背景：不同平臺(tái)都可以獲得用戶，這些用戶之間可能是交叉重復(fù)，比如你之前在A平臺(tái)注冊(cè)了，后來你又在B平臺(tái)注冊(cè)了。而不同的平臺(tái)存儲(chǔ)數(shù)據(jù)的表結(jié)構(gòu)，表字段可能不同。最有代表性的，美團(tuán)合并了大眾點(diǎn)評(píng)，兩家外賣平臺(tái)的數(shù)據(jù)必須整合在一起，才能發(fā)揮更大的商業(yè)價(jià)值----數(shù)據(jù)集成。

數(shù)據(jù)集成的兩種架構(gòu)：ELT 和 ETL

一般來說，數(shù)據(jù)工程師的工作包括了數(shù)據(jù)的 ETL 和數(shù)據(jù)挖掘算法的實(shí)現(xiàn)。算法實(shí)現(xiàn)可以理解，就是通過數(shù)據(jù)挖掘算法，從數(shù)據(jù)倉庫中找到“金子“。

ETL實(shí)現(xiàn)數(shù)據(jù)抽取、轉(zhuǎn)換、加載這三個(gè)過程

抽取是將數(shù)據(jù)從已有的數(shù)據(jù)源中提取出來。

轉(zhuǎn)換是對(duì)原始數(shù)據(jù)進(jìn)行處理，例如將表輸入 1 和 表輸入 2 進(jìn)行連接形成一張新的表。

根據(jù)轉(zhuǎn)換發(fā)生的順序和位置，數(shù)據(jù)集成可以分為 ETL 和 ELT 兩種架構(gòu)。

ETL 的過程為提取 (Extract)——轉(zhuǎn)換 (Transform)——加載 (Load)，在數(shù)據(jù)源抽取后首先進(jìn)行轉(zhuǎn)換，然后將轉(zhuǎn)換的結(jié)果寫入目的地。

ELT 的過程則是提取 (Extract)——加載 (Load)——變換 (Transform)，在抽取后將結(jié)果先寫入目的地，然后利用數(shù)據(jù)庫的聚合分析能力或者外部計(jì)算框架，如 Spark 來完成轉(zhuǎn)換的步驟。

目前數(shù)據(jù)集成的主流架構(gòu)是 ETL，但未來使用 ELT 作為數(shù)據(jù)集成架構(gòu)的將越來越多。

ELT 和 ETL 相比，最大的區(qū)別是“重抽取和加載，輕轉(zhuǎn)換”，從而可以用更輕量的方案搭建起一個(gè)數(shù)據(jù)集成平臺(tái)。一方面更省時(shí)，另一方面 ELT 允許 BI 分析人員無限制地訪問整個(gè)原始數(shù)據(jù)，從而使BI對(duì)于數(shù)據(jù)處理更加靈活，更好的支持業(yè)務(wù)。

ETL 工具有哪些？

開源軟件：Kettle、Talend、Apatar、Scriptella、DataX、Sqoop 等

Kettle 工具的使用

Kettle 是一款國外開源的 ETL 工具，純 Java 編寫，可以在 Window 和 Linux 上運(yùn)行，不需要安裝就可以使用。

下載地址：https://community.hitachivantara.com/docs/DOC-1009855

在使用 Kettle 之前還需要安裝數(shù)據(jù)庫軟件和 Java 運(yùn)行環(huán)境（JRE）

Kettle 采用可視化的方式進(jìn)行操作，來對(duì)數(shù)據(jù)庫間的數(shù)據(jù)進(jìn)行遷移。它包括了兩種腳本：Transformation 轉(zhuǎn)換和 Job 作業(yè)。

Transformation（轉(zhuǎn)換）：相當(dāng)于一個(gè)容器，對(duì)數(shù)據(jù)操作進(jìn)行了定義。數(shù)據(jù)操作就是數(shù)據(jù)從輸入到輸出的一個(gè)過程。在通常的工作中，我們會(huì)把任務(wù)分解成為不同的作業(yè)，然后再把作業(yè)分解成多個(gè)轉(zhuǎn)換。

Job（作業(yè)）：相比于轉(zhuǎn)換是個(gè)更大的容器，它負(fù)責(zé)將轉(zhuǎn)換組織起來完成某項(xiàng)作業(yè)。

Transformation 可以分成三個(gè)步驟，它包括了輸入、中間轉(zhuǎn)換以及輸出。

在 Transformation 中包括兩個(gè)主要概念：Step 和 Hop。

Step（步驟）：Step 是轉(zhuǎn)換的最小單元。在上面這個(gè)轉(zhuǎn)換中，就包括了表輸入、值映射、去除重復(fù)記錄、表輸出這 4 個(gè)步驟；

Hop（跳躍線）：用來在轉(zhuǎn)換中連接 Step。它代表了數(shù)據(jù)的流向。

如何創(chuàng)建 Job（作業(yè)）：完整的任務(wù)，實(shí)際上是將創(chuàng)建好的轉(zhuǎn)換和作業(yè)串聯(lián)起來。在這里 Job 包括兩個(gè)概念：Job Entry、Hop。

Job Entry（工作實(shí)體）：Job Entry 是 Job 內(nèi)部的執(zhí)行單元，每一個(gè) Job Entry 都是用來執(zhí)行具體的任務(wù)，比如調(diào)用轉(zhuǎn)換，發(fā)送郵件等。

Hop：指連接 Job Entry 的線。并且它可以指定是否有條件地執(zhí)行。

案例 1：如何將文本文件的內(nèi)容轉(zhuǎn)化到 MySQL 數(shù)據(jù)庫中

總結(jié)

以上是生活随笔為你收集整理的数据集成--ETL工具的全部內(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(cuò)，歡迎將生活随笔推薦給好友。