首先，数据获取分两大类，数据交换购买以及数据采集。
数据采集主要又分两大类：
自产（SDK采集、埋点）
API采集
SDK采集，核心是提供服务，在基于服务顺带采集部分数据。例如MobTech的ShareSDK，初衷是为了解决分享以及授权登录的功能，然后才是采集数据。这里的难点是思维上的转变以及数据获取上的壁垒攻克。
埋点其实和SDK采集类似，当前其实更趋向无埋点。
爬虫，也即是API采集。根据自己数据仓库需要去请求外部的API。例如基站定位查询、IP查询、微博舆情等等。爬虫的学问也挺多，爬虫Robots协议、反爬虫、投毒等等。
个人建议根据最小可行性方案，然后再去考虑是数据采集还是数据交换购买，再以此制定一些方案等。
1、离线搜集：
工具：ETL;
在数据仓库的语境下，ETL基本上便是数据搜集的代表，包括数据的提取(Extract)、转换(Transform)和加载(Load)。在转换的过程中，需求针对具体的事务场景对数据进行治理，例如进行不合法数据监测与过滤、格式转换与数据规范化、数据替换、确保数据完整性等。
2、实时搜集：
工具：Flume/Kafka;
实时搜集首要用在考虑流处理的事务场景，比方，用于记录数据源的履行的各种操作活动，比方网络监控的流量办理、金融运用的股票记账和 web 服务器记录的用户访问行为。在流处理场景，数据搜集会成为Kafka的顾客，就像一个水坝一般将上游源源不断的数据拦截住，然后依据事务场景做对应的处理(例如去重、去噪、中心核算等)，之后再写入到对应的数据存储中。
3、互联网搜集：
工具：Crawler, DPI等;
Scribe是Facebook开发的数据(日志)搜集体系。又被称为网页蜘蛛，网络机器人，是一种按照一定的规矩，自动地抓取万维网信息的程序或者脚本，它支持图片、音频、视频等文件或附件的搜集。
除了网络中包含的内容之外，关于网络流量的搜集能够运用DPI或DFI等带宽办理技术进行处理。
4、其他数据搜集方法
关于企业生产经营数据上的客户数据，财务数据等保密性要求较高的数据，能够通过与数据技术服务商合作，运用特定体系接口等相关方式搜集数据。