大数据,数据从哪里来?

本文涉及的产品
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
简介: 0、题记之前自己也做过一个大数据方面的讲座,讲解大数据背景、大数据原理、Hadoop(MapReduce、HDFS、分布式)、NoSql非关系型数据库存储、大数据应用(微博来源追踪、微信jiankong等)。诚然,大型互联网公司早已很早布局云计算、使用大数据。而中、小企业在大数据的浪潮下,也想分得一碗羹,这就遇到棘手的源头问题:大数据,数据从哪里来?

上下班路上,听过3期东方卫视《头脑风暴》,辩论大数据时代到底有没有到来。企业家站在各自的角度侃侃而谈。大致观点如下:

1)在某些领域,大数据已经切入并得到长足的应用:如打车、网购推荐等。

2)而在一些传统生产领域,数据的搜集、整理、存储都是问题,中、小企业工业4.0还远远没有普及实现。

一句话:大数据两级分化非常严重。


1、项目带来的思考——数据从哪里来?

最近项目可能需要实现类似天眼查的应用,详见官网:http://www.tianyancha.com/

天眼查是搜集网络资料的时候,从知乎偶然搜集到的。是目前为止:不用注册,就能查询想要的企业注册信息(非常快捷、个人观点)。


而我们也想得到企业数据信息,这就面临:数据从哪里来?


思路1:花钱买。

Google一搜一大把。都号称自己拥有全国的数据,良莠不齐。(技术人员鄙视的行为但确实是技术人员干出的活,非技术人员去销售)。

因此,该思路不可行。


思路2: 从工商局网站登记信息爬取,确保数据大而全(完整、真实)。

而工商网站目前支持:

1)企业名称全局检索;

2)企业组织代码全局输入检索;

难点:

1)每次输入都需要验证码验证。难点系数大。

2)不同省都是不同团队开发,验证码不同,网页结构不同。要解析网页需要不同的解析匹配规则。

3)需要结合注册码特点、分析并找到规律,构造出机构码。

网上分析可知,只有有限的几位有规律。

从已有的网上资源分析得知,中间8位左右是没有任何规律的。

这就造成:构造出来的范围会非常大,实际命中率低于万分之一,效率非常低。


思路3:网上爬取企业名称。

难点:

1)没有任何一家网站能覆盖全所有企业信息,即便是多个网站,去重、唯一识别后,信息也不全。

2)像天眼查这种网站,是很难实现爬虫爬取了,做了时间戳登陆、跳转等的限制。


2、从看似没有规律的数据中寻找规律

从已有的数据中提炼、分析数据,自己寻找规律。如:前3位大致的范围就那么10几种,而比自己去写000——999的1000种,精确了近100倍。

这样就能极大提高工作效率。

以上,只是列举一个小思路。


3、大数据如何利用?

首先,最重要的是要原封不动的存起来,并且要有备份存储。

大数据的5V特性的前提是,你得有数据。

数据要针对不同的特点,考虑不同的存储。

关系型考虑——关系型数据库:Mysql/Oracle.

非关系型考虑——非关系型数据库:MongoDB、Elastisearch(非严格意义上数据库,但可以用来存储)。

其次,对数据进行小范围分析,看能否找到规律。

再次,扩展数据到全局分析,寻找、发现规律。(不限于:去重、唯一、按时间、地名、名称等统计)。


4、真正带来价值,而非仅限于炒概念才是王道。

这是我的观点。哪怕数据少点,但确保数据真实。

利用真实的数据分析,逐步积累完善,并循环起来,大数据才能真正指导我们的生活,为客户带来更高价值。

相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
相关文章
|
3月前
|
存储 机器学习/深度学习 分布式计算
大数据技术——解锁数据的力量,引领未来趋势
【10月更文挑战第5天】大数据技术——解锁数据的力量,引领未来趋势
|
2天前
|
SQL 数据可视化 大数据
从数据小白到大数据达人:一步步成为数据分析专家
从数据小白到大数据达人:一步步成为数据分析专家
126 92
|
2月前
|
存储 分布式计算 数据挖掘
数据架构 ODPS 是什么?
数据架构 ODPS 是什么?
589 7
|
2月前
|
存储 分布式计算 大数据
大数据 优化数据读取
【11月更文挑战第4天】
72 2
|
18天前
|
分布式计算 Shell MaxCompute
odps测试表及大量数据构建测试
odps测试表及大量数据构建测试
|
2月前
|
数据采集 监控 数据管理
数据治理之道:大数据平台的搭建与数据质量管理
【10月更文挑战第26天】随着信息技术的发展,数据成为企业核心资源。本文探讨大数据平台的搭建与数据质量管理,包括选择合适架构、数据处理与分析能力、数据质量标准与监控机制、数据清洗与校验及元数据管理,为企业数据治理提供参考。
124 1
|
5天前
|
数据采集 存储 分布式计算
解密大数据:从零开始了解数据海洋
解密大数据:从零开始了解数据海洋
43 17
|
2月前
|
机器学习/深度学习 存储 大数据
在大数据时代,高维数据处理成为难题,主成分分析(PCA)作为一种有效的数据降维技术,通过线性变换将数据投影到新的坐标系
在大数据时代,高维数据处理成为难题,主成分分析(PCA)作为一种有效的数据降维技术,通过线性变换将数据投影到新的坐标系,保留最大方差信息,实现数据压缩、去噪及可视化。本文详解PCA原理、步骤及其Python实现,探讨其在图像压缩、特征提取等领域的应用,并指出使用时的注意事项,旨在帮助读者掌握这一强大工具。
144 4
|
2月前
|
存储 大数据 数据管理
大数据分区简化数据维护
大数据分区简化数据维护
35 4
|
2月前
|
存储 大数据 定位技术
大数据 数据索引技术
【10月更文挑战第26天】
84 3

热门文章

最新文章