数芯平台的信息处理架构是什么？

● 数据来源（注：数据采集成功后统一发布到 DataHub 中）

○ 爬虫：实时的去各大网站、微博、微信等内容平台抓取数据。

○ 从其他机构采集数据。

● 数据处理 实时计算订阅 DataHub 然后进行数据处理。数据处理包括两个重要的部分： 实时数据流和算法服务 API。

● 实时数据流 通过实时计算串起整个实时数据流，总体包括对数据进行清洗、提取目标，整 理成结构化的数据，然后按照所需维度对结构化的数据进行聚合。并且要把原始数据、结构化的数据、汇总的结果都发布到下游存储系统中。

○ 数据清洗：对爬虫抓取的数据进行清洗，比如垃圾过滤、文本去重等。这一步通过实时计算提供的 UDX（自定义函数）来调用算法服务 API来完成；

○ 目标提取：从已经完成清洗的数据中抽取出感兴趣的目标，比如抽取实体 （人物、地点、事件等），对内容的情感评分，抽取文章关键词等，这一步的目标是从非结构化的文本中抽取结构化的信息；

○ 结果聚合：对已经结构化的数据按维度聚合，比如某事件的按天计数，某新闻的传播热度等。最终把这些聚合信息联合原始信息分别写到下游存储中去。

● 算法服务 API 预先训练好模型，把垃圾过滤、文本去重、实体提取、情感打分、关键词提取等暴露成 API 服务，供实时计算调用。

● 数据存储与服务 RDS 保存聚合数据，OTS 保存原始新闻，ES 对新闻建立索引，提供搜索服务，这三个数据存储直接为最终产品服务。

以上内容摘自《5天入门视觉AI》电子书，点击https://developer.aliyun.com/topic/download?id=31可下载完整版