什么是数据采集
数据采集，又称数据获取，是利用一种装置，从系统外部采集数据并输入到系统内部的一个接口。数据采集技术广泛应用在各个领域。比如摄像头，麦克风，都是数据采集工具。
在互联网行业快速发展的今天，数据采集已经被广泛应用于互联网及分布式领域，数据采集领域已经发生了重要的变化。首先，分布式控制应用场合中的智能数据采集系统在国内外已经取得了长足的发展。其次，总线兼容型数据采集插件的数量不断增大，与个人计算机兼容的数据采集系统的数量也在增加。国内外各种数据采集机先后问世，将数据采集带入了一个全新的时代。
数据采集的三大要点：
采集的全面性：采集的数据量足够大具有分析价值、数据面足够支撑分析需求。比如查看app的使用情况这一行为，我们需要采集从用户触发时的环境信息、会话、以及背后的用户id，最后需要统计这一行为在某一时段触发的人数、次数、人均次数、活跃比等。
采集的多维性：数据更重要的是能满足分析需求。灵活、快速自定义数据的多种属性和不同类型，从而满足不同的分析目标。比如“查看app的使用情况”这一行为，我们需要采集用户使用的app的哪些功能、点击频率、使用时常、打的app的时间间隔等多个属性。才能使采集的结果满足我们的数据分析！
采集的高效性：高效性包含技术执行的高效性、团队内部成员协同的高效性以及数据分析需求和目标实现的高效性。
数据采集的四大步骤：
明确数据需求：
由于客户所处行业不同，诉求也就各不一样。所以首先必须明确客对于数据的最终用途，确定客户需求。根据客户所需搜集的数据信息与客户沟通之后，总结需要收集的字段。
2.调研数据来源：
根据客户需求确定数据采集范围。然后锁定采集范围和对采集的数据量进行预估。细化客户需求，研究采集方向。
3.确定用什么采集工具、软件、代码
面对不同的网站我们只有选择更加合适的组合才能使采集结果更加有效。
4.确定存储的方式：
根据采集量的大小对数据储存的方式进行划分。比较小的数据，一般使用excel表格存储；几千万的大型数据，选择数据库存储；对于GB级别的数据，就得用Hadoop、Spark、Redis等分布式存储和处理技术的方法才能做到较好的管理和计算。选择正确数据存储的方式使客户对数据的使用与管理更加便捷。
