1.大数据采集

大数据采集包含：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： 分布式日志收集系统，最初由Cloudera 开发，现是Apache的一个开源项目

Chukwa：开源分布式数据收集系统，是Hadoop 的组成部分，构建在 hdfs 和 map/reduce 框架之上

Scrible：Scribe是facebook开源的日志收集系统，在facebook内部已经得到大量的应用

Kafka：最早是LinkedIn的开发的消息系统，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， 可以使残缺的数据完整 ，并将错误的数据纠正 、多余的数据去除，进 而将所需的数据挑选出 来，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

图1

噪声的处理

图2

数据清洗可以视为一个过程，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，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，因此，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

图3

2.3数据变换

图4

3.数据仓库与ETL工具

图5

---------------------