大数据采集与预处理

大数据采集与预处理第二章数据采集与预处理2.1

2.2数据预处理原理2.3数据仓库与ETL工具习题大数据采集架构of4222.1大数据采集架构第二章数据采集与预处理如今，社会中各个机构、部门、公司、团体等正在实时不断地产生大量的信息，这些信息需要以简单的方式进行处理，同时又要十分准确且能迅速满足各种类型的数据（信息）需求者。这给我们带来了许多挑战，第一个挑战就是在大量的数据中收集需要的数据，下面介绍常用的大数据采集工具。of4232.1.1概述2.1大数据采集架构第二章数据采集与预处理FlumeChukwaScribleKafka大数据采集工具of4242.1.2常用大数据采集工具数据采集最传统的方式是企业自己的生产系统产生的数据，除上述生产系统中的数据外，企业的信息系统还充斥着大量的用户行为数据、日志式的活动数据、事件信息等，越来越多的企业通过架设日志采集系统来保存这些数据，希望通过这些数据获取其商业或社会价值。2.1大数据采集架构第二章数据采集与预处理of425在Flume中，外部输入称为Source（源），系统输出称为Sink（接收端）。Channel（通道）把Source和Sink链接在一起。ApacheChukwa项目与Flume有些相类似，Chukwa继承了Hadoop的伸缩性和鲁棒性。也内置一个功能强大的工具箱，用于显示系统监控和分析结果。互联网时代，网络爬虫也是许多企业获取数据的一种方式。Nutch就是网络爬虫中的娇娇者，Nutch是Apache旗下的开源项目，存在已经超过10年，拥有大量的忠实用户。Flume体系架构2.1大数据采集架构第二章数据采集与预处理of4262.1.3ApacheKafka数据采集ApacheKafka被设计成能够高效地处理大量实时数据，其特点是快速的、可扩展的、分布式的，分区的和可复制的。Kafka是用Scala语言编写的，虽然置身于Java阵营，但其并不遵循JMS规范。Topics（话题）：消息的分类名。Producers（消息发布者）：能够发布消息到Topics的进程。Consumers（消息接收者）：可以从Topics接收消息的进程。Broker（代理）：组成Kafka集群的单个节点。基本Kafka集群的工作流程2.1大数据采集架构第二章数据采集与预处理of4271、TopicsTopics是消息的分类名（或Feed的名称）。Kafka集群或Broker为每一个Topic都会维护一个分区日志。每一个分区日志是有序的消息序列，消息是连续追加到分区日志上，并且这些消息是不可更改的。2、日志区分一个Topic可以有多个分区，这些分区可以作为并行处理的单元，从而使Kafka有能力高效地处理大量数据。Topics与日志分析2.1大数据采集架构第二章数据采集与预处理of4283、ProducersProducers是向它们选择的主题发布数据。生产者可以选择分配某个主题到哪个分区上。这可以通过使用循环的方式或通过任何其他的语义分函数来实现。4、ConsumersKafka提供一种单独的消费者抽象，此抽象具有两种模式的特征消费组：Queuing和Publish-Subscribe。5、ApacheKafka的安装及使用因为Kafka是处理网络上请求，所以，应该为其创建一个专用的用户，这将便于对Kafka相关服务的管理，减少对服务器上其他服务的影响。2.1大数据采集架构第二章数据采集与预处理of429使用useradd命令来创建一个Kafka用户：

$sudouseraddkafka–m使用passwd命令来设置其密码：$sudopasswdkafaka接下来把kafaka用户添加到sudo管理组，以便kafaka用户具有安装ApacheKafka依赖库的权限。这里使用adduser命令来进行添加：$sudoadduserkafkasudo这时就可以使用kafka账户了。切换用户可以使用su命令：$su-kafka在ApacheKafka安装所依赖的软件包前，最好更新一下apt管理程序的软件列表：$sudoapt-getupdateApacheKafka需要Java运行环境，这里使用apt-get命令安装default-jre包，然后安装Java运行环境：$sudoapt-getinstalldefault-jre通过下面的命令测试一下Java运行环境是否安装成功，并查看Java的版本信息：$java-version2.1大数据采集架构第二章数据采集与预处理of4210机器有如下显示：2.1大数据采集架构第二章数据采集与预处理of42112.1大数据采集架构第二章数据采集与预处理of42122.1大数据采集架构第二章数据采集与预处理of42132.1大数据采集架构第二章数据采集与预处理of42146、使用Java来编写Kafka的实例首先，编写KafkaPperties文件：zk.connect=localhost:2181broker.list=localhost:9092serializer.class=kafka.serializer.StringEncoderrequest.required.acks=1下面的代码是使用Java编写了一个Kafka消息发布者：importducer.Producer;importducer.KeyedMessage;importducer.ProducerConfig;publicclassMyKafkaProducer{privateProducer<String,String>producer;privatefinalStringtopic;publicMyKafkaProducer(Stringtopic)throwsException{InputStreamin=Properties.class.getResourceAsStream("KafkaPperties");Propertiesprops=newProperties();props.load(in);ProducerConfigconfig=newProducerConfig(props);producer=newProducer<String,String>(config);}publicvoidsendMessage(Stringmsg){KeyedMessage<String,String>data=newKeyedMessage<String,String>(topic,msg);producer.send(data);producer.close();}publicstaticvoidmain(String[]args)throwsException{MyKafkaProducerproducer=newMyKafkaProducer("HelloTopic");Stringmsg="HelloKafka!";producer.sendMessage(msg);}}2.1大数据采集架构第二章数据采集与预处理of4215下面创建Comsumer，首先编写KafkaProperties文件：zk.connect=localhost:2181group.id=testgroupzookeeper.session.timeout.ms=500zookeeper.sync.time.ms=250erval.ms=1000上述参数配置，十分容易理解，具体的详细说明，可以参考Kafka的官方文档。下面的代码是使用Java编写了一个Kafka的Comsumer。importjava.io.InputStream;importjava.util.HashMap;importjava.util.List;importjava.util.Map;importjava.util.Properties;importkafka.consumer.ConsumerConfig;importkafka.consumer.ConsumerIterator;importkafka.consumer.KafkaStream;importkafka.javaapi.consumer.ConsumerConnector;importkafka.consumer.Consumer;

publicclassMyKafkaConsumer{privatefinalConsumerConnectorconsumer;privatefinalStringtopic;publicMyKafkaConsumer(Stringtopic)throwsException{InputStreamin=Properties.class.getResourceAsStream("KafkaPperties");Propertiesprops=newProperties();props.load(in);ConsumerConfigconfig=newConsumerConfig(props);consumer=Consumer.createJavaConsumerConnector(config);this.topic=topic;}publicvoidconsumeMessage(){Map<String,String>topicMap=newHashMap<String,String>();topicMap.put(topic,newInteger(1));Map<String,List<KafkaStream<byte[],byte[]>>>consumerStreamsMap=consumer.createMessageStreams(topicMap);List<KafkaStream<byte[],byte[]>>streamList=consumerStreamsMap.get(topic);for(finalKafkaStream<byte[],byte[]>stream:streamList){ConsumerIterator<byte[],byte[]>consumerIte=stream.iterator();while(consumerIte.hasNext())System.out.println("message::"+newString(consumerIte.next().message()));}if(consumer!=null)consumer.shutdown();}publicstaticvoidmain(String[]args)throwsException{StringgroupId="testgroup";Stringtopic="HelloTopic";MyKafkaConsumerconsumer=newMyKafkaConsumer(topic);consumer.consumeMessage();}}第二章数据采集与预处理2.1

2.2数据预处理原理2.3数据仓库与ETL工具习题大数据采集架构of42162.2数据预处理原理第二章数据采集与预处理通过数据预处理工作，可以使残缺的数据完整，并将错误的数据纠正、多余的数据去除，进而将所需的数据挑选出来，并且进行数据集成。数据预处理的常见方法有数据清洗、数据集成与数据变换。of42172.2数据预处理原理第二章数据采集与预处理填

充缺

失值数据属性分为数值属性和非数值属性进行处理，通过利用已存数据的多数信息来推测缺失值数据属性分为数值属性和非数值属性进行处理，通过利用已存数据的多数信息来推测缺失值大量采用同一属性值，可能会误导挖掘程序得出有偏差甚至错误的结论数据偏离的问题小，但该方法十分费时,不具备实际的可操作性通常当在缺少类标号时，通过这样的方法来填补缺失值利用均值替换缺失值忽略元组人工填写缺失值使用一个全局常量填充缺失值用属性的均值填充缺失值用同类样本的属性均值填充缺失值使用最可能的值填充缺失值of42182.2.1数据清洗2.2数据预处理原理第二章数据采集与预处理of4219分箱方法通过考察某一数据周围数据的值，即“近邻”来光滑有序数据的值。分箱01回归02光滑数据可以通过一个函数拟合数据来实现。线性回归的目标就是查找拟合两个属性的“最佳”线，使得其中一个属性可以用于预测出另一个属性。聚类03离群点可通过聚类进行检测，将类似的值组织成群或簇，离群点即为落在簇集合之外的值。许多数据光滑的方法也是涉及离散化的数据归约方法。噪声是被测量的变量的随机误差或方差。给定一个数值属性，如何才能使数据“光滑”，去掉噪声？下面给出数据光滑技术的具体内容。2.2数据预处理原理第二章数据采集与预处理of4220数据清洗可以视为一个过程，包括检测偏差与纠正偏差两个步骤：2纠正偏差1检查偏差可以使用已有的关于数据性质的知识发现噪声、离群点和需要考察的不寻常的值。这种知识或“关于数据的数据”称为元数据。即一旦发现偏差，通常需要定义并使用一系列的变换来纠正它们。但这些工具只支持有限的变换，因此，常常可能需要为数据清洗过程的这一步编写定制的程序。2.2数据预处理原理第二章数据采集与预处理（1）模式集成和对象匹配问题（2）冗余问题（3）元组重复（4）数据值冲突的检测与处理问题数据挖掘经常需要数据集成合并来自多个数据存储的数据。数据还可能需要变换成适于挖掘的形式。数据分析任务多半涉及数据集成。问题of42212.2.2数据集成2.2数据预处理原理第二章数据采集与预处理1、光滑。去除数据中的噪声2、聚集。对数据进行汇总或聚集。3、

数据泛化。使用概念分层，用高层概念替换低层或“原始”数据4、规范化。将属性数据按比例缩放，使之落入一个小的特定区间5、属性构造。可以构造新的属性并添加到属性集中，以帮助挖掘过程of42222.2.3数据变换数据变换的目的是将数据变换或统一成适合挖掘的形式。数据变换主要涉及以下内容：第二章数据采集与预处理2.1

2.2数据预处理原理2.3数据仓库与ETL工具习题大数据采集架构of42232.3数据仓库与ETL工具第二章数据采集与预处理数据仓库中的数据来自于多种业务数据源，这些数据源可能处于不同硬件平台上，使用不同的操作系统，数据模型也相差很远。如何获取并向数据仓库加载这些数据量大、种类多的数据，已成为建立数据仓库所面临的一个关键问题。of42242.3.1数据仓库与ETL工具数据仓库，是在企业管理和决策中面向主题的、集成的、随时间变化的、非易失性数据的集合。2.3数据仓库与ETL工具第二章数据采集与预处理如何获取并向数据仓库加载数据量大、种类多的数据，一般要使用专业的数据抽取、转换和装载工具，这些工具合并起来被称为ETL（Extract-Transform-Load）。InformaticaPowerCenter常用ETL工具IBMDatastageWarehouseBuilder（OWB）OracleDataIntegrator（ODI）MicrosoftSQLServerIntegrationServices开源Kettleof42252.3.2常用ETL工具2.3数据仓库与ETL工具第二章数据采集与预处理of4226PowerCenterIBMDatastageKettleInformatica的PowerCenter是一个可扩展、高性能企业数据集成平台，应用于各种数据集成流程，通过该平台可实现自动化、重复使用及灵活性IBMInfoSphereDataStage是一款功能强大的ETL工具，是IBM数据集成平台IBMInformationServer的一部分，是专门的数据提取、数据转换、数据发布的工具。Kettle是Pentaho中的ETL工具，Pentaho是一套开源BI解决方案。Kettle是一款国外优秀的开源ETL工具，由纯Java编写，可以在Windows、Linux、UNIX上运行，无须安装，数据抽取高效稳定。2.3数据仓库与ETL工具第二章数据采集与预处理of422701（1）Chef可使用户创