本書共有九章，從數(shù)據(jù)采集與預(yù)處理概述開始，介紹了大數(shù)據(jù)環(huán)境的搭建，并對數(shù)據(jù)采集與數(shù)據(jù)預(yù)處理的技術(shù)方法進(jìn)行了系統(tǒng)介紹。數(shù)據(jù)采集的內(nèi)容包括Flume日志數(shù)據(jù)采集、Kafka日志數(shù)據(jù)采集、Fluentd與Logstach等一系列數(shù)據(jù)采集技術(shù)；數(shù)據(jù)預(yù)處理的內(nèi)容包括網(wǎng)絡(luò)爬蟲采集Web數(shù)據(jù)、Python數(shù)據(jù)預(yù)處理技術(shù)、Kettle數(shù)據(jù)處理技術(shù)、Pig和OpenRefine這些數(shù)據(jù)預(yù)處理技術(shù)。旨在讓讀者了解并基本掌握當(dāng)下主要的數(shù)據(jù)采集與預(yù)處理技術(shù)、工具，以及它們的使用方法。