ETL是BI項目最重要的一個環節，通常情況下ETL會花掉整個項目的1/3的時間，ETL設計的好壞直接關接到BI項目的成敗。ETL也是一個長期的過程，只有不斷的發現問題并解決問題，才能使ETL運行效率更高，為項目后期開發提供準確的數據。

ETL的設計分三部分：數據抽取、數據的清洗轉換、數據的加載。在設計ETL的時候也是從這三部分出發。數據的抽取是從各個不同的數據源抽取到ODS中(這個過程也可以做一些數據的清洗和轉換)，在抽取的過程中需要挑選不同的抽取方法，盡可能的提高ETL的運行效率。ETL三個部分中，花費時間最長的是T(清洗、轉換)的部分，一般情況下這部分工作量是整個ETL的2/3。數據的加載一般在數據清洗完了之后直接寫入DW中去。

ETL的實現有多種方法，常用的有三種，第一種是借助ETL工具如Oracle的OWB、SQL server 2000的DTS、SQL Server2005的SSIS服務、informatic等實現，第二種是SQL方式實現，第三種是ETL工具和SQL相結合。前兩種方法各有優缺點，借助工具可以快速的建立起ETL工程，屏蔽復雜的編碼任務，提高速度，降低難度，但是欠缺靈活性。SQL的方法優點是靈活，提高ETL運行效率，但是編碼復雜，對技術要求比較高。第三種是綜合了前面二種的優點，極大的提高ETL的開發速度和效率。

數據的抽取

數據的抽取需要在調研階段做大量工作，首先要搞清楚以下幾個問題：數據是從幾個業務系統中來？各個業務系統的數據庫服務器運行什么DBMS？是否存在手工數據，手工數據量有多大？是否存在非結構化的數據？等等類似問題，當收集完這些信息之后才可以進行數據抽取的設計。

1、與存放DW的數據庫系統相同的數據源處理方法

這一類數源在設計比較容易，一般情況下，DBMS(包括SQLServer，Oracle)都會提供數據庫鏈接功能，在DW數據庫服務器和原業務系統之間建立直接的鏈接關系就可以寫Select 語句直接訪問。

2、與DW數據庫系統不同的數據源的處理方法。

這一類數據源一般情況下也可以通過ODBC的方式建立數據庫鏈接，如SQL Server和Oracle之間。如果不能建立數據庫鏈接，可以有兩種方式完成，一種是通過工具將源數據導出成.txt或者是.xls文件，然后再將這些源系統文件導入到ODS中。另外一種方法通過程序接口來完成。

3、對于文件類型數據源(.txt,，xls)，可以培訓業務人員利用數據庫工具將這些數據導入到指定的數據庫，然后從指定的數據庫抽取。或者可以借助工具實現，如SQL SERVER 2005 的SSIS服務的平面數據源和平面目標等組件導入ODS中去。

4、增量更新問題

對于數據量大的系統，必須考慮增量抽取。一般情況，業務系統會記錄業務發生的時間，可以用作增量的標志，每次抽取之前首先判斷ODS中記錄最大的時間，然后根據這個時間去業務系統取大于這個時間的所有記錄。利用業務系統的時間戳，一般情況下，業務系統沒有或者部分有時間戳。

數據的清洗轉換

一般情況下，數據倉庫分為ODS、DW兩部分，通常的做法是從業務系統到ODS做清洗，將臟數據和不完整數據過濾掉，再從ODS到DW的過程中轉換，進行一些業務規則的計算和聚合。

1、數據清洗

數據清洗的任務是過濾那些不符合要求的數據，將過濾的結果交給業務主管部門，確認是否過濾掉還是由業務單位修正之后再進行抽取。不符合要求的數據主要是有不完整的數據、錯誤的數據和重復的數據三大類。

A、不完整的數據，其特征是是一些應該有的信息缺失，如供應商的名稱，分公司的名稱，客戶的區域信息缺失、業務系統中主表與明細表不能匹配等。需要將這一類數據過濾出來，按缺失的內容分別寫入不同Excel文件向客戶提交，要求在規定的時間內補全。補全后才寫入數據倉庫。

B、錯誤的數據，產生原因是業務系統不夠健全，在接收輸入后沒有進行判斷直接寫入后臺數據庫造成的，比如數值數據輸成全角數字字符、字符串數據后面有一個回車、日期格式不正確、日期越界等。這一類數據也要分類，對于類似于全角字符、數據前后有不面見字符的問題只能寫SQL的方式找出來，然后要求客戶在業務系統修正之后抽取；日期格式不正確的或者是日期越界的這一類錯誤會導致ETL運行失敗，這一類錯誤需要去業務系統數據庫用SQL的方式挑出來，交給業務主管部門要求限期修正，修正之后再抽取。

C、重復的數據，特別是維表中比較常見，將重復的數據的記錄所有字段導出來，讓客戶確認并整理。

數據清洗是一個反復的過程，不可能在幾天內完成，只有不斷的發現問題，解決問題。對于是否過濾、是否修正一般要求客戶確認；對于過濾掉的數據，寫入Excel文件或者將過濾數據寫入數據表，在ETL開發的初期可以每天向業務單位發送過濾數據的郵件，促使他們盡快的修正錯誤，同時也可以作為將來驗證數據的依據。數據清洗需要注意的是不要將有用的數據過濾掉了，對于每個過濾規則認真進行驗證，并要用戶確認才行。

2、數據轉換

數據轉換的任務主要是進行不一致的數據轉換、數據粒度的轉換和一些商務規則的計算。

A、不一致數據轉換，這個過程是一個整合的過程，將不同業務系統的相同類型的數據統一，比如同一個供應商在結算系統的編碼是XX0001，而在CRM中編碼是YY0001，這樣在抽取過來之后統一轉換成一個編碼。

B、數據粒度的轉換，業務系統一般存儲非常明細的數據，而數據倉庫中的數據是用來分析的，不需要非常明細的數據，一般情況下，會將業務系統數據按照數據倉庫粒度進行聚合。

C、商務規則的計算，不同的企業有不同的業務規則，不同的數據指標，這些指標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中將這些數據指標計算好了之后存儲在數據倉庫中，供分析使用。

ETL日志與警告發送

1、ETL日志，記錄日志的目的是隨時可以知道ETL運行情況，如果出錯了，出錯在那里。

ETL日志分為三類。第一類是執行過程日志，是在ETL執行過程中每執行一步的記錄，記錄每次運行每一步驟的起始時間，影響了多少行數據，流水賬形式。第二類是錯誤日志，當某個模塊出錯的時候需要寫錯誤日志，記錄每次出錯的時間，出錯的模塊以及出錯的信息等。第三類日志是總體日志，只記錄ETL開始時間，結束時間是否成功信息。

如果使用ETL工具，工具會自動產生一些日志，這一類日志也可以作為ETL日志的一部分。

2、警告發送

ETL出錯了，不僅要寫ETL出錯日志而且要向系統管理員發送警告，發送警告的方式有多種，常用的就是給系統管理員發送郵件，并附上出錯的信息，方便管理員排查錯誤。

專業的報表解決方案，輕松搭建報表平臺和報表中心。

總結

以上是生活随笔為你收集整理的BI项目中的ETL设计详解（数据抽取、清洗与转换）的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。