大資料ETL詳解

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，隻有不斷的發現問題并解決問題，才能使ETL運作效率更高，為項目後期開發提供準确的資料。

　　ETL的設計分三部分：資料抽取、資料的清洗轉換、資料的加載。在設計ETL的時候也是從這三部分出發。資料的抽取是從各個不同的資料源抽取到ODS中(這個過程也可以做一些資料的清洗和轉換)，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的運作效率。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。資料的加載一般在資料清洗完了之後直接寫入DW(Data Warehouse)中去。

　　ETL的實作有多種方法，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等實作，第二種是SQL方式實作，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，屏蔽複雜的編碼任務，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運作效率，但是編碼複雜，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。

　　資料的抽取

　　資料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：資料是從幾個業務系統中來？各個業務系統的資料庫伺服器運作什麼DBMS？是否存在手工資料，手工資料量有多大？是否存在非結構化的資料？等等類似問題，當收集完這些資訊之後才可以進行資料抽取的設計。

　　1、與存放DW的資料庫系統相同的資料源處理方法

　　這一類數源在設計比較容易，一般情況下，DBMS(包括SQLServer，Oracle)都會提供資料庫連結功能，在DW資料庫伺服器和原業務系統之間建立直接的連結關系就可以寫Select 語句直接通路。

　　2、與DW資料庫系統不同的資料源的處理方法。

　　這一類資料源一般情況下也可以通過ODBC的方式建立資料庫連結，如SQL Server和Oracle之間。如果不能建立資料庫連結，可以有兩種方式完成，一種是通過工具将源資料導出成.txt或者是.xls檔案，然後再将這些源系統檔案導入到ODS中。另外一種方法通過程式接口來完成。

　　3、對于檔案類型資料源(.txt,，xls)，可以教育訓練業務人員利用資料庫工具将這些資料導入到指定的資料庫，然後從指定的資料庫抽取。或者可以借助工具實作，如SQL SERVER 2005 的SSIS服務的平面資料源和平面目标等元件導入ODS中去。

　　4、增量更新問題

　　對于資料量大的系統，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，可以用作增量的标志，每次抽取之前首先判斷ODS中記錄最大的時間，然後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。

　　資料的清洗轉換

　　一般情況下，資料倉庫分為ODS、DW兩部分，通常的做法是從業務系統到ODS做清洗，将髒資料和不完整資料過濾掉，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、資料清洗

　　資料清洗的任務是過濾那些不符合要求的資料，将過濾的結果交給業務主管部門，确認是否過濾掉還是由業務機關修正之後再進行抽取。不符合要求的資料主要是有不完整的資料、錯誤的資料和重複的資料三大類。

　　A、不完整的資料，其特征是是一些應該有的資訊缺失，如供應商的名稱，分公司的名稱，客戶的區域資訊缺失、業務系統中主表與明細表不能比對等。需要将這一類資料過濾出來，按缺失的内容分别寫入不同Excel檔案向客戶送出，要求在規定的時間内補全。補全後才寫入資料倉庫。

　　B、錯誤的資料，産生原因是業務系統不夠健全，在接收輸入後沒有進行判斷直接寫入背景資料庫造成的，比如數值資料輸成全角數字字元、字元串資料後面有一個回車、日期格式不正确、日期越界等。這一類資料也要分類，對于類似于全角字元、資料前後有不面見字元的問題隻能寫SQL的方式找出來，然後要求客戶在業務系統修正之後抽取;日期格式不正确的或者是日期越界的這一類錯誤會導緻ETL運作失敗，這一類錯誤需要去業務系統資料庫用SQL的方式挑出來，交給業務主管部門要求限期修正，修正之後再抽取。

　　C、重複的資料，特别是維表中比較常見，将重複的資料的記錄所有字段導出來，讓客戶确認并整理。

　　資料清洗是一個反複的過程，不可能在幾天内完成，隻有不斷的發現問題，解決問題。對于是否過濾、是否修正一般要求客戶确認;對于過濾掉的資料，寫入Excel檔案或者将過濾資料寫入資料表，在ETL開發的初期可以每天向業務機關發送過濾資料的郵件，促使他們盡快的修正錯誤，同時也可以作為将來驗證資料的依據。資料清洗需要注意的是不要将有用的資料過濾掉了，對于每個過濾規則認真進行驗證，并要使用者确認才行。

　　2、資料轉換

　　資料轉換的任務主要是進行不一緻的資料轉換、資料粒度的轉換和一些商務規則的計算。

　　A、不一緻資料轉換，這個過程是一個整合的過程，将不同業務系統的相同類型的資料統一，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，這樣在抽取過來之後統一轉換成一個編碼。

　　B、資料粒度的轉換，業務系統一般存儲非常明細的資料，而資料倉庫中的資料是用來分析的，不需要非常明細的資料，一般情況下，會将業務系統資料按照資料倉庫粒度進行聚合。

　　C、商務規則的計算，不同的企業有不同的業務規則，不同的資料名額，這些名額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中将這些資料名額計算好了之後存儲在資料倉庫中，供分析使用。

　　ETL日志與警告發送

　　1、ETL日志，記錄日志的目的是随時可以知道ETL運作情況，如果出錯了，出錯在那裡。

　　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，記錄每次運作每一步驟的起始時間，影響了多少行資料，流水賬形式。第二類是錯誤日志，當某個子產品出錯的時候需要寫錯誤日志，記錄每次出錯的時間，出錯的子產品以及出錯的資訊等。第三類日志是總體日志，隻記錄ETL開始時間，結束時間是否成功資訊。