大数据数据采集工具简介

随着大数据技术体系的发展，越来越多的企业应用大数据技术支撑自己的业务发展。数据采集作为大数据的起点，是企业主动获取数据的一种重要手段。数据采集的多样性、全面性直接影响数据质量。
企业获取数据的渠道分为内部和外部两个渠道。内部渠道包含自己建设的业务系统，如电商系统、门户网站、门户论坛等。外部渠道包含爬虫系统爬取的数据、三方合作平台数据、公共社交平台数据等。那么如何从这些渠道获取数据？下面简单地介绍一下常用的数据采集工具。
结构化数据采集工具。
结构化数据在分析型的原始数据占比比较大，大部分经过预处理进入数据仓库进一步多维分析和数据挖掘。常用的数据采集工具有：

1 Apache Flume
支持离线与实时数据导入，是数据集成的主要工具。
2 Apache Sqoop
主要使用JDBC等工具连接关系型数据库与Hadoop生态圈的文件系统，通过配置文件配置双向连接信息后，通过命令完成数据的导入导出。
半结构化数据采集工具
半结构化的数据多见于日志格式。对于日志采集的工具，比较常见的是
1 Logstash
Logstash与ElasticSearch、Kibana并称为ELK，是采集日志的黄金搭档。
2 Apache Flume也多用于日志文本类数据采集。
非结构化数据采集工具
1 DataX
DataX轻量级中间件，在关系型数据库导入导出性能比较优异。支持多种数据类型的导入导出。
流式数据采集工具
1 Kafka
性能优异超高吞吐量。
Binlog日志采集工具
1 Canal
基于MySQL数据库增量日志解析提供增量日志订阅和消费功能。
爬虫采集框架与工具
1 Java栈，Nutch2、WebMagic等。
2 Python栈，Scrapy、PySpider