 网络数据收集:通过web爬虫或网站公共API从网页中获取非结构化或半结构化数据,并将其结构统一为本地数据的数据收集方法。 3.文件采集:包括实时文件采集与处理技术flume、基于ELK的日志采集、增量采集等。 二.大数据预处理 大数据预处理,指的是在数据分析之前,对*个收集的原始数据进行如"冲洗、灌装、光滑、合并、标准化和一致性检查"等一系列的行动,旨在提高数据的质量和为以后的分析打好基础。 三. 大数据存储 大数据存储是指存储器以数据库的形式存储采集到的数据的过程。 四. 大数据分析与挖掘 大数据分析与挖掘是从可视化分析、数据挖掘算法、预测分析、语义引擎和数据质量管理等方面对无序数据进行提取、提炼和分析的过程。