大数据采集与预处理（微课版） 课件 项目1 初识动态网页数据采集与预处理

项目一

初识动态网页数据采集与预处理认识大数据采集与预处理目录Content1搭建数据采集与预处理开发环境2数据来源较多项目导言零数据类型丰富数据存储数据处理学习目标零知识目标了解数据采集相关知识；熟悉大数据的来源；掌握大数据处理相关知识；精通PyCharm的安装步骤与掌握PyCharm的使用方法。技能目标具备掌握大数据采集方法的能力；具备大数据预处理方法的作用能力；具备安装和使用PyCharm的能力。技能目标具备精益求精、坚持不懈的精神；具备团队协作能力；具备灵活的思维和处理分析问题的能力；具备责任心。任务1-1：认识大数据采集与预处理壹认识数据来源任务技能信息管理系统、网络数据、机器和传感器数据、科学实验数据、交易数据、人为数据等认识大数据采集通过技术手段进行数据采集。目前，常用的大数据采集方式有网络爬虫采集、日志文件采集、商业工具采集认识大数据预处理修整不完整、含噪声、不一致（的数据，致使采集到的数据大多是不规则、非结构化的，易受到噪声（错误）、不完整、不一致等问题的影响。任务1-1：认识大数据采集与预处理壹1认识数据来源维克托和肯尼斯提出大数据为巨量资料，是一种海量的、飞速增长的、多样化的信息资产。（1）信息管理系统任务1-1：认识大数据采集与预处理壹（2）网络数据移动设备上的软件帮助储存和收集各种数据、互联网中通过社交系统、社交媒体以及搜索引擎等产生海量数据。非结构化数据01邮件文档图片音频视频半结构化数据02XMLJSON任务1-1：认识大数据采集与预处理壹（3）物联网数据

通过传感器技术获取外界的物理、化学和生物等数据信息，在互联网的基础上将网络延伸和扩展，使其在机器与机器之间进行信息交换和通信。0102任务1-1：认识大数据采集与预处理壹（4）科学实验数据实验数据仿真数据任务1-1：认识大数据采集与预处理壹（5）交易数据储蓄卡交易电子商务购物互联网交易数据电子商务购物数据任务1-1：认识大数据采集与预处理壹2认识大数据采集

早期，数据采集通过人工录入、调查问卷、电话随访等人工方式实现。目前，常用的大数据采集方式有网络爬虫采集、日志文件采集、商业工具采集。1.网络爬虫采集通过模拟客户端（浏览器）进行网络请求获取网页中文本数据、图片数据、音频文件、视频文件等数据。任务1-1：认识大数据采集与预处理壹网络爬虫类型通用网络爬虫

可以在整个互联网中进行目标资源的爬取，目标爬取数量巨大，对爬虫程序的性能有较高要求。增量式网络爬虫

用于对页面数据会不断变化的页面进行爬取操作，可以爬取网页中更新的新数据。聚焦网络爬虫可以选择性的在目标定位于主题相关的页面中爬取特定信息。深层页面爬虫深层网页是大部分内容不能通过静态链获取的，隐藏在搜索表单后，只有用户提交一些关键词才能获得的Web页面。例如，用户注册登录前不可见的页面即为深层页面。任务1-1：认识大数据采集与预处理壹网络爬虫用途利用网络爬虫获取网站页面，网站更新时获取页面信息。通过网络爬虫去其他平台获取信息实现业务数据的填充，之后即可根据业务需求对数据进行统计分析。电商平台中抓取同一商品的价格，之后即可提供给用户最实惠的商品价格任务1-1：认识大数据采集与预处理壹爬虫的基本流程任务1-1：认识大数据采集与预处理壹Urllib

Python内置的http网络爬虫库，包含了诸如URL内容抓取、HTTP请求发送、文件读取等多个操作URL的相关模块。Requests

基于Urllib使用Python语音编写的第三方http库，采用Apache2Licensed开源协议开发。Scrapy单击此处输入你的正文，文字是您思想的提炼，为了最终演示发布的良好效果BeautifulSoup

可以从HTML或XML文件中提取数据的Python库。能够通过转换器实现文档导航，查找，修改文档。Xpath

可以应用在包括数据挖掘、信息处理或存储历史数据等一系列的程序中。任务1-1：认识大数据采集与预处理壹2.日志数据采集（1）JS埋点技术采集日志JS埋点技术通过在页面中植入JS代码实现日志数据的收集，包括用户点了哪个按钮、页面之间的跳转次序、停留时长等。JS埋点可以在项目开发过程中手动植入。任务1-1：认识大数据采集与预处理壹（2）Flume组件采集日志可以将大批量的不同数据源的日志数据聚合、移动到数据中心（HDFS）进行存储。任务1-1：认识大数据采集与预处理壹3.商业工具采集

提供多场景数据计算和分析挖掘的科研基础环境，充分结合行业课题的相关数据，并利用大数据技术深入挖掘分析，满足行业大数据的科研工作需求。

日志管理工具，能够对日志数据进行集中采集和准时索引处理，以及简单易用的搜索方式。

简单直观的网页爬虫工具，无需编码即可从许多网站抓取数据。任务1-1：认识大数据采集与预处理壹3认识大数据预处理目前，常用的数据预处理方式有四种，分别是数据清洗、数据集成、数据变换、数据规约。（1）数据清洗通过删除有缺失数据的整行数据或删除有过多缺失数据的变量、以业务知识或经验推测并人工填写填充缺失、利用计算（均值、中位数、众数、随机数等）结果进行填充。任务1-1：认识大数据采集与预处理壹3认识大数据预处理目前，常用的数据预处理方式有四种，分别是数据清洗、数据集成、数据变换、数据规约。（1）数据清洗通过删除有缺失数据的整行数据或删除有过多缺失数据的变量、以业务知识或经验推测并人工填写填充缺失、利用计算（均值、中位数、众数、随机数等）结果进行填充。①缺失值清洗任务1-1：认识大数据采集与预处理壹②格式内容清洗问题处理方式书写格式问题内容修改，将格式统一出现不存在字符问题以半自动校验半人工方式来找出可能存在的问题的数据，并去除或修改数据中不符合格式的字符数据与字段不匹配问题不能直接删除，需要了解具体问题，再根据情况选择清洗方法任务1-1：认识大数据采集与预处理壹③逻辑错误清洗问题处理方式重复数据删除数值不合理选择删除数据或按缺失值对数据值进行处理数据冲突先判断字段与信息，之后在选择删除或修改该数据任务1-1：认识大数据采集与预处理壹④非需求数据清洗非需求数据就是在数据分析时没有可分析的意义或不会被分析的数据，在数据处理操作中，只需将其删除即可。但需要注意的是，不要把重要字段（如学生数据中的姓名、学号等）、不确定是否需要字段（如学生数据中的身高、体重等，在成绩分析时并不需要，但在学生健康情况分析中需要）等删除。任务1-1：认识大数据采集与预处理壹（2）数据集成将互联网中多种分布在不同位置的诸如各类XML文档、HTML文档、电子邮件、文本文件等结构化、半结构化信息等数据源中的数据综合存储在一个位置。任务1-1：认识大数据采集与预处理壹（3）数据规约方式描述维规约作用于多维数组，可以将不需要的整列数据删除实现数据维数的减少，提高计算效率数量规约通过在原数据中选择替代的、较少的数据来减少数据量数据压缩作用于存储空间，在不丢失有用信息的前提下，通过缩减数据量或重新组织结构减小数据的存储空间，高其传输、存储和处理效率任务1-1：认识大数据采集与预处理壹（4）数据转换方式描述光滑通过回归、分类等算法去掉数据中含有的噪声属性构造在指定结构的数据集中，添加新的属性，助提高准确率和对高维数据结构的理解规范化将数据集中的数据按一定比例进行缩放操作，使之落入特定的区间内，常用的数据规范化方法有零-均值标准化、归一化等任务1-1：认识大数据采集与预处理壹2.数据预处理工具Pig使用类似于SQL的面向数据流的语言PigLatin，可以在Hadoop中执行所有的数据处理操作PandasPython的一个数据处理模块，集成了大量的库和多个标准数据模型，主要用于实现数据的处理与分析ELKELK主要用于收集集群日志，从而对日志进行有效的处理，主要由ElasticSearch、Logstash和Kiabana三个开源工具组成。任务1-2：搭建数据采集与预处理开发环境贰1认识PyCharm编码协助；项目代码导航；代码分析；Python重构；支持Django；集成版本控制；图形页面调试器；集成的单元测试。优势任务1-2：搭建数据采集与预处理开发环境贰2安装PyCharm进入PyCharm的官网Step1下载安装包Step2打开安装包Step3激活软件Step6初始化设置Step5选择安装位置Step4任务1-2：搭建数据采集与预处理开发环境贰3使用PyCharm任务1-2：搭建数据采集与预处理开发环境贰快捷键描述Ctrl+/行注释/取消行注释Ctrl+Alt+L根据模板格式对代码格式化Ctrl+Alt+SPyCharm设置Ctrl+D复制当前行或者所选代码块Ctrl+Y删除光标所在位置行Ctrl+F当前文件内快速查找代码Ctrl+Shift+F指定文件内寻找路径Ctrl+R当前文件内代码替代Ctrl+Shift+R指定文件内代码批量替代Shift+