原创力文档- 1、本文档共16页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
初识数据采集
Contents知识目标掌握数据采集的定义、范围技能目标熟悉数据采集的流程素养目标培养良好的信息素养和道德意识
初识数据采集数据采集，又称数据获取，是利用一种程序或装置从系统外部采集数据，经过数据清洗，最终输入到存储系统中。定义特点将大量的信息自动获取并整合为有价值的数据，大大提高工作效率。通过程序自动获取信息，避免人工操作中出现的错误。实时监控信息更新情况，保证所采集到的数据是最新的。高效性准确性实时性
初识数据采集数据的类型（从结构上区分）结构化数据指具有固定字段和格式的数据。半结构化数据指具有一定结构，但字段和格式不固定的数据。非结构化数据指没有固定字段和格式的数据。数据库中的表格CSV文件JSONXMLCSV文本图像音频视频
初识数据采集数据的类型（从来源上区分）业务数据行业数据线上行为数据线下行为数据内容数据
思考采集范围采集流程采集方法？
数据采集范围数据库采集关系型数据库、NoSQL数据库。系统日志采集离线大数据分析系统、在线大数据分析系统。满足高可用性、高可靠性、高可拓展性。网络数据采集通过网络爬虫或者网站公开API等方式从网站上获取数据信息的过程。将非结构化数据、半结构化数据从网页中提取出来。感知设备数据采集通过传感器、摄像头和其他智能终端自动采集信号、图片或录像来获取数据。对结构化、半结构化、非结构化的海量数据的智能化识别、定位、跟踪、接入、传输、信号转换、监控、初步处理和管理。
采集流程（多领域范围）（验证、拆分、过滤）（灵活、合理）数据采集数据清洗数据存储数据清洗指发现并纠正数据文件中可识别的错误的最后一道程序。检查数据一致性处理无效值和缺失值包括：
采集流程网页爬取的采集流程1.网页抓取2.数据提取3.数据存储
采集流程网页爬取的采集流程1.网页抓取主要目的是通过网络请求获取网页的原始内容。网页发送HTTP请求获取HTML代码常用的Python库，如Requests、urllib等。2.数据提取3.数据存储爬虫需要设置合理的请求头为了避免对目标网站造成过大的压力或被封禁，可以设置合适的请求间隔、使用代理IP等。
采集流程网页爬取的采集流程1.网页抓取网络爬虫的核心环节2.数据提取3.数据存储网页提取出有用的数据常见提取方式包括正则表达式、XPath、CSS选择器等。爬虫
采集流程网页爬取的采集流程1.网页抓取目的是将抓取到的数据保存下来，以备后续的分析和应用。2.数据提取3.数据存储网页数据保存常见的数据存储方式包括文件存储、数据库存储等。爬虫
采集流程采集搜索类日志数据涉及以下步骤：1.数据源确定2.日志配置3.数据筛选4.数据转换5.数据存储
本讲小结123数据采集的定义、类型数据采集的流程数据采集的方法
思政意识提升我国在抗击疫情的严峻斗争中所表现出的制度优势、大国担当，以及大数据在疫情监测分析、人员管控、医疗救治、复工复产等方面发挥了巨大作用，我们要厚植家国情怀，铸牢中华民族共同体意识。
课后作业使用八爪鱼采集器采集任一网址数据，了解什么是数据采集、数据采集的流程和方法。具体思路打开八爪鱼官网，下载八爪鱼采集器。1安装成功后创建自定义任务。2确定需要采集的地址。3确定需要采集的字段并开始采集数据。4
文档评论（0）