引言

数据源的分类，大体可以分为三类：结构化数据，半结构化数据，非结构化数据

开始

我仅对我工作中接触的数据和使用的方法做总结，不免有些遗漏或错误。

首先，我们面临的数据源多而杂，有来自公司自有平台的数据，来自第三方现有的数据，来自通过爬取获取的数据。

自有平台数据的采集

自有平台的数据包括：自有系统中的数据和各个部门手动整理的历史数据
（1）自有系统的数据，存放在oracle数据库中，而我们抽取的数据统一放在一个数据平台，数据平台采用的数据库为mongodb。所以自有系统的数据采集，关键是如何从oracle到mongodb中。

• 如果采集的数据对实时性要求比较高，那么采用ogg实时迁移方案。
  oracle to oracle迁移方案
  oracle to mongodb迁移方案
• 如果采集数据对实时性要求不高，那么采用定时的迁移方案：使用etl工具进行数据迁移（spoon）

（2）自有数据，还有一部分是以csv或txt的形式存在
如果对实时性要求比较高：使用flume对日志进行收集，然后存放的mongodb中
如果对实时性要求不高：使用mongodbimport工具导入mongodb即可

第三方现有数据的采集半结构化数据

仅有自有的数据是不足以支撑业务需求的分析，所以收集第三方数据是必须的，第三方的数据来源就多种多样了，大体可以二类：来自数据库中的半结构化数据，来自文件的半结构化数据

如果数据来自关系型数据库mysql或oracle，并且提供的是dmp文件，那么就需要将获取的数据存入到mongodb。这里提供两种思路：
（1）先将数据存入oracle或mysql，然后使用上述迁移方案完成数据的采集
（2）直接将获取的数据，使用工具导入到oracle

如果数据提供的是txt或csv文件，那么直接使用mongoimport导入mongodb

非结构化数据采集

这一节，没多少要讲的。因为没有接触很深，但是后续是个必须的过程。使用python爬取各种数据，存储成csv或txt文件

爬取的文件，再使用mongodbimport导入mongodb中

由于要提供数据的可视化和搜索平台，建议使用ELK的技术栈，所以数据的收集使用Logstash

<b>下一章节总结一下数据的规整