版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/dream_follower/article/details/83216401
1.大数据采集
- 大数据采集包含：系统日志采集方法、网络数据采集方法(通过网络爬虫实现)、其他数据采集(通过特定的接口)
1.1 系统日志采集方法
Flume： 分布式日志收集系统，最初由Cloudera 开发，现是Apache的一个开源项目
Chukwa：开源分布式数据收集系统，是Hadoop 的组成部分，构建在 hdfs 和 map/reduce 框架之上
Scrible：Scribe是facebook开源的日志收集系统，在facebook内部已经得到大量的应用
Kafka：最早是LinkedIn的开发的消息系统，现是Apache的一个开源项目
2数据预处理原理
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。
2.1数据清洗
噪声的处理
数据清洗可以视为一个过程，包括检测偏差和纠正偏差两个步骤。
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。
纠正偏差: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
