数据采集技术常用的采集方法包括几种

大数据的来源主要包括：商业数据、互联网数据、物联网数据。其中，商业数据来源于企业的内部系统（如企业ERP、POS 终端系统、网上支付系统等）；互联网数据包括：QQ、微信、微博、网站数据；物联网数据来源于物联网硬件设备（如射频识别装置、全球定位设备、传感器设备、视频监控设备等）。  

大数据的数据类型可分为三种：结构化数据、半结构化数据、非结构化数据。其中，结构化数据是关系数据库中的数据，可直接被使用和存储；半结构化数据可通过一定规律存储，如excel表格中的数据；非结构化数据是杂乱无章的，如邮件、网页的文字和图像，需要进行相应的处理才可被存储。  

数据采集技术是数据科学的重要组成部分，技术是大数据处理的关键技术之一。常用的采集方法包括两种：ETL工具采集、网页数据采集。    

一、ETL工具采集  

ETL工具采集是将业务系统的数据通过抽取、清洗转换后加载至数据仓库的过程，目的是将企业中的分散零乱、标准不统一的数据整合，为企业的决策提供分析依据。  

ETL采集是商业智能项目的重要环节，目前，互联网公司会采用该技术获取相关数据。    

二、网页数据采集  

网页数据采集是在互联网中采集数据。网页数据具有多元异构交互性、社会性、突发性、高噪声等特点，非结构化数据比例较高，且数据实时性较强。  

目前，网页数据主要通过爬虫采集。爬虫采集需编写爬虫程序或爬虫脚本，爬虫流程是访问一个url（根据网络资料理解：url的中文名称是统一资源定位符，统一资源定位符是互联网资源位置和访问方法的一种简洁的表示，俗称网址），并通过模仿HTTP请求（根据网络资料：HTTP请求是指从客户端到服务器端的请求消息）获取网页。爬虫过程类似于通过浏览器查看并获取网页的信息。    

因为Python运行效率较高，且具有较成熟的爬虫框架和网页解析库文件，所以可快速处理网络数据。后文通过Python介绍爬虫（网络爬虫）。

网络爬虫（Web crawler） 是按照一定规则，自动抓取万维网（英文名称为World Wide Web，简称WWW）信息的程序或脚本，一般可分为数据采集，处理，储存三部分。  

其中，数据采集是通过模仿HTTP请求获取网页，数据处理是对网页中非结构化的数据进行处理，数据存储包括将新URL放置于URL队列中和将爬取的数据存储至数据存储介质中。  



图片来源：学堂在线《大数据导论》  

网络爬虫的系统结构如下：首先启动爬虫应用程序。一般，爬虫应用程序具有初始化队列，初始化队列中具有种子URL。然后，下载种子URL所对应的网页，网页中可提取新的URL并加入URL队列。再然后，将网页进行简单处理后存储至数据库中。以上爬虫过程结束后，再从URL队列中获取新URL，并下载新URL所对应的网页，重复爬虫过程。



图片来源：学堂在线《大数据导论》  

审核编辑：刘清