Получение и визуализация данных

Многоступенчатый анализ данных
Сбор
Анализ
Визуализация
Очищение /
Обработка
(5, 1.0, 0.985, 3, u'http://www.dr..')
(3, 1.0, 2.135, 4, u'http://www.dr..')
(1, 1.0, 0.659, 2, u'http://www.dr..')
(1, 1.0, 0.659, 5, u'http://www.dr..')
....
Источник данных

Технологии интеллектуального анализа данных
https://hadoop.apache.org/
http://spark.apache.org/
https://aws.amazon.com/redshift/
http://community.pentaho.com/
....

«Интеллектуальный анализ персональных данных»
Наша цель — помочь вам стать лучше в программировании, а не сделать из вас экспертов по интеллектуальному анализу данных

Геодата (Geodata)
Создает Google-карту на основе введенных пользователем данных
Использует Google Geodata API
Кэширует данные в базе данных, чтобы избежать ограничения скорости обработки запросов и позволяет перезагрузку базы данных
Отображается в браузере, используя Google Maps API
http://www.py4e.com/code3/geodata.zip

geodata.sqlite
geoload.py
geodump.py
Северо-Восточный Университет, ... Бостон, Массачусетс 02115, США 42.3396998 -71.08975
Университет Брэдли, 1501 ... Пеория, Иллинойс 61625, США 40.6963857 -89.6160811
...
Technion, Viazman 87, Kesalsaba, 32000, Израиль 32.7775 35.0216667
Университет Монаша Клейтон... Виктория 3800, Австралия -37.9152113 145.134682
Кокшетау, Казахстан 53.2833333 69.3833333
...
12 записей в файле where.js
Откройте файл where.html, чтобы посмотреть данные в окне браузера
where.data
where.js
where.html
http://www.py4e.com/code3/geodata.zip

Пэйдж-ранк
Пишет простой поисковый робот для веб-страниц
Вычисляет простую версию алгоритма ранжирования Google
Отображает получившуюся сеть
http://www.py4e.com/code3/pagerank.zip

Архитектура поисковой системы
Поисковый робот
Индексирование
Поиск
http://infolab.stanford.edu/~backrub/google.html

Поисковый робот («веб-паук») — автоматизированная компьютерная программа, которая систематически просматривает Интернет. Поисковые роботы обычно используются для создания копий всех посещенных страниц, которые затем будут обработаны поисковой системой. Она проиндексирует загруженные страницы, чтобы обеспечить быстрый поиск результатов.
Поисковый робот
https://ru.wikipedia.org/wiki/Поисковый_робот

Поисковый робот
Извлекает информацию со страницы
Просматривает страницу на предмет ссылок на другие страницы
Добавляет ссылки в список, чтобы затем извлечь информацию с этих страниц
Повторяет процесс...
https://ru.wikipedia.org/wiki/Поисковый_робот

Политика сканирования
политика выбора указывает страницы для загрузки
политика повторного посещения указывает, когда проверять наличие изменений на страницах
политика вежливости указывает, как избежать перегрузки веб-сайта
политика параллелизации определяет, как координировать распределенные поисковые роботы

Протокол robots.txt
Способ взаимодействия сайта с поисковыми роботами
Неформальный добровольный стандарт
Иногда администраторы сайта делают «Ловушку для пауков», чтобы отловить «плохих» пауков
https://ru.wikipedia.org/wiki/Стандарт_исключений_для_роботов
http://en.wikipedia.org/wiki/Spider_trap
User-agent: *
Disallow: /cgi-bin/
Disallow: /images/
Disallow: /tmp/
Disallow: /private/
*Запретить

Архитектура Google
Веб-сканирование
Индексация
Поиск
http://infolab.stanford.edu/~backrub/google.html

Поисковая машина индексирует, обрабатывает и хранит данные для обеспечения быстрого и точного поиска информации.
Целью хранения индекса является повышение скорости и производительности поиска релевантных документов по поисковому запросу. Без индекса поисковая машина была бы вынуждена сканировать каждый документ в корпусе, что потребовало бы большого количество времени и вычислительной мощности.
Поисковый индекс
https://ru.wikipedia.org/wiki/Поисковый_индекс

spider.sqlite
spider.py
spdump.py
(5, None, 1.0, 3, u'http://www.dr-chuck.com/csev-blog')
(3, None, 1.0, 4, u'http://www.dr-chuck.com/dr-chuck/resume/speaking.htm')
(1, None, 1.0, 2, u'http://www.dr-chuck.com/csev-blog/')
(1, None, 1.0, 5, u'http://www.dr-chuck.com/dr-chuck/resume/index.htm')
4 строки.
force.js
force.html
d3.js
http://www.py4e.com/code3/pagerank.zip
spreset.py
sprank.py
spjson.py

Списки почтовой рассылки
Gmane
Сканирует архив списка рассылки
Производит анализ / очистку
Представляет данные в виде облака из слов, расположенных по линиям
http://www.py4e.com/code3/gmane.zip

Предупреждение: если набор данных превышает 1Гб,
не настраивайте использование gmane.org из своего приложения
Нет ограничения частоты запросов – это круто!
Для тестирования используйте:
http://mbox.dr-chuck.net/sakai.devel/4/5

content.sqlite
gmane.py
Сколько вывести на экран? 5
Loaded messages= 51330 subjects= 25033 senders= 1584
Top-5 участников e-mail рассылки
[email protected]
2657
[email protected]
1742
[email protected]
1591
[email protected]
1304
[email protected]
1184
...
mbox.dr-chuck.net
gword.js
gword.htm
d3.js
http://www.py4e.com/code3/gmane.zip
gword.py
gmodel.py
gbasic.py
gline.js
gline.htm
d3.js
gline.py
content.sqlite
mapping.sqlite