ETL技術( Extract-Transform-Load) 數據倉庫技術-比如kettle

每次面試，互聯網的面試官，經常問我有沒有用過ETL,每次我都懵逼，說沒用過，覺得是多么高大上的東東，數據倉儲

今天查了一下，我暈，自己天天用的Kettle就是最典型的ETL，

可以實現不同數據庫之間的數據抽取，轉換，只需要你有相應的數據庫driver即可

查了一下資料記錄一下：

ETL，是英文 Extract-Transform-Load 的縮寫，用來描述將數據從來源端經過抽取（extract）、轉換（transform）、加載（load）至目的端的過程。ETL一詞較常用在 數據倉庫，但其對象並不限於數據倉庫。

ETL是構建數據倉庫的重要一環，用戶從 數據源抽取出所需的數據，經過 數據清洗,最終按照預先定義好的數據倉庫模型，將數據加載到數據倉庫中去。

信息是現代企業的重要資源，是企業運用科學管理、決策分析的基礎。目前，大多數企業花費大量的資金和時間來構建 聯機事務處理OLTP的業務系統和 辦公自動化系統，用來記錄事務處理的各種相關數據。據統計，數據量每2～3年時間就會成倍增長，這些數據蘊含着巨大的商業價值，而企業所關注的通常只占在總數據量的2%～4%左右。因此，企業仍然沒有最大化地利用已存在的數據資源，以至於浪費了更多的時間和資金，也失去制定關鍵商業決策的最佳契機。於是，企業如何通過各種技術手段，並把數據轉換為信息、知識，已經成了提高其核心競爭力的主要瓶頸。而ETL則是主要的一個技術手段。

 

工具應用

編輯

ETL工具的典型代表有:Informatica、Datastage、OWB、微軟DTS、 Beeload、 Kettle等等……

開源的工具有eclipse的etl插件:cloveretl

ETL的質量問題具體表現為正確性、完整性、一致性、完備性、有效性、時效性和可獲取性等幾個特性。而影響質量問題的原因有很多，由 系統集成和歷史數據造成的原因主要包括:業務系統不同時期系統之間數據模型不一致；業務系統不同時期業務過程有變化；舊系統模塊在運營、人事、財務、辦公系統等相關信息的不一致；遺留系統和新業務、管理系統 數據集成不完備帶來的不一致性。

實現ETL，首先要實現ETL轉換的過程。體現為以下幾個方面：

1、空值處理：可捕獲字段空值，進行加載或替換為其他含義數據，並可根據字段空值實現分流加載到不同目標庫。

2、規范化數據格式：可實現字段格式約束定義，對於 數據源中時間、數值、字符等數據，可自定義加載格式。

3、拆分數據：依據業務需求對字段可進行分解。例，主叫號 861082585313-8148，可進行區域碼和電話號碼分解。

4、驗證數據正確性：可利用Lookup及拆分功能進行 數據驗證。例如，主叫號861082585313-8148，進行區域碼和電話號碼分解后，可利用Lookup返回主叫網關或交換機記載的主叫地區，進行數據驗證。

5、數據替換：對於因業務因素，可實現無效數據、缺失數據的替換。

6、Lookup：查獲丟失數據 Lookup實現 子查詢，並返回用其他手段獲取的缺失字段，保證字段完整性。

7、建立ETL過程的主 外鍵約束：對無依賴性的非法數據，可替換或導出到錯誤數據文件中，保證主鍵唯一記錄的加載。

體系結構

編輯

ETL工具目前有兩種技術架構—— ETL架構和ELT架構，不仔細看好像沒什么不同之處，那么這兩種架構到底有什么區別呢？  [1] 

ETL架構

在ETL架構中，數據的流向是從源數據流到ETL工具，ETL工具是一個單獨的數據處理引擎，一般會在單獨的硬件服務器上，實現所有數據轉化的工作，然后將數據加載到目標數據倉庫中，如果要增加整個ETL過程的效率，則只能增強ETL工具服務器的配置，優化系統處理流程（一般可調的東西非常少）。IBM的datastage和Informatica的powercenter原來都是采用的這種架構。

ETL架構的優勢：

1. ETL可以分擔數據庫系統的負載（采用單獨的硬件服務器）
2. ETL相對於EL-T架構可以實現更為復雜的數據轉化邏輯
3. ETL采用單獨的硬件服務器。.
4. ETL與底層的數據庫數據存儲無關。

ELT架構

在 ELT架構中，ELT只負責提供圖形化的界面來設計業務規則，數據的整個加工過程都在目標和源的數據庫之間流動，ELT協調相關的數據庫系統來執行相關的應用，數據加工過程既可以在源數據庫端執行，也可以在目標數據倉庫端執行（主要取決於系統的架構設計和數據屬性）。當ETL過程需要提高效率，則可以通過對相關數據庫進行調優，或者改變執行加工的服務器就可以達到。一般數據庫廠商會力推該種架構，像 Oracle和 Teradata都極力宣傳ELT架構。

ELT架構的優勢：

1. ELT主要通過數據庫引擎來實現系統的可擴展性（尤其是當數據加工過程在晚上時，可以充分利用數據庫引擎的資源）
2. ELT可以保持所有的數據始終在數據庫當中，避免數據的加載和導出，從而保證效率，提高系統的可監控性。
3. ELT可以根據數據的分布情況進行並行處理優化，並可以利用數據庫的固有功能優化磁盤I/O。
4. ELT的可擴展性取決於數據庫引擎和其硬件服務器的可擴展性。
5. 通過對相關數據庫進行性能調優，ETL過程獲得3到4倍的效率提升一般不是特別困難。

注意事項

編輯

為了能更好地實現ETL，用戶在實施ETL過程中應注意以下幾點：

第一，如果條件允許，可利用數據中轉區對運營數據進行預處理，保證集成與加載的高效性；

第二，如果ETL的過程是主動“拉取”，而不是從內部“推送”，其可控性將大為增強；

第三，ETL之前應制定流程化的配置管理和標准協議；

第四，關鍵數據標准至關重要。ETL面臨的最大挑戰是當接收數據時其各源數據的異構性和低質量。以電信為例，A系統按照統計代碼管理數據，B系統按照賬目數字管理，C系統按照語音ID管理。當ETL需要對這三個系統進行集成以獲得對客戶的全面視角時，這一過程需要復雜的匹配規則、名稱/地址正常化與標准化。而ETL在處理過程中會定義一個關鍵數據標准，並在此基礎上，制定相應的數據接口標准。

第五，將數據加載到個體數據集時。在沒有一個集中化的數據庫情況下，擁有數據模板是非常重要的。它們是標准化的接口，每一個個體或者部門數據集市都能夠填充。確保你的ETL工具有這樣的功能，能夠擴展到一個數據倉庫平台，將信息從一個數據集市流動到下一個。  [2] 

特色功能

編輯

ETL過程在很大程度上受企業對源數據的理解程度的影響，也就是說從業務的角度看 數據集成非常重要。一個優秀的ETL設計應該具有如下功能：

管理簡單

采用 元數據方法，集中進行管理；接口、數據格式、傳輸有嚴格的規范；盡量不在 外部數據源安裝軟件； 數據抽取系統流程自動化，並有自動調度功能；抽取的數據及時、准確、完整；可以提供同各種數據系統的接口，系統適應性強；提供軟件框架系統，系統功能改變時，應用程序很少改變便可適應變化；可擴展性強。

標准定義數據

合理的業務模型設計對ETL至關重要。 數據倉庫是企業唯一、真實、可靠的 綜合數據平台。數據倉庫的設計建模一般都依照三范式、星型模型、雪花模型，無論哪種設計思想，都應該最大化地涵蓋關鍵業務數據，把運營環境中雜亂無序的數據結構統一成為合理的、關聯的、分析型的新結構，而ETL則會依照模型的定義去提取數據源，進行轉換、清洗，並最終加載到目標數據倉庫中。

模型的重要之處在於對數據做標准化定義，實現統一的編碼、統一的分類和組織。標准化定義的內容包括：標准代碼統一、業務 術語統一。ETL依照模型進行初始加載、增量加載、緩慢增長維、慢速變化維、事實表加載等 數據集成，並根據業務需求制定相應的加載策略、刷新策略、匯總策略、維護策略。

拓展新型應用

對業務數據本身及其運行環境的描述與定義的數據，稱之為 元數據（metadata）。元數據是描述數據的數據。從某種意義上說，業務數據主要用於支持業務系統應用的數據，而元數據則是 企業信息門戶、客戶關系管理、 數據倉庫、決策支持和 B2B等新型應用所不可或缺的內容。

元數據的典型表現為對象的描述，即對數據庫、表、列、列屬性（類型、格式、約束等）以及主鍵/外部鍵關聯等等的描述。特別是現行應用的異構性與分布性越來越普遍的情況下，統一的元數據就愈發重要了。“信息孤島”曾經是很多企業對其應用現狀的一種抱怨和概括，而合理的元數據則會有效地描繪出信息的關聯性。

而 元數據對於ETL的集中表現為：定義數據源的位置及數據源的屬性、確定從源數據到目標數據的對應規則、確定相關的業務邏輯、在數據實際加載前的其他必要的准備工作，等等，它一般貫穿整個 數據倉庫項目，而ETL的所有過程必須最大化地參照元數據，這樣才能快速實現ETL。

 

 

ETL是將業務系統的數據經過抽取、清洗轉換之后加載到數據倉庫的過程，目的是將企業中的分散、零亂、標准不統一的數據整合到一起，為企業的決策提供分析依據。 ETL是BI項目重要的一個環節。 通常情況下，在BI項目中ETL會花掉整個項目至少1/3的時間,ETL設計的好壞直接關接到BI項目的成敗。       

　　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的時候我們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(Operational Data Store，操作型數據存儲)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”(Transform，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(Data Warehousing，數據倉庫)中去。

　　ETL的實現有多種方法，常用的有三種。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，一種是SQL方式實現，另外一種是ETL工具和SQL相結合。前兩種方法各有各的優缺點，借助工具可以快速的建立起ETL工程，屏蔽了復雜的編碼任務，提高了速度，降低了難度，但是缺少靈活性。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，會極大地提高ETL的開發速度和效率。

　　一、 數據的抽取（Extract）

　　這一部分需要在調研階段做大量的工作，首先要搞清楚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，當收集完這些信息之后才可以進行數據抽取的設計。

　　1、對於與存放DW的數據庫系統相同的數據源處理方法

　　這一類數據源在設計上比較容易。一般情況下，DBMS(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、對於與DW數據庫系統不同的數據源的處理方法

　　對於這一類數據源，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。另外一種方法是通過程序接口來完成。

　　3、對於文件類型數據源(.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中抽取。或者還可以借助工具實現。

　　4、增量更新的問題

　　對於數據量大的系統，必須考慮增量抽取。一般情況下，業務系統會記錄業務發生的時間，我們可以用來做增量的標志,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於這個時間所有的記錄。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。

二、數據的清洗轉換（Cleaning、Transform）

　　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，在從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、重復的數據三大類。

　　(1)不完整的數據：這一類數據主要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。對於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。

　　(2)錯誤的數據：這一類錯誤產生的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台數據庫造成的，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操作、日期格式不正確、日期越界等。這一類數據也要分類，對於類似於全角字符、數據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。

　　(3)重復的數據：對於這一類數據——特別是維表中會出現這種情況——將重復數據記錄的所有字段導出來，讓客戶確認並整理。

　　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。對於是否過濾，是否修正一般要求客戶確認，對於過濾掉的數據，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，促使他們盡快地修正錯誤,同時也可以做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，對於每個過濾規則認真進行驗證，並要用戶確認。

　　2、 數據轉換

　　數據轉換的任務主要進行不一致的數據轉換、數據粒度的轉換，以及一些商務規則的計算。

　　(1)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。

　　(2)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。

　　(3)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，以供分析使用。

三、ETL日志、警告發送

　　1、 ETL日志

　　ETL日志分為三類。

一類是執行過程日志，這一部分日志是在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。

一類是錯誤日志，當某個模塊出錯的時候寫錯誤日志，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,ETL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。

記錄日志的目的是隨時可以知道ETL運行情況，如果出錯了，可以知道哪里出錯。

　　2、 警告發送

　　如果ETL出錯了，不僅要形成ETL出錯日志，而且要向系統管理員發送警告。發送警告的方式多種，一般常用的就是給系統管理員發送郵件，並附上出錯的信息，方便管理員排查錯誤。

　　ETL是BI項目的關鍵部分，也是一個長期的過程，只有不斷的發現問題並解決問題，才能使ETL運行效率更高，為BI項目后期開發提供准確與高效的數據。

后記

     做數據倉庫系統，ETL是關鍵的一環。說大了，ETL是數據整合解決方案，說小了，就是倒數據的工具。回憶一下工作這么長時間以來，處理數據遷移、轉換的工作倒還真的不少。但是那些工作基本上是一次性工作或者很小數據量。可是在數據倉庫系統中，ETL上升到了一定的理論高度，和原來小打小鬧的工具使用不同了。究竟什么不同，從名字上就可以看到，人家已經將倒數據的過程分成3個步驟，E、T、L分別代表抽取、轉換和裝載。

其實ETL過程就是數據流動的過程，從不同的數據源流向不同的目標數據。但在數據倉庫中，

ETL有幾個特點，

一是數據同步，它不是一次性倒完數據就拉到，它是經常性的活動，按照固定周期運行的，甚至現在還有人提出了實時ETL的概念。

二是數據量，一般都是巨大的，值得你將數據流動的過程拆分成E、T和L。

    現在有很多成熟的工具提供ETL功能，且不說他們的好壞。從應用角度來說，ETL的過程其實不是非常復雜，這些工具給數據倉庫工程帶來和很大的便利性，特別是開發的便利和維護的便利。但另一方面，開發人員容易迷失在這些工具中。舉個例子，VB是一種非常簡單的語言並且也是非常易用的編程工具，上手特別快，但是真正VB的高手有多少？微軟設計的產品通常有個原則是“將使用者當作傻瓜”，在這個原則下，微軟的東西確實非常好用，但是對於開發者，如果你自己也將自己當作傻瓜，那就真的傻了。ETL工具也是一樣，這些工具為我們提供圖形化界面，讓我們將主要的精力放在規則上，以期提高開發效率。從使用效果來說，確實使用這些工具能夠非常快速地構建一個job來處理某個數據，不過從整體來看，並不見得他的整體效率會高多少。問題主要不是出在工具上，而是在設計、開發人員上。他們迷失在工具中，沒有去探求ETL的本質。可以說這些工具應用了這么長時間，在這么多項目、環境中應用，它必然有它成功之處，它必定體現了ETL的本質。如果我們不透過表面這些工具的簡單使用去看它背后蘊涵的思想，最終我們作出來的東西也就是一個個獨立的job，將他們整合起來仍然有巨大的工作量。大家都知道“理論與實踐相結合”，如果在一個領域有所超越，必須要在理論水平上達到一定的高度.

 

下面是ETL工具Kettle的使用

參考：ETL工具之Kettle的簡單使用一(不同數據庫之間的數據抽取-轉換-加載)

本文參考了：

參考：ETL（數據倉庫技術）

參考：ETL講解（很詳細！！！）