新华智云是一家致力于通过大数据技术驱动媒体变革的公司，数芯是新华智云推出的实时舆情分析平台，旨在满足用户一系列舆情分析需求。包括：对事件、新闻、媒体、人物、地域、机构、行业，甚至关键词、热门话题等的抓取、识别、聚合、热度分析以及可视化展示等。

• 总览
  
  
• 事件跟踪
  
  

系统设计

网络舆情是社会舆论的一种表现形式，通俗的说是人们通过网络表达对某些社会事件的看法和态度。网络舆情以事件为载体，以事件为核心，是广大网民情感、态度、观点的表达、传播、互动以及后续影响力的总和。

一个舆情分析分析系统，主要解决的问题包括：发现事件、跟踪事件、发掘观点、评估影响力等。

• 系统挑战
  • 舆情分析系统需要对接多个上下游
    • 数据上游：爬虫数据和采购数据。爬虫采集不同数据结构类型的平台数据。
    • 数据下游：写入不同的存储系统。如统计结果写入RDS，清洗后数据写到OTS中，文章存储到ES中做索引等等。
    如果设计不合理，多上下游将会极大影响系统复杂度。
  • 数据处理过程包括数据清洗和数据统计
    • 清洗过程既有基于规则的信息抽取，又有基于算法的实体识别。
    • 统计过程需要先把数据结构化拼装，然后按照各种维度进行灵活的统计。

  • 具有自我迭代的能力

    设计良好的舆情分析系统应该具有自我迭代的能力，能够根据历史数据进行优化，不断提供系统效能。
• 系统架构

  大数据舆情分析系统架构图如下。

  
  
  
  • 舆情规划是整个系统的控制器，控制着舆情发现的目标、信息源等；
  • 信息获取是舆情分析的基础，能够快速、准确的获取足量信息是系统成功的前提；
  • 信息处理与算法部分是舆情分析的关键，担负着把原始数据加工成信息与知识的重任，并且对归档后的数据进一步分析能够发现系统问题、发现新的事件和新的模型，能够进一步提升系统效果；
  • 最终的信息要服务的形式的暴露出来，为人所用；
• 信息处理
  数芯平台的信息处理部分如下图所示。 
  
  
  • 数据来源（注：数据采集成功后统一发布到DataHub中）
    • 爬虫：实时的去各大网站、微博、微信等内容平台抓取数据。
    • 从其他机构采集数据。
  • 数据处理

    实时计算订阅DataHub然后进行数据处理。数据处理包括两个重要的部分：实时数据流和算法服务API。

    • 实时数据流
      通过实时计算串起整个实时数据流，总体包括对数据进行清洗、提取目标，整理成结构化的数据，然后按照所需维度对结构化的数据进行聚合。并且要把原始数据、结构化的数据、汇总的结果都发布到下游存储系统中。

      • 数据清洗：对爬虫抓取的数据进行清洗，比如垃圾过滤、文本去重等。这一步通过实时计算提供的UDX（自定义函数）来调用算法服务API来完成；
      • 目标提取：从已经完成清洗的数据中抽取出感兴趣的目标，比如抽取实体（人物、地点、事件等），对内容的情感评分，抽取文章关键词等，这一步的目标是从非结构化的文本中抽取结构化的信息；
      • 结果聚合：对已经结构化的数据按维度聚合，比如某事件的按天计数，某新闻的传播热度等。最终把这些聚合信息联合原始信息分别写到下游存储中去。
    • 算法服务API

      预先训练好模型，把垃圾过滤、文本去重、实体提取、情感打分、关键词提取等暴露成API服务，供实时计算调用。

  • 数据存储与服务

    RDS保存聚合数据，OTS保存原始新闻，ES对新闻建立索引，提供搜索服务，这三个数据存储直接为最终产品服务。

总结

数芯之前数据处理部分使用的是自建的spark，需要自行运维和对接各种上下游系统，迁移到了阿里云实时计算平台，整体收益包括：

• 运维成本：免运维，阿里云提供高保障。
• 对接上下游：直接注册，免开发。
• 开发成本：SQL开发，效率高，门槛低。
• 数据流：一个产品串起整个数据流，ETL用UDX，统计用SQL。

从更高的维度上看，这个案例属于实时ETL场景，实时ETL的目标把数据从a投递到b，中间进行清洗、格式转化、信息抽取等。如果对吞吐、实时性有一定要求，可以在方案阶段优先考虑实时计算产品。

注：本文部分内容来自新华智云工程师杨丛聿的分享，特此感谢。

如果您有需求，欢迎联系付空。