Trả lời nhanh: Trích xuất dữ liệu (data extraction) là quá trình lấy dữ liệu từ một nguồn như tài liệu, trang web, cơ sở dữ liệu hoặc API, rồi đưa về dạng có cấu trúc để lưu trữ, phân tích hay nhập vào phần mềm khác. Đây là bước đầu tiên của hầu hết luồng xử lý dữ liệu trong doanh nghiệp.
Điểm chính
- Bốn nhóm nguồn, bốn nhóm kỹ thuật: tài liệu (OCR, IDP, LLM), trang web (scraping), cơ sở dữ liệu (truy vấn, CDC), ứng dụng (API, webhook).
- Thứ tự ưu tiên: API hoặc quyền truy cập chính thức trước; scraping sau cùng và chỉ sau khi rà soát pháp lý.
- Dữ liệu trích xuất phải được kiểm tra trước khi dùng. Luật Dữ liệu 2024 nêu sáu tiêu chí chất lượng có thể dùng làm khung kiểm tra.
- Theo Luật Bảo vệ dữ liệu cá nhân 91/2025/QH15, “thu thập” là một hoạt động xử lý dữ liệu cá nhân. Dữ liệu đã công khai trên mạng không mặc nhiên được gom lại tuỳ ý.
Mục lục
- Trích xuất dữ liệu là gì?
- Trích xuất dữ liệu hoạt động như thế nào?
- Dữ liệu được trích xuất từ những nguồn nào?
- Trích xuất dữ liệu từ tài liệu: OCR, IDP và mô hình ngôn ngữ
- Trích xuất dữ liệu từ trang web: crawling và scraping
- Trích xuất dữ liệu từ cơ sở dữ liệu: toàn bộ, gia tăng và CDC
- Trích xuất dữ liệu qua API
- Nên chọn cách trích xuất nào?
- Làm sao bảo đảm chất lượng dữ liệu sau khi trích xuất?
- Trích xuất, thu thập dữ liệu có hợp pháp không?
- Trích xuất dữ liệu được ứng dụng ở đâu trong doanh nghiệp?
- Ưu điểm và hạn chế của trích xuất tự động
- Bắt đầu trích xuất dữ liệu tự động: 5 bước
- Câu hỏi thường gặp
Trích xuất dữ liệu là gì?
Trích xuất dữ liệu (data extraction) là việc lấy những dữ liệu bạn cần ra khỏi nơi chúng đang nằm và chuyển sang dạng dùng tiếp được. Nguồn có thể là tờ hoá đơn, tệp PDF, trang web, bảng trong phần mềm kế toán hay một dịch vụ trực tuyến có API. Kết quả thường là một bảng, tệp CSV hoặc JSON, hoặc các bản ghi đã nạp vào hệ thống đích.
Cụm từ này được dùng theo hai nghĩa gần nhau:
- Trong kỹ thuật dữ liệu: trích xuất là bước “E” (Extract) của chuỗi ETL hoặc ELT, đọc dữ liệu từ ERP, CRM, hệ thống bán hàng để chuyển sang kho phân tích.
- Trong xử lý tài liệu: trích xuất là rút các trường thông tin ra khỏi văn bản, hình ảnh, ví dụ số hoá đơn, mã số thuế, tổng tiền.
Bài này tập trung vào câu hỏi doanh nghiệp hay gặp nhất: lấy từ nguồn nào, bằng cách nào, làm sao cho đúng và hợp pháp.
Ví dụ minh hoạ. Phòng kế toán nhận vài trăm hoá đơn PDF mỗi tháng. Thay vì gõ lại từng trường, hệ thống đọc tệp, nhận diện các trường, so mã số thuế với danh sách nhà cung cấp và chỉ chuyển hoá đơn nghi sai cho người duyệt. Cùng lúc, mỗi đêm một tác vụ lấy đơn hàng mới từ phần mềm bán hàng qua API để cập nhật báo cáo doanh số.
Trích xuất khác gì thu thập, nhập liệu và khai phá dữ liệu?
| Khái niệm | Câu hỏi nó trả lời | Đầu ra |
|---|---|---|
| Thu thập dữ liệu (data collection) | Dữ liệu mới được ghi nhận từ đâu? | Dữ liệu gốc từ khảo sát, cảm biến, giao dịch |
| Trích xuất dữ liệu (data extraction) | Lấy dữ liệu đã có ra khỏi nguồn thế nào? | Dữ liệu có cấu trúc, sẵn sàng xử lý |
| Nhập liệu (data entry) | Ai gõ dữ liệu vào hệ thống? | Bản ghi do người nhập từ chứng từ |
| Khai phá dữ liệu (data mining) | Dữ liệu cho thấy quy luật gì? | Mẫu hình, nhóm, dự báo |
Lưu ý: trong pháp luật về dữ liệu cá nhân, việc bạn lấy dữ liệu từ nguồn khác về hệ thống của mình vẫn được tính là “thu thập” (xem phần pháp lý).
Trích xuất dữ liệu hoạt động như thế nào?
Dù nguồn là tài liệu hay cơ sở dữ liệu, một luồng trích xuất tốt thường có năm bước:
- Xác định nguồn và trường cần lấy. Lấy thừa trường là lấy thừa chi phí và rủi ro pháp lý.
- Kết nối và xác thực bằng tài khoản, khoá API hoặc quyền được cấp chính thức, không dùng tài khoản cá nhân của nhân viên.
- Lấy dữ liệu. Lần đầu thường lấy toàn bộ (full extraction), các lần sau chỉ lấy phần thay đổi (incremental extraction).
- Chuẩn hoá và kiểm tra: đưa ngày, số tiền, đơn vị về một chuẩn; kiểm tra đủ trường, đúng kiểu; đối soát với nguồn.
- Giao cho hệ thống đích và ghi nhật ký số bản ghi, lỗi, thời điểm chạy để truy được nguyên nhân khi có sai lệch.
Các bước biến đổi và nạp vào kho thuộc về quy trình ETL, được trình bày đầy đủ trong bài ETL là gì và quy trình ETL gồm những bước nào. Bài này dừng ở bước trích xuất và đi sâu vào từng loại nguồn.
Dữ liệu được trích xuất từ những nguồn nào?
Độ khó phụ thuộc vào cấu trúc của nguồn: bảng trong cơ sở dữ liệu dễ lấy nhất, văn bản tự do và ảnh scan khó nhất.
| Nhóm nguồn | Ví dụ | Kỹ thuật chính | Độ ổn định | Cần lưu ý |
|---|---|---|---|---|
| Tài liệu | Hoá đơn PDF, hợp đồng scan, email | OCR, IDP, LLM | Trung bình | Ngưỡng tin cậy, người duyệt |
| Trang web | Bảng giá, danh mục sản phẩm công khai | Crawling, scraping, feed | Thấp, dễ vỡ | Điều khoản, robots.txt, bản quyền, dữ liệu cá nhân |
| Cơ sở dữ liệu | ERP, CRM, phần mềm kế toán | Truy vấn, trích xuất gia tăng, CDC | Cao | Không làm chậm hệ thống đang chạy |
| API | Phần mềm SaaS, sàn TMĐT, cổng thanh toán | Gọi API, nhận webhook | Cao | Hạn mức gọi, phân trang, khoá truy cập |
Trích xuất dữ liệu từ tài liệu: OCR, IDP và mô hình ngôn ngữ
Tài liệu là nguồn khó nhất. Có ba lớp công nghệ, thường dùng chồng lên nhau.
OCR và trích xuất theo quy tắc
OCR (Optical Character Recognition, nhận dạng ký tự quang học) biến ảnh scan thành văn bản, nhưng chưa cho biết chữ nào là số hoá đơn, chữ nào là tổng tiền. Cách OCR hoạt động và các yếu tố quyết định độ chính xác với tiếng Việt có trong bài OCR là gì. Với tài liệu có bố cục cố định, bạn có thể khai báo vùng chứa từng trường (template) hoặc quy tắc như “lấy dãy số sau cụm Mã số thuế”. Cách này rẻ, dễ kiểm soát, nhưng mỗi lần đối tác đổi mẫu là phải sửa quy tắc.
IDP: hiểu tài liệu thay vì chỉ đọc chữ
IDP (Intelligent Document Processing, xử lý tài liệu thông minh) kết hợp OCR với học máy để phân loại tài liệu, tìm đúng trường dù bố cục thay đổi và chuyển ca nghi ngờ cho người duyệt. IDP hợp với khối lượng lớn, nhiều loại tài liệu. Xem chi tiết trong bài IDP là gì.
LLM: trích xuất bằng câu lệnh
Ngày càng nhiều đội dùng mô hình ngôn ngữ lớn (LLM): đưa văn bản hoặc ảnh vào mô hình, yêu cầu trả về JSON theo lược đồ cho trước. Cách này không cần huấn luyện cho từng mẫu và xử lý tốt email, hợp đồng. Cần lưu ý ba điểm:
- Mô hình có thể “điền cho đủ” một trường không có trong tài liệu. Hãy yêu cầu để trống khi không thấy và kiểm tra lại các trường số.
- Kết quả có thể khác nhau giữa các lần chạy; hãy lưu phiên bản câu lệnh.
- Gửi tài liệu chứa dữ liệu cá nhân lên dịch vụ đặt ở nước ngoài có thể là chuyển dữ liệu xuyên biên giới.
Với PDF, PDF tạo từ phần mềm có lớp chữ nên đọc trực tiếp được, còn PDF scan bắt buộc qua OCR. Cách xử lý từng loại được trình bày trong bài hướng dẫn lấy thông tin từ tệp PDF.
Trích xuất dữ liệu từ trang web: crawling và scraping
Crawling (thu thập liên kết) là đi từ trang này sang trang khác để biết có những trang nào. Scraping (cào dữ liệu) là đọc một trang và rút ra các trường cần thiết như tên sản phẩm, giá, tình trạng còn hàng.
Trước khi scraping, hãy thử theo thứ tự: API hoặc gói dữ liệu chính thức của chủ trang; nguồn có cấu trúc sẵn như RSS, sitemap, dữ liệu mở của cơ quan nhà nước; thoả thuận mua hoặc chia sẻ dữ liệu. Scraping chỉ nên dùng khi các cách trên không có và dữ liệu thực sự công khai, không đòi đăng nhập.
Nguyên tắc scraping có trách nhiệm
- Đọc điều khoản sử dụng. Nhiều trang cấm thu thập tự động; vi phạm có thể dẫn tới bị chặn hoặc tranh chấp.
- Tôn trọng robots.txt. Giao thức này được IETF chuẩn hoá trong RFC 9309 (tháng 9/2022). Chính RFC 9309 nói các quy tắc robots.txt không phải là cơ chế cấp quyền truy cập: tệp này không “cho phép” bạn làm gì, nó chỉ là tín hiệu tối thiểu nên tuân theo.
- Giới hạn tần suất, khai báo tên trình thu thập và đầu mối liên hệ, không tạo gánh nặng cho máy chủ người khác.
- Không vượt rào: không vượt đăng nhập, CAPTCHA, tường lửa hay cơ chế chặn. Đây là ranh giới pháp lý (xem phần pháp lý).
- Chỉ lấy trường cần thiết, không lưu toàn bộ trang.
Về kỹ thuật, scraping dễ vỡ nhất: trang đổi giao diện là bộ trích xuất có thể trả về rỗng mà không báo lỗi, nên luôn cần cảnh báo khi số bản ghi giảm đột ngột.
Trích xuất dữ liệu từ cơ sở dữ liệu: toàn bộ, gia tăng và CDC
Với ERP, CRM, phần mềm kế toán của chính doanh nghiệp, bài toán là lấy cho đủ, đúng và không làm chậm hệ thống đang chạy.
| Tiêu chí | Toàn bộ (full) | Gia tăng (incremental) | CDC (Change Data Capture) |
|---|---|---|---|
| Cách làm | Đọc lại cả bảng mỗi lần | Chỉ đọc bản ghi cập nhật sau lần chạy trước | Đọc nhật ký giao dịch để biết từng thao tác thêm, sửa, xoá |
| Phù hợp | Bảng nhỏ, lần nạp đầu | Bảng lớn có cột thời điểm cập nhật tin cậy | Cần gần thời gian thực, cần bắt bản ghi bị xoá |
| Tải lên nguồn | Cao | Thấp đến trung bình | Thấp |
| Bắt bản ghi bị xoá | Có, khi so với lần trước | Thường không | Có |
| Độ phức tạp | Thấp | Trung bình | Cao |
Trích xuất gia tăng dựa vào một “mốc nước” (watermark), thường là cột thời điểm cập nhật. Hai bẫy hay gặp: phần mềm nguồn không cập nhật cột này khi sửa dữ liệu, và bản ghi bị xoá hẳn thì không bao giờ xuất hiện. CDC giải quyết cả hai bằng cách đọc nhật ký giao dịch mà cơ sở dữ liệu vẫn ghi để phục hồi, như binlog của MySQL hay WAL của PostgreSQL. Các công cụ như Debezium ghi nhận từng thay đổi ở mức dòng thành luồng sự kiện theo đúng thứ tự. Đổi lại, CDC cần quyền quản trị phù hợp.
Lưu ý vận hành: dùng tài khoản chỉ đọc, đọc từ bản sao (replica) nếu có, và để luồng báo lỗi rõ khi phần mềm nguồn đổi tên cột.
Trích xuất dữ liệu qua API
API (Application Programming Interface, giao diện lập trình ứng dụng) là “cửa” mà một phần mềm mở ra để phần mềm khác lấy dữ liệu theo quy ước rõ ràng. Với SaaS, sàn thương mại điện tử hay cổng thanh toán, API thường là cách trích xuất duy nhất được hỗ trợ. Xem thêm bài API là gì.
Năm điểm kỹ thuật bạn sẽ gặp:
- Xác thực: khoá API hoặc OAuth, lưu trong kho bí mật.
- Phân trang: dữ liệu trả theo từng trang; bộ trích xuất phải đi hết các trang.
- Hạn mức gọi: vượt hạn mức sẽ bị từ chối tạm thời, cần cơ chế chờ và thử lại.
- Lọc theo thời điểm cập nhật để chỉ lấy phần thay đổi.
- Webhook: nguồn chủ động gửi thông báo khi có sự kiện mới, giúp dữ liệu gần thời gian thực, nhưng cần điểm nhận luôn hoạt động và cơ chế xử lý trùng.
Điều khoản API nói rõ bạn được lấy gì, dùng vào việc gì, nên phần đánh giá pháp lý đơn giản hơn nhiều so với scraping.
Nên chọn cách trích xuất nào?
Hình dưới tóm tắt thứ tự ưu tiên. API và cơ sở dữ liệu cho dữ liệu ổn định, ít bảo trì; tài liệu ở mức trung bình và cần người duyệt. Scraping có chi phí bảo trì và rủi ro pháp lý cao nhất.
Làm sao bảo đảm chất lượng dữ liệu sau khi trích xuất?
Sai ở bước trích xuất sẽ đi theo mọi báo cáo phía sau. Luật Dữ liệu số 60/2024/QH15 (hiệu lực từ 01/07/2025), tại khoản 1 Điều 12, nêu sáu tiêu chí chất lượng dữ liệu. Bạn có thể dùng chúng làm khung kiểm tra:
| Tiêu chí | Cách kiểm tra gợi ý |
|---|---|
| Chính xác | Lấy mẫu ngẫu nhiên so với nguồn; đo tỷ lệ trường đúng |
| Hợp lệ | Mã số thuế đủ chữ số, ngày hợp lệ, số tiền là số |
| Toàn vẹn | Mỗi dòng hàng thuộc về một hoá đơn có thật |
| Đầy đủ | Đối soát số dòng, tổng tiền với nguồn; tỷ lệ trường trống |
| Cập nhật kịp thời | Độ trễ từ lúc phát sinh đến lúc vào hệ thống đích |
| Thống nhất | Một khách hàng không xuất hiện dưới nhiều cách viết tên |
Ba thực hành giúp luồng trích xuất đáng tin hơn:
- Ngưỡng tin cậy: trường có điểm tin cậy thấp chuyển cho người duyệt thay vì tự động chấp nhận.
- Cảnh báo lệch cấu trúc khi xuất hiện cột mới, mất cột hoặc số bản ghi biến động bất thường.
- Giữ bản gốc kèm mã định danh để truy ngược mỗi giá trị về nơi nó được lấy ra.
Lỗi trùng lặp, sai chính tả, lệch định dạng còn lại được xử lý ở bước làm sạch, xem bài data cleaning là gì.
Trích xuất, thu thập dữ liệu có hợp pháp không?
Phần này giúp bạn nhận diện rủi ro, không thay thế tư vấn pháp lý. Với dự án thu thập quy mô lớn hoặc có dữ liệu cá nhân, hãy hỏi ý kiến pháp chế hoặc luật sư.
Rủi ro tăng mạnh khi bạn lấy dữ liệu của bên khác, nhất là từ trang web, hoặc khi dữ liệu có thông tin cá nhân.
Dữ liệu cá nhân: thu thập là một hoạt động xử lý
Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15, thông qua ngày 26/06/2025, có hiệu lực từ 01/01/2026. Các điểm liên quan trực tiếp:
- Dữ liệu cá nhân là dữ liệu xác định hoặc giúp xác định một con người cụ thể (khoản 1 Điều 2); “thu thập” được liệt kê là một hoạt động xử lý dữ liệu cá nhân (khoản 6 Điều 2).
- Phải có sự đồng ý trước khi thu thập, trừ trường hợp luật khác quy định (khoản 1 Điều 11). Im lặng hoặc không phản hồi không được coi là đồng ý (Điều 9).
- Các trường hợp không cần đồng ý tại Điều 19 gồm tình huống cấp bách bảo vệ tính mạng, ứng phó khẩn cấp, hoạt động của cơ quan nhà nước, thực hiện thoả thuận với chủ thể dữ liệu và trường hợp luật khác quy định. Không có ngoại lệ riêng cho dữ liệu “đã công khai trên mạng”.
- Dữ liệu công khai cũng có mục đích: Điều 16 quy định dữ liệu cá nhân chỉ được công khai với mục đích cụ thể. Số điện thoại đăng trên tin tuyển dụng không có nghĩa bạn được gom về để gọi bán hàng.
- Cấm mua, bán dữ liệu cá nhân, trừ trường hợp luật có quy định khác (khoản 6 Điều 7). Theo Điều 8, tổ chức vi phạm quy định này có thể bị phạt tối đa 10 lần khoản thu từ vi phạm; các vi phạm khác tối đa 3 tỷ đồng (riêng chuyển dữ liệu xuyên biên giới tối đa 5% doanh thu năm trước liền kề); cá nhân chịu tối đa một nửa.
Nghị định 356/2025/NĐ-CP ngày 31/12/2025 hướng dẫn Luật, hiệu lực từ 01/01/2026, thay thế Nghị định 13/2023/NĐ-CP. Hai điểm đáng chú ý:
- Điểm l khoản 1 Điều 4 xếp dữ liệu theo dõi hành vi, hoạt động sử dụng dịch vụ viễn thông, mạng xã hội, dịch vụ truyền thông trực tuyến vào nhóm dữ liệu cá nhân nhạy cảm.
- Khoản 3 Điều 21 liệt kê “dịch vụ thu thập, xử lý dữ liệu cá nhân trực tuyến từ trang web, ứng dụng, phần mềm và mạng xã hội” là một loại dịch vụ xử lý dữ liệu cá nhân. Nghị định có quy định về điều kiện và giấy chứng nhận đủ điều kiện cung cấp loại dịch vụ này do Bộ Công an cấp. Nếu bạn định bán dịch vụ thu thập dữ liệu cho bên khác, đây là điểm phải kiểm tra trước.
Nghĩa vụ chung như đánh giá tác động, quyền của chủ thể dữ liệu được tổng hợp trong bài bảo vệ dữ liệu cá nhân là gì.
Truy cập hệ thống: không vượt rào
Điều 289 Bộ luật Hình sự 2015 (số 100/2015/QH13) quy định tội xâm nhập trái phép vào mạng máy tính, mạng viễn thông hoặc phương tiện điện tử của người khác. Hành vi gồm cố ý vượt qua cảnh báo, mã truy cập, tường lửa hoặc lợi dụng quyền quản trị của người khác để xâm nhập, trong đó có lấy cắp dữ liệu. Khung cơ bản tại khoản 1 là phạt tiền từ 50 đến 300 triệu đồng hoặc phạt tù từ 1 đến 5 năm. Ranh giới cho người làm trích xuất rất rõ: dữ liệu nằm sau đăng nhập hay cơ chế chặn mà bạn không được cấp quyền thì không lấy.
Quyền tác giả, điều khoản sử dụng và quyền đối với dữ liệu
Bài viết, ảnh, mô tả sản phẩm trên web thường được bảo hộ quyền tác giả. Lấy về phân tích nội bộ khác hẳn với đăng lại nguyên văn. Khoản 2 Điều 22 Luật Sở hữu trí tuệ còn bảo hộ sưu tập dữ liệu, tức tập hợp có tính sáng tạo thể hiện ở sự tuyển chọn, sắp xếp tư liệu; bảo hộ này không bao hàm chính các tư liệu. Sao chép nguyên một cơ sở dữ liệu được biên soạn công phu của người khác vì thế có thể gặp rủi ro.
Điều khoản sử dụng của trang web hay API là thoả thuận giữa bạn và chủ sở hữu; vi phạm có thể dẫn tới bị khoá tài khoản, bị yêu cầu bồi thường. Luật Dữ liệu 2024 cũng định nghĩa chủ sở hữu dữ liệu (khoản 14 Điều 3) và xác định quyền của chủ sở hữu đối với dữ liệu là quyền tài sản theo pháp luật dân sự (khoản 15 Điều 3). Khi lấy dữ liệu từ đối tác, hợp đồng nên ghi rõ phạm vi, mục đích và thời hạn lưu giữ.
Checklist pháp lý trước khi chạy một luồng trích xuất
- Dữ liệu có xác định được một người cụ thể không? Có dữ liệu nhạy cảm không? Nếu có, cơ sở pháp lý là gì?
- Nguồn có API hoặc kênh chính thức không? Điều khoản sử dụng nói gì về thu thập tự động?
- Có phải vượt đăng nhập, CAPTCHA hay cơ chế chặn nào không? Nếu có, dừng lại.
- Bạn có định đăng lại nội dung, hình ảnh lấy được không? Đã có quyền chưa?
- Dữ liệu có được gửi ra máy chủ hoặc dịch vụ AI ở nước ngoài không?
- Đã chỉ lấy đúng trường cần thiết, đặt thời hạn lưu giữ và ghi nhật ký nguồn, mục đích chưa?
Trích xuất dữ liệu được ứng dụng ở đâu trong doanh nghiệp?
- Kế toán, tài chính: hoá đơn, sao kê, chứng từ để hạch toán và đối chiếu công nợ.
- Ngân hàng, bảo hiểm: hồ sơ vay, hồ sơ bồi thường, giấy tờ tuỳ thân, là dữ liệu cá nhân cần kiểm soát chặt.
- Bán lẻ, thương mại điện tử: đơn hàng, tồn kho từ các sàn qua API; giá công khai của sản phẩm cạnh tranh.
- Báo cáo quản trị: gom dữ liệu từ ERP, CRM về một kho để có số liệu thống nhất.
- AI nội bộ, chuyển hệ thống: lấy văn bản tài liệu làm nguồn tri thức; chuyển dữ liệu cũ sang phần mềm mới.
Ưu điểm và hạn chế của trích xuất tự động
| Ưu điểm | Hạn chế |
|---|---|
| Giảm thao tác gõ lại, nhân sự chuyển sang kiểm tra ngoại lệ | Chi phí thiết lập, bảo trì, nhất là scraping và tài liệu nhiều mẫu |
| Dữ liệu cập nhật thường xuyên, có thể gần thời gian thực | Lỗi nhân lên hàng loạt nếu thiếu kiểm tra tự động |
| Có nhật ký, truy vết được về nguồn | Rủi ro pháp lý khi lấy dữ liệu của bên khác |
Bắt đầu trích xuất dữ liệu tự động: 5 bước
- Chọn một bài toán hẹp, có số đo, ví dụ hoá đơn của 20 nhà cung cấp lớn nhất. Đo hiện trạng: số phút mỗi chứng từ, tỷ lệ sai.
- Lập danh mục nguồn và trường: loại nguồn, chủ sở hữu, cách truy cập chính thức, có dữ liệu cá nhân không.
- Chọn kỹ thuật theo thứ tự ưu tiên ở Hình 2, chạy thử trên vài trăm bản ghi thật và đo tỷ lệ trường đúng, tỷ lệ phải chuyển người duyệt.
- Thiết kế kiểm tra và xử lý ngoại lệ: ngưỡng tin cậy, đối soát, cảnh báo, ai duyệt trong bao lâu.
- Vận hành rồi mới mở rộng, theo dõi chất lượng hằng tuần và ghi lại các thay đổi của nguồn.
Câu hỏi thường gặp
Trích xuất dữ liệu có phải là ETL không?
Không hoàn toàn. Trích xuất là bước đầu (Extract) của ETL; ETL còn có biến đổi (Transform) và nạp (Load). Trích xuất cũng được dùng ngoài ETL, như rút trường từ hợp đồng.
Web scraping có vi phạm pháp luật Việt Nam không?
Bản thân kỹ thuật không bị cấm. Rủi ro nằm ở dữ liệu bạn lấy và cách bạn lấy: thu thập dữ liệu cá nhân không có cơ sở pháp lý, vượt cơ chế bảo vệ để truy cập, hoặc đăng lại nội dung có bản quyền đều có thể vi phạm. Lấy giá sản phẩm công khai, không đăng nhập, tần suất hợp lý thường ít rủi ro hơn, nhưng vẫn nên đọc điều khoản của trang.
Dữ liệu cá nhân đã công khai trên mạng xã hội có được tự do thu thập không?
Không nên hiểu như vậy. Luật 91/2025/QH15 yêu cầu sự đồng ý trước khi thu thập, trừ trường hợp luật quy định, và Điều 19 không có ngoại lệ riêng cho dữ liệu đã công khai. Nghị định 356/2025/NĐ-CP còn xếp dữ liệu theo dõi hành vi trên mạng xã hội vào nhóm nhạy cảm.
Có thể trích xuất dữ liệu bằng Excel không?
Có, với nhu cầu nhỏ. Power Query trong Excel lấy được dữ liệu từ tệp, cơ sở dữ liệu và trang web, rồi làm sạch cơ bản. Khi cần chạy theo lịch, có kiểm tra và nhật ký, hãy chuyển sang công cụ tích hợp dữ liệu chuyên dụng.
LLM có thay thế được OCR và IDP không?
Chưa hoàn toàn. Với khối lượng lớn và mẫu ổn định, OCR kèm quy tắc hoặc IDP thường rẻ hơn, nhanh hơn và ổn định hơn. Cách phổ biến là kết hợp: OCR đọc chữ, LLM hiểu ngữ cảnh, quy tắc kiểm tra lại các trường số.