我有一个学校的大数据项目，基本上老师会给我们大量的文本文档（来自 Gutenberg 项目数据集），他希望我们提供“关键字”更相关的文档作为输出，他还希望我们将项目分为 3 个部分：

• 数据采集​​、预处理（清理、转换、连接等）、加载。ETL 过程。
• 数据处理。
• 用户友好的应用程序。

我需要为项目的每个部分定义我将使用哪些技术或方法，但我不知道在 ETL 部分该怎么做，因为这些文件将以清晰的英语编写（它们是书籍），我会很感激你能给我的任何信息，以及项目的其他部分。

感谢一百万阅读。