Question

数据采集的方法有哪两类？

Answer 1

1、离线搜集：

工具：ETL;

在数据仓库的语境下，ETL基本上便是数据搜集的代表，包括数据的提取(Extract)、转换(Transform)和加载(Load)。在转换的过程中，需求针对具体的事务场景对数据进行治理，例如进行不合法数据监测与过滤、格式转换与数据规范化、数据替换、确保数据完整性等。

2、实时搜集：

工具：Flume/Kafka;

实时搜集首要用在考虑流处理的事务场景，比方，用于记录数据源的履行的各种操作活动，比方网络监控的流量办理、金融运用的股票记账和 web 服务器记录的用户访问行为。在流处理场景，数据搜集会成为Kafka的顾客，就像一个水坝一般将上游源源不断的数据拦截住，然后依据事务场景做对应的处理(例如去重、去噪、中心核算等)，之后再写入到对应的数据存储中。

3、互联网搜集：

工具：Crawler, DPI等;

Scribe是Facebook开发的数据(日志)搜集体系。又被称为网页蜘蛛，网络机器人，是一种按照一定的规矩，自动地抓取万维网信息的程序或者脚本，它支持图片、音频、视频等文件或附件的搜集。

除了网络中包含的内容之外，关于网络流量的搜集能够运用DPI或DFI等带宽办理技术进行处理。

4、其他数据搜集方法

关于企业生产经营数据上的客户数据，财务数据等保密性要求较高的数据，能够通过与数据技术服务商合作，运用特定体系接口等相关方式搜集数据。比方八度云核算的数企BDSaaS，无论是数据搜集技术、BI数据剖析，还是数据的安全性和保密性，都做得很好。

Answer 2

原始数据收集的方法主要有4种：①人员访问，即使用纸与笔或电话进行的人与人之间的访问，如入户访问、拦截访问、电话调查、小组座谈会、深度访谈；②计算机辅助访问，如计算机辅助电话访问或者通过电子邮件进行在线调查；③受访者自己回答问题，如邮寄问卷调查；④观察法。在调查时可以选择上述其中一种方法，也可以将任何两种方法结合使用。

Answer 3

基于底层数据交换的数据直接采集方式是主流方式
原理就是通过获取软件系统的底层数据交换、软件客户端和数据库之间的网络流量包，进行包流量分析采集到应用数据，同时还可以利用仿真技术模拟客户端请求，实现数据的自动写入。
使用数据采集引擎对目标软件的内部数据交换（网络流量、内存）进行侦听，再把其中所需的数据分析出来，经过一系列处理和封装，保证数据的唯一性和准确性，并且输出结构化数据。经过相应配置，实现数据采集的自动化。
基于底层数据交换的数据直接采集方式，如10 1 数据采集引擎从各式各样的软件系统中开采数据，源源不断获取所需的精准、实时的数据，自动建立数据关联，输出利用率极高的结构化数据，让数据有序、安全、可控的流动到所需要的企业和用户当中，让不同系统的数据源实现联动流通，为客户提供决策支持、提高运营效率、产生经济价值。
其他还有软件接口对接方式、 开放数据库方式。
接口对接方式数据可靠性较高，一般不存在数据重复的情况，且都是客户业务大数据平台需要的有价值的数据；同时数据是通过接口实时传递过来，完全满足了大数据平台对于实时性的要求。但接口对接方式需花费大量人力和时间协调各个软件厂商做数据接口对接。

Answer 4

一类是采集，比如爬虫、传感器、日志 这类是客观世界生成信息和数据 另一类是搬运，比如批量移动，实时移动，这一类就是纯技术问题

Answer 5

举个例子，你做量化投资，基于大数据预测未来股票的波动，根据这个预测结果进行买卖。你当前能够拿到以往股票的所有历史数据，是否可以根据这些数据做出一个预测率高的数据分析系统呢？

实际上，如果你只有股票历史数据，你仍然无法理解股票为什么会产生大幅的波动。比如，当时可能是爆发了SARS疫情，或者某地区发生了战争等。这些重大的社会事件对股票的影响也是巨大的。

因此我们需要考虑到，一个数据的走势，是由多个维度影响的。我们需要通过多源的数据采集，收集到尽可能多的数据维度，同时保证数据的质量，这样才能得到高质量的数据挖掘结果。