统一数据接入实践分享
统一数据接入
数据接入就是对于不同的数据来源、不同的合作伙伴，完成数据采集、数据传输、数据处理、数据缓存到行业统一的数据平台的过程。
大数据接入处理面临的问题
数据接入的三个阶段
前
0.非结构化数据----（word，excel，图片，pdf，扫描件，视频）
1.文本文件----(txt，csv)----utf-8
（踩过的坑-gbk编码和数据中换行符触发spark2.2 加载文件的bug（multiline 和gbk 不能共同作用））
2.数据库（full dump，请求接口）
3.去ioe，集群迁徙
数据格式，字段，内容要求：
非结构化数据
0. 标签，背景模板，文档说明
结构化数据
数据字典，ER图，数据流图，系统截图，新人入职培训说明
1.所有文本文件要求编码格式utf8，csv 要求双引号包裹（字段中不要有回车换行）
2.数据库full dump 给出导出脚本及日志（yiyong数据的坑----没有导出脚本，看着报错一步步推断）
3.请求接口给出请求文档，及支持的最大并发数等指标
中
针对不同的数据来源，确定数据最终存储的格式，地点
后
1.数据质量核查
2.描述性统计分析
接入技术分析
批处理
优点：数据覆盖面广，时间跨度长，支撑业务范围广 ，计算准确度高；依靠历史数据预先计算相关数据模型
缺点：数据实效性不足 存储空间、存储类型需求大
流式
优点：高效查询、快速响应、“热数据”价值高效利用
缺点：上下文关联密切场景业务支撑不足
1.数据接入手段
1）socket方式
c/s交互模式，传输协议采用tcp/udp
优点：1.易于编程，java提供了多种框架，屏蔽了底层通信细节以及数据传输转换细节。2.容易控制权限。通过传输层协议https，加密传输的数据，使得安全性提高
3.通用性比较强，无论客户端是.net架构，java，python 都是可以的。尤其是webservice规范，使得服务变得通用
缺点：1.服务器和客户端必须同时工作，当服务器端不可用的时候，整个数据交互是不可进行。2 当传输数据量比较大的时候，严重占用网络带宽，可能导致连接超时。使得在数据量交互的时候，服务变的很不可靠
2）ftp/文件共享服务器方式
适合大数据量的交互，约定文件格式、命名规则。批量处理数据
优点：
在数据量大的情况下，可以通过文件传输，不会超时，不占用网络带宽
方案简单，易操作
缺点：
实时性不强
必须约定文件数据的格式，当改变文件格式的时候，需要各个系统都同步做修改
3）message形式
Java消息服务（Java Message Service）是message数据传输的典型的实现方式。
系统A和系统B通过一个消息服务器进行数据交换。系统A发送消息到消息服务器，如果系统B订阅系统A发送过来的消息，消息服务器会消息推送给B。双方约定消息格式即可。目前市场上有很多开源的jms消息中间件，比如 使用较多的消息队列有ActiveMQ，RabbitMQ，ZeroMQ，Kafka，MetaMQ，RocketMQ等
优点：
1 由于jms定义了规范，有很多的开源的消息中间件可以选择，而且比较通用。接入起来相对也比较简单
2 通过消息方式比较灵活，可以采取同步，异步，可靠性的消息处理，消息中间件也可以独立出来部署。
缺点：
1.学习jms相关的基础知识，消息中间件的具体配置，以及实现的细节对于开发人员来说还是有一点学习成本的
2 在大数据量的情况下，消息可能会产生积压，导致消息延迟，消息丢失，甚至消息中间件崩溃。
Flume+kafka
Flume作为日志收集工具，监控一个文件目录或者一个文件，当有新数据加入时，收集新数据发送给Kafka。Kafka用来做数据缓存和消息订阅。Kafka里面的消息可以定时落地到HDFS上，也可以用Spark Streaming来做实时处理，然后将处理后的数据落地到HDFS上。
Flume采集数据都是按行分割的，一行代表一条记录。如果原始数据不符合要求，需要对数据进行预处理。
数据库文件
1.Imp/exp方式使用dmp文件直接导入目标库
2.sqoop 关系型数据库与hadoop生态系统（hive,hdfs）进行数据转移
ETL（Extract-Transform-Load ）工具：构建数据仓库
用户从数据源抽取出所需的数据，经过数据清洗，最终按照预先定义好的数据仓库模型，将数据加载到数据仓库中去
Apache Camel、Apache Kafka、Apatar、Heka、Logstash、Scriptella、Talend、Kettle
2.接入技术选择
1.ETL工具
（Extract-Transform-Load ）
2.定制研发
参考文献
《数据平台的实践及思考》 杨剑飞
