当代，高新技术发展迅速，大数据作为新兴潜力股也发展迅猛，人们不断探索数据分析、数据处理以及数据可视化等的深度，那么，活在这个时代的你，对结构化与非结构化数据了解多少？对多源异构数据源又多少了解？下面让我们一起来详细学习一下吧。

结构化与非结构化数据的区别：

①结构化数据:指关系模型数据,即以关系数据库表形式管理的数据,结合到典型场景中更容易理解，比如企业ERP、OA、HR里的数据。 ②非结构化数据：指数据结构不规则或不完整，没有预定义的数据模型，不方便用数据库二维逻辑表来表现的数据。如word、pdf、ppt及各种格式的图片、视频等。 其实除了结构化和非结构化数据，还有一类是半结构化数据，那什么是半结构化数据？ ③半结构化数据：指非关系模型的、有基本固定结构模式的数据，例如日志文件、XML文档、JSON文档、E-mail等。

延伸问题：要如何处理这三种多源异构数据源？

1、针对多元结构化数据多源异构数据源的融合，主要关注在数据的ETL处理以及时效性上 ①表结构不同，需要做到不同类型的字段映射； ②假如要新增表字段的时候，需要新增列； ③若有表字段需要进行二次处理规范，需要支持字段转换，比如公式或其他； ④新增表设计时，需要保证三大范式； ⑤数据同步的时效性，例如实时同步、半小时一次、或者一天一次、或者说是需要实时同步融合，这个要根据具体业务场景来确认。 2、针对半结构化、非结构化数据，因为数据分散，缺乏统一管理，需要借用专业工具 目前有两种方式来处理半结构、非结构化数据： ①提取半结构、非结构化数据中的关键信息，到结构化数据中进行二次利用，比较好处理的是半结构化（json、xml）、excel、csv，因为这种数据的结构比较统一。 ②向word、PDF这种文件提取关键信息，假如是单个文本的话，市面上有些工具可能可以实现，但假如是大批量的话，可能就需要通过程序，去自定义一些正则表达式去进行关键信息的提取。这种一般来说，因为格式不一致，以及用途不一致，所以程序自定义的比较多。 3、针对这种的话，会综合考虑数据价值和投入产出比，因为这部分的数据处理较为复杂。 若想提高投入产出比，可用例如FineDataLink这类专业工具，去支持结构化/半结构化数据的融合集成，面向ETL数据处理场景，也可以让数据编排更简单一些，提高数据的使用价值。 另外，如若这部分历史文件需要做到备份的话，会通过FTP或者SFTP将文件进行备份存储到文件服务器，进行文件业务分类、文件名、路径的统一管理，提供统一入口，通过权限管理的方式给到大家下载使用。