大数据开发的五个步骤

大数据的开发过程，如图1-1所示。

图 1-1大数据开发通用步骤图

上图只是一个简化后的步骤和流程，实际开发中，有的步骤可能不需要，有的还需要增加步骤，有的流程可能更复杂，因具体情况而定。

下面以Google搜索引擎为例，来说明以上步骤。

1. 大数据采集

Google的数据来源于互联网上的网页，它们由Google Spider（蜘蛛、爬虫、机器人）来抓取，抓取的原理也很简单，就是模拟我们人的行为，来访问各个网页，然后保存网页内容。

Google Spider是一个程序，运行在全球各地的Google服务器之中，Spider们非常勤奋，日夜不停地工作。

2008年Google数据表明，它们每天都会访问大约200亿个网页，而在总量上，它们追踪着300亿个左右的独立URL链接。

可以说，只要是互联网上的网站，只要没有在robots.txt文件禁止Spider访问的话，其网页基本上都会在很短的时间内，被抓取到Google的服务器上。

全球的网页，这是典型的大数据。因此，Google Spider所做的就是典型的大数据采集工作。

2. 大数据预处理

Google Spider爬取的网页，无论是从格式还是结构等，都不统一，为了便于后续处理，需要先做一些处理&