ETL概念

ETL是數(shù)據(jù)抽取（Extract）、清洗（Cleaning）、轉(zhuǎn)換（Transform）、裝載（Load）的過程。是構(gòu)建數(shù)據(jù)倉庫的重要一環(huán)，用戶從數(shù)據(jù)源抽取出所需的數(shù)據(jù)，經(jīng)過數(shù)據(jù)清洗,最終按照預(yù)先定義好的數(shù)據(jù)倉庫模型，將數(shù)據(jù)加載到數(shù)據(jù)倉庫中去。

一、數(shù)據(jù)的抽取（Extract）

這一部分需要在調(diào)研階段做大量的工作，首先要搞清楚數(shù)據(jù)是從幾個業(yè)務(wù)系統(tǒng)中來,各個業(yè)務(wù)系統(tǒng)的數(shù)據(jù)庫服務(wù)器運(yùn)行什么DBMS,是否存在手工數(shù)據(jù)，手工數(shù)據(jù)量有多大，是否存在非結(jié)構(gòu)化的數(shù)據(jù)等等，當(dāng)收集完這些信息之后才可以進(jìn)行數(shù)據(jù)抽取的設(shè)計(jì)。

1、對于與存放DW的數(shù)據(jù)庫系統(tǒng)相同的數(shù)據(jù)源處理方法

這一類數(shù)據(jù)源在設(shè)計(jì)上比較容易。一般情況下，DBMS（SQLServer、Oracle）都會提供數(shù)據(jù)庫鏈接功能，在DW數(shù)據(jù)庫服務(wù)器和原業(yè)務(wù)系統(tǒng)之間建立直接的鏈接關(guān)系就可以寫Select語句直接訪問。

2、對于與DW數(shù)據(jù)庫系統(tǒng)不同的數(shù)據(jù)源的處理方法

對于這一類數(shù)據(jù)源，一般情況下也可以通過ODBC的方式建立數(shù)據(jù)庫鏈接——如 SQLServer和Oracle之間。如果不能建立數(shù)據(jù)庫鏈接，可以有兩種方式完成，一種是通過工具將源數(shù)據(jù)導(dǎo)出成.txt或者是.xls文件，然后再將這些源系統(tǒng)文件導(dǎo)入到ODS中。另外一種方法是通過程序接口來完成。

3、對于文件類型數(shù)據(jù)源（.txt,.xls）

可以培訓(xùn)業(yè)務(wù)人員利用數(shù)據(jù)庫工具將這些數(shù)據(jù)導(dǎo)入到指定的數(shù)據(jù)庫，然后從指定的數(shù)據(jù)庫中抽取。或者還可以借助工具實(shí)現(xiàn)，如SQLServer2005的SSIS服務(wù)的平面數(shù)據(jù)源和平面目標(biāo)等組件導(dǎo)入ODS中去。

4、增量更新的問題

對于數(shù)據(jù)量大的系統(tǒng)，必須考慮增量抽取。一般情況下，業(yè)務(wù)系統(tǒng)會記錄業(yè)務(wù)發(fā)生的時間，我們可以用來做增量的標(biāo)志,每次抽取之前首先判斷ODS中記錄最大的時間，然后根據(jù)這個時間去業(yè)務(wù)系統(tǒng)取大于這個時間所有的記錄。利用業(yè)務(wù)系統(tǒng)的時間戳，一般情況下，業(yè)務(wù)系統(tǒng)沒有或者部分有時間戳。

二、數(shù)據(jù)的清洗轉(zhuǎn)換（Cleaning）

一般情況下，數(shù)據(jù)倉庫分為ODS、DW兩部分。通常的做法是從業(yè)務(wù)系統(tǒng)到ODS做清洗，將臟數(shù)據(jù)和不完整數(shù)據(jù)過濾掉，在從ODS到DW的過程中轉(zhuǎn)換，進(jìn)行一些業(yè)務(wù)規(guī)則的計(jì)算和聚合。

1、數(shù)據(jù)清洗

數(shù)據(jù)清洗的任務(wù)是過濾那些不符合要求的數(shù)據(jù)，將過濾的結(jié)果交給業(yè)務(wù)主管部門，確認(rèn)是否過濾掉還是由業(yè)務(wù)單位修正之后再進(jìn)行抽取。不符合要求的數(shù)據(jù)主要是有不完整的數(shù)據(jù)、錯誤的數(shù)據(jù)、重復(fù)的數(shù)據(jù)三大類。

（1）不完整的數(shù)據(jù)：

這一類數(shù)據(jù)主要是一些應(yīng)該有的信息缺失，如供應(yīng)商的名稱、分公司的名稱、客戶的區(qū)域信息缺失、業(yè)務(wù)系統(tǒng)中主表與明細(xì)表不能匹配等。對于這一類數(shù)據(jù)過濾出來，按缺失的內(nèi)容分別寫入不同Excel文件向客戶提交，要求在規(guī)定的時間內(nèi)補(bǔ)全。補(bǔ)全后才寫入數(shù)據(jù)倉庫。

（2）錯誤的數(shù)據(jù)：

這一類錯誤產(chǎn)生的原因是業(yè)務(wù)系統(tǒng)不夠健全，在接收輸入后沒有進(jìn)行判斷直接寫入后臺數(shù)據(jù)庫造成的，比如數(shù)值數(shù)據(jù)輸成全角數(shù)字字符、字符串?dāng)?shù)據(jù)后面有一個回車操作、日期格式不正確、日期越界等。這一類數(shù)據(jù)也要分類，對于類似于全角字符、數(shù)據(jù)前后有不可見字符的問題，只能通過寫SQL語句的方式找出來，然后要求客戶在業(yè)務(wù)系統(tǒng)修正之后抽取。日期格式不正確的或者是日期越界的這一類錯誤會導(dǎo)致ETL運(yùn)行失敗，這一類錯誤需要去業(yè)務(wù)系統(tǒng)數(shù)據(jù)庫用SQL的方式挑出來，交給業(yè)務(wù)主管部門要求限期修正，修正之后再抽取。

（3）重復(fù)的數(shù)據(jù)：

對于這一類數(shù)據(jù)——特別是維表中會出現(xiàn)這種情況——將重復(fù)數(shù)據(jù)記錄的所有字段導(dǎo)出來，讓客戶確認(rèn)并整理。

數(shù)據(jù)清洗是一個反復(fù)的過程，不可能在幾天內(nèi)完成，只有不斷的發(fā)現(xiàn)問題，解決問題。

對于是否過濾，是否修正一般要求客戶確認(rèn)，對于過濾掉的數(shù)據(jù)，寫入Excel文件或者將過濾數(shù)據(jù)寫入數(shù)據(jù)表，在ETL開發(fā)的初期可以每天向業(yè)務(wù)單位發(fā)送過濾數(shù)據(jù)的郵件，促使他們盡快地修正錯誤,同時也可以做為將來驗(yàn)證數(shù)據(jù)的依據(jù)。數(shù)據(jù)清洗需要注意的是不要將有用的數(shù)據(jù)過濾掉，對于每個過濾規(guī)則認(rèn)真進(jìn)行驗(yàn)證，并要用戶確認(rèn)。

三、數(shù)據(jù)轉(zhuǎn)換（Transform）

數(shù)據(jù)轉(zhuǎn)換的任務(wù)主要進(jìn)行不一致的數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)粒度的轉(zhuǎn)換，以及一些商務(wù)規(guī)則的計(jì)算。

（1）不一致數(shù)據(jù)轉(zhuǎn)換：

這個過程是一個整合的過程，將不同業(yè)務(wù)系統(tǒng)的相同類型的數(shù)據(jù)統(tǒng)一，比如同一個供應(yīng)商在結(jié)算系統(tǒng)的編碼是XX0001,而在CRM中編碼是YY0001，這樣在抽取過來之后統(tǒng)一轉(zhuǎn)換成一個編碼。

（2）數(shù)據(jù)粒度的轉(zhuǎn)換：

業(yè)務(wù)系統(tǒng)一般存儲非常明細(xì)的數(shù)據(jù)，而數(shù)據(jù)倉庫中數(shù)據(jù)是用來分析的，不需要非常明細(xì)的數(shù)據(jù)。一般情況下，會將業(yè)務(wù)系統(tǒng)數(shù)據(jù)按照數(shù)據(jù)倉庫粒度進(jìn)行聚合。

（3）商務(wù)規(guī)則的計(jì)算：

不同的企業(yè)有不同的業(yè)務(wù)規(guī)則、不同的數(shù)據(jù)指標(biāo)，這些指標(biāo)有的時候不是簡單的加加減減就能完成，這個時候需要在ETL中將這些數(shù)據(jù)指標(biāo)計(jì)算好了之后存儲在數(shù)據(jù)倉庫中，以供分析使用。

---

四、數(shù)據(jù)加載（Load）

把數(shù)據(jù)加載至目的地，比如數(shù)據(jù)倉庫中。通常的做法是，將處理好的數(shù)據(jù)寫成特定格式（如parquet、csv等）的文件，然后再把文件掛載到指定的表分區(qū)上。也有些表的數(shù)據(jù)量很小，不會采用分區(qū)表，而是直接生成最終的數(shù)據(jù)表。

ETL開發(fā)工作流程

[外鏈圖片轉(zhuǎn)存失敗,源站可能有防盜鏈機(jī)制,建議將圖片保存下來直接上傳(img-KLb3EOgR-1646220689782)(https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/31b825328c4043349b02b8b273a0309f~tplv-k3u1fbpfcp-zoom-1.image “image”)]

數(shù)據(jù)倉庫和ODS并存方案

經(jīng)過調(diào)研，發(fā)現(xiàn)大體上有三種解法：

1、業(yè)務(wù)數(shù)據(jù) － ODS － 數(shù)據(jù)倉庫

[外鏈圖片轉(zhuǎn)存失敗,源站可能有防盜鏈機(jī)制,建議將圖片保存下來直接上傳(img-4lXHi5rY-1646220689783)(https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/139f20ff618c441581895a02fbeca103~tplv-k3u1fbpfcp-zoom-1.image “image”)]

優(yōu)點(diǎn)：

這樣做的好處是ODS的數(shù)據(jù)與數(shù)據(jù)倉庫的數(shù)據(jù)高度統(tǒng)一；開發(fā)成本低，至少開發(fā)一次并應(yīng)用到ODS即可；可見ODS是發(fā)揮承上啟下的作用，調(diào)研阿里巴巴的數(shù)據(jù)部門也是這么實(shí)現(xiàn)的。

缺點(diǎn)：

數(shù)據(jù)倉庫需要的所有數(shù)據(jù)都需要走ODS，那么ODS的靈活性必然受到影響，甚至不利于擴(kuò)展、系統(tǒng)的靈活性差

2、OB － ODS

優(yōu)點(diǎn)：

結(jié)構(gòu)簡單。一般的初創(chuàng)數(shù)據(jù)分析團(tuán)隊(duì)都是類似的結(jié)構(gòu)，比如我們部門就應(yīng)該歸結(jié)到這一范疇

缺點(diǎn)：

這樣所有數(shù)據(jù)都?xì)w結(jié)到ODS，長期數(shù)據(jù)決策分析能力差，軟硬件成本高，模塊劃分不清晰，通用性差

3、數(shù)據(jù)倉庫和ODS并行

[外鏈圖片轉(zhuǎn)存失敗,源站可能有防盜鏈機(jī)制,建議將圖片保存下來直接上傳(img-pmX9vOfT-1646220689783)(https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/230c070e4123457895b15e064c9b5108~tplv-k3u1fbpfcp-zoom-1.image “image”)]

可見這個模型兼顧了上面提高的各自優(yōu)點(diǎn)，且便于擴(kuò)展，ODS和數(shù)據(jù)倉庫各做各的，形成優(yōu)勢互補(bǔ)！可以解決現(xiàn)在互聯(lián)網(wǎng)公司遇到的快速變化、快速開發(fā)等特點(diǎn)！特別是對于那些剛剛創(chuàng)建數(shù)據(jù)團(tuán)隊(duì)，數(shù)據(jù)開發(fā)人員緊缺的公司，可以嘗試使用這個數(shù)據(jù)架構(gòu)解決問題！

Data Mart 數(shù)據(jù)集市

為了特定的應(yīng)用目的或應(yīng)用范圍，而從數(shù)據(jù)倉庫中獨(dú)立出來的一部分?jǐn)?shù)據(jù)，也可稱為部門數(shù)據(jù)或主題數(shù)據(jù)（subjectarea）。在數(shù)據(jù)倉庫的實(shí)施過程中往往可以從一個部門的數(shù)據(jù)集市著手，以后再用幾個數(shù)據(jù)集市組成一個完整的數(shù)據(jù)倉庫。需要注意的就是在實(shí)施不同的數(shù)據(jù)集市時，同一含義的字段定義一定要相容，這樣再以后實(shí)施數(shù)據(jù)倉庫時才不會造成大麻煩。

總結(jié)

以上是生活随笔為你收集整理的数据处理中的ETL概念的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。