大数据采集技术简述

大数据之数据采集
大数据体系一般分为：数据采集、数据计算、数据服务、以及数据应用 几大层次。

在数据采集层，主要分为 日志采集 和 数据源数据同步。

日志采集
根据产品的类型 又有可以分为：

• 浏览器页面 的日志采集
• 客户端 的日志采集

浏览器页面采集：
主要是收集页面的 浏览日志（PV/UV等） 和 交互操作日志（操作事件）。

这些日志的采集，一般是在页面上植入标准的统计JS代码来进执行。但这个植入代码的过程，可以在页面功能开发阶段由开发同学手动写入，也可以在项目运行的时候，由服务器在相应页面请求的时候动态的植入。

事实上，统计JS在采集到数据之后，可以立即发送到数据中心，也可以进行适当的汇聚之后，延迟发送到数据中心，这个策略取决于不同场景的需求来定。

页面日志在收集上来之后，需要在服务端进行一定的清晰和预处理。
比如 清洗假流量数据、识别攻击、数据的正常补全、无效数据的剔除、数据格式化、数据隔离等。

客户端日志采集：
一般会开发专用统计SDK用于APP客户端的数据采集。

客户端数据的采集，因为具有高度的业务特征，自定义要求比较高，因此除应用环境的一些基本数据以外，更多的是从 “按事件”的角度来采集数据，比如 点击事件、登陆事件、业务操作事件 等等。

基础数据可由SDK默认采集即可，其它事件由业务侧来定义后，按照规范调用SDK接口。

因为现在越来越多APP采用Hybrid方案，即 H5 与 Native相结合的方式，因此对于日志采集来说，既涉及到H5页面的日志，也涉及到Native客户端上的日志。在这种情况下，可以分开采集分开发送，也可以将数据合并到一起之后再发送。

常规情况下是推荐将 H5上的数据往Native上合并，然后通过SDK统一的发送。这样的好处是 既可以保证采集到的用户行为数据在行为链上是完整的，也可以通过SDK采取一些压缩处理方案来减少日志量，提高效率。

APP上的数据采集，还有一点比较重要的就是唯一ID了，所有的数据都必须跟唯一ID相关联，才能起到更好的分析作用，至于移动设备唯一ID我在上一篇文章中有详细讲到。

日志收集，还有很重要的一条原则就是 “标准化”、“规范化”，只有采集的方式标准化、规范化，才能最大限度的减少收集成本，提高日志收集效率、更高效的实现接下来的统计计算。

数据源数据同步
根据同步的方式 可以分为：

• 直接数据源同步
• 生成数据文件同步
• 数据库日志同步

直接数据源同步：
是指直接的连接业务数据库，通过规范的接口（如JDBC）去读取目标数据库的数据。这种方式比较容易实现，但是如果业务量比较大的数据源，可能会对性能有所影响。

生成数据文件同步：
是指从数据源系统现生成数据文件，然后通过文件系统同步到目标数据库里。
这种方式适合数据源比较分散的场景，在数据文件传输前后必须做校验，同时还需要适当进行文件的压缩和加密，以提高效率、保障安全。

数据库日志同步：
是指基于源数据库的日志文件进行同步。现在大多数数据库都支持生成数据日志文件，并且支持用数据日志文件来恢复数据。因此可以使用这个数据日志文件来进行增量同步。
这种方式对系统性能影响较小，同步效率也较高。

数据采集本身不是目的，只有采集到的数据是可用、能用，且能服务于最终应用分析的数据采集才是根本。