大数据分析的流程浅析之一：大数据采集过程分析.docx

大数据分析的流程浅析之一：大数据采集过程分析数据采集，就是使用某种技术或手段，将数据收集起来并存储在某种设备上，这种设备可以是磁盘或磁带。区别于普通的数据分析，大数据分析的数据采集在数据收集和存储技术上都是不同的。具体情况如下： 1.大数据收集过程在收集阶段，大数据分析在时空两个方面都有显著的不同。在时间维度上，为了获取更多的数据，大数据收集的时间频度大一些，有时也叫数据采集的深度。在空间维度上，为了获取更准确的数据，数据采集点设置得会更密一些。以收集一个面积为100平方米的葡萄园的平均温度为例。小数据时代，由于成本的原因，葡萄园主只能在葡萄园的中央设置一个温度计用来计算温度，而且每一小时观测一次，这样一天就只有24个数据。而在大数据时代，在空间维度上，可以设置100个温度计，即每个1平方米一个温度计； 在时间维度上，每隔1分钟就观测一次，这样一天就有144000个数据，是原来的6000倍。有了大量的数据，我们就可以更准确地知道葡萄园的平均温度，如果加上时间刻度的话，还可以得出一个时间序列的曲线，结果看起来使人很神往。2.大数据的存储技术通过增加数据采集的深度和广度，数据量越来越大，数据存储问题就凸现。原来1TB的数据，可以使用一块硬盘就可以实现数据的存储，而现在变成了6000TB，也就是需要6000块硬盘来存放数据，而且这个数据是每天都是增加的。这个时候计算机技术中的分布式计算开始发挥优势，它可以将6000台甚至更多的计算机组合在一起，让它们的硬盘组合成一块巨大的硬盘，这样人们就不用再害怕大数据了，大数据再大，增加计算机就可以了。实现分布式计算的软件有很多，名气最大的，目前市场上应用最广的，就是hadoop技术了，更精确地说应该是叫hadoop框架。hadoop框架由多种功能性软件组成，其自身只是搭建一个和操作系统打交道的平台。其中最核心的软件有两个，一个是hdfs分布式文件系统,另一个是mapreduce分布式计算。hdfs分布式文件系统完成的功能就是将6000台计算机组合在一起，使它们的硬盘组合成一块巨大的硬盘，至于数据如何在硬盘上存放和读取，这件事由hadoop和hdfs共同完成，不用我们操心，这就如我们在使用一台计算机时只管往硬盘上存放数据，而数据存放在硬盘上的哪个磁道，我们是不用关心的。mapredce分布式计算则就实现让6000台计算机一起协同工作起来，hadoop在设计mapredce时，最基本的思想就是让分析师不用操心程序设计问题，这些问题需要和最底层的程序打交道的，且只有优秀的程序员才能解决的，而是让大数据分析师专注于业务流程进行简单的mapredce程序编写，也就是说大数据分析师只需要知道简单的mapreduce程序设计流程就可以了，不需要成为优秀的JAVA、Python程序员。hadoop框架的这种简单的设计思想，再加上它开源的特性，使其一开始就受到很多主流的互联网公司所采用，接下来的事情就顺理成章了，它成为全球最成功的解决大数据分析的分布式计算技术。区别于小数据采集，大数据采集不再仅仅使用问卷调查、信息系统的数据库取得结构化数据，大数据的来源有很多，主要包括使用网络爬虫取得的网页文本数据、使用日志收集器收集的日志数据、从关系型数据库中取得的数据和由传感器收集到的时空数据等等，而一些图像和语音数据由于需要高端技术才能使其变成可以