初識(shí)數(shù)據(jù)采集Contents知識(shí)目標(biāo)掌握數(shù)據(jù)采集的定義、范圍技能目標(biāo)熟悉數(shù)據(jù)采集的流程素養(yǎng)目標(biāo)培養(yǎng)良好的信息素養(yǎng)和道德意識(shí)初識(shí)數(shù)據(jù)采集數(shù)據(jù)采集，又稱數(shù)據(jù)獲取，是利用一種程序或裝置從系統(tǒng)外部采集數(shù)據(jù)，經(jīng)過(guò)數(shù)據(jù)清洗，最終輸入到存儲(chǔ)系統(tǒng)中。定義特點(diǎn)將大量的信息自動(dòng)獲取并整合為有價(jià)值的數(shù)據(jù)，大大提高工作效率。通過(guò)程序自動(dòng)獲取信息，避免人工操作中出現(xiàn)的錯(cuò)誤。實(shí)時(shí)監(jiān)控信息更新情況，保證所采集到的數(shù)據(jù)是最新的。高效性準(zhǔn)確性實(shí)時(shí)性初識(shí)數(shù)據(jù)采集數(shù)據(jù)的類型（從結(jié)構(gòu)上區(qū)分）結(jié)構(gòu)化數(shù)據(jù)指具有固定字段和格式的數(shù)據(jù)。半結(jié)構(gòu)化數(shù)據(jù)指具有一定結(jié)構(gòu)，但字段和格式不固定的數(shù)據(jù)。非結(jié)構(gòu)化數(shù)據(jù)指沒(méi)有固定字段和格式的數(shù)據(jù)。數(shù)據(jù)庫(kù)中的表格CSV文件JSONXMLCSV文本圖像音頻視頻初識(shí)數(shù)據(jù)采集數(shù)據(jù)的類型（從來(lái)源上區(qū)分）業(yè)務(wù)數(shù)據(jù)行業(yè)數(shù)據(jù)線上行為數(shù)據(jù)線下行為數(shù)據(jù)內(nèi)容數(shù)據(jù)思考采集范圍采集流程采集方法？數(shù)據(jù)采集范圍數(shù)據(jù)庫(kù)采集關(guān)系型數(shù)據(jù)庫(kù)、NoSQL數(shù)據(jù)庫(kù)。系統(tǒng)日志采集離線大數(shù)據(jù)分析系統(tǒng)、在線大數(shù)據(jù)分析系統(tǒng)。滿足高可用性、高可靠性、高可拓展性。網(wǎng)絡(luò)數(shù)據(jù)采集通過(guò)網(wǎng)絡(luò)爬蟲(chóng)或者網(wǎng)站公開(kāi)API等方式從網(wǎng)站上獲取數(shù)據(jù)信息的過(guò)程。將非結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)從網(wǎng)頁(yè)中提取出來(lái)。感知設(shè)備數(shù)據(jù)采集通過(guò)傳感器、攝像頭和其他智能終端自動(dòng)采集信號(hào)、圖片或錄像來(lái)獲取數(shù)據(jù)。對(duì)結(jié)構(gòu)化、半結(jié)構(gòu)化、非結(jié)構(gòu)化的海量數(shù)據(jù)的智能化識(shí)別、定位、跟蹤、接入、傳輸、信號(hào)轉(zhuǎn)換、監(jiān)控、初步處理和管理。采集流程（多領(lǐng)域范圍）（驗(yàn)證、拆分、過(guò)濾）（靈活、合理）數(shù)據(jù)采集數(shù)據(jù)清洗數(shù)據(jù)存儲(chǔ)數(shù)據(jù)清洗指發(fā)現(xiàn)并糾正數(shù)據(jù)文件中可識(shí)別的錯(cuò)誤的最后一道程序。檢查數(shù)據(jù)一致性處理無(wú)效值和缺失值包括：采集流程網(wǎng)頁(yè)爬取的采集流程1.網(wǎng)頁(yè)抓取2.數(shù)據(jù)提取3.數(shù)據(jù)存儲(chǔ)采集流程網(wǎng)頁(yè)爬取的采集流程1.網(wǎng)頁(yè)抓取主要目的是通過(guò)網(wǎng)絡(luò)請(qǐng)求獲取網(wǎng)頁(yè)的原始內(nèi)容。網(wǎng)頁(yè)發(fā)送HTTP請(qǐng)求獲取HTML代碼常用的Python庫(kù)，如Requests、urllib等。2.數(shù)據(jù)提取3.數(shù)據(jù)存儲(chǔ)爬蟲(chóng)需要設(shè)置合理的請(qǐng)求頭為了避免對(duì)目標(biāo)網(wǎng)站造成過(guò)大的壓力或被封禁，可以設(shè)置合適的請(qǐng)求間隔、使用代理IP等。采集流程網(wǎng)頁(yè)爬取的采集流程1.網(wǎng)頁(yè)抓取網(wǎng)絡(luò)爬蟲(chóng)的核心環(huán)節(jié)2.數(shù)據(jù)提取3.數(shù)據(jù)存儲(chǔ)網(wǎng)頁(yè)提取出有用的數(shù)據(jù)常見(jiàn)提取方式包括正則表達(dá)式、XPath、CSS選擇器等。爬蟲(chóng)采集流程網(wǎng)頁(yè)爬取的采集流程1.網(wǎng)頁(yè)抓取目的是將抓取到的數(shù)據(jù)保存下來(lái)，以備后續(xù)的分析和應(yīng)用。2.數(shù)據(jù)提取3.數(shù)據(jù)存儲(chǔ)網(wǎng)頁(yè)數(shù)據(jù)保存常見(jiàn)的數(shù)據(jù)存儲(chǔ)方式包括文件存儲(chǔ)、數(shù)據(jù)庫(kù)存儲(chǔ)等。爬蟲(chóng)采集流程采集搜索類日志數(shù)據(jù)涉及以下步驟：1.數(shù)據(jù)源確定2.日志配置3.數(shù)據(jù)篩選4.數(shù)據(jù)轉(zhuǎn)換5.數(shù)據(jù)存儲(chǔ)本講小結(jié)123數(shù)據(jù)采集的定義、類型數(shù)據(jù)采集的流程數(shù)據(jù)采集的方法思政意識(shí)提升我國(guó)在抗擊疫情的嚴(yán)峻斗爭(zhēng)中所表現(xiàn)出的制度優(yōu)勢(shì)、大國(guó)擔(dān)當(dāng)，以及大數(shù)據(jù)在疫情監(jiān)測(cè)分析、人員管控、醫(yī)療救治、復(fù)工復(fù)產(chǎn)等方面發(fā)揮了巨大作用，我們要厚植家國(guó)情懷，鑄牢中華民族共同體意識(shí)。課后作業(yè)使用八爪魚(yú)采集器采集任一網(wǎng)址數(shù)據(jù)，了解什么是數(shù)據(jù)采集、數(shù)據(jù)采集的流程和方