Dataudtræk

Dataudtræk er den handling eller proces med at hente data ud af datakilder til forarbejdning yderligere data eller datalagring. Indførsel til mellemliggende udvinding systemet er således efterfølges normalt af data transformation og eventuelt tilsætning af metadata inden eksport til en anden fase i arbejdsprocessen data.

Normalt er udtrykket dataudtræk anvendes, når data først importeres til en computer fra primære kilder, ligesom måling eller registrering af enheder. Dagens elektroniske enheder vil normalt præsentere et elektrisk stik, hvorigennem "rå data" kan streames til en personlig computer.

Typiske ustrukturerede datakilder omfatter websider, e-mails, dokumenter, PDF-filer, scannet tekst, mainframe rapporter, spool filer osv udtræk af data fra disse ustrukturerede kilder er vokset til en betydelig teknisk udfordring, hvor som historisk dataudtræk har måttet beskæftige sig med ændringer i den fysiske hardware formater, de fleste af de nuværende data udvinding handler udtrække data fra disse ustrukturerede datakilder, og fra forskellige software-formater. Denne voksende proces med udtræk af data fra internettet omtales som web skrabning.

Det handler om at tilføje struktur til ustrukturerede data tager en række former

  • Brug tekst mønstertilpasning såsom regulære udtryk til at identificere små eller store struktur, f.eks poster i en rapport og deres tilhørende data fra sidehoveder og sidefødder;
  • Ved hjælp af en tabel tilgang til at identificere fælles afsnit inden for et begrænset område, f.eks i emailet genoptages, identificere færdigheder, tidligere erhvervserfaring, kvalifikationer etc. ved hjælp af et standard sæt af almindeligt anvendte overskrifter, fx Uddannelse kan findes under Uddannelse / kvalificering / Kurser;
  • Brug tekstanalyse til at forsøge at forstå teksten og knytte det til andre oplysninger
  0   0
Forrige artikel Aaron Gorrell
Næste artikel Étant donnés

Kommentarer - 0

Ingen kommentar

Tilføj en kommentar

smile smile smile smile smile smile smile smile
smile smile smile smile smile smile smile smile
smile smile smile smile smile smile smile smile
smile smile smile smile
Tegn tilbage: 3000
captcha