原文轉發自：https://zhuanlan.zhihu.com/p/73102112
ETL常用的三種工具介紹及對比Datastage，Informatica和Kettle
ETL是數據倉庫中的非常重要的一環，是承前啟后的必要的一步。ETL負責將分布的、異構數據源中的數據如關系數據、平面數據文件等抽取到臨時中間層后進行清洗、轉換、集成，最后加載到數據倉庫或數據集市中，成為聯機分析處理、數據挖掘的基礎。
下面給大家介紹一下什么是ETL以及ETL常用的三種工具——Datastage，Informatica，Kettle。
一、什么是ETL？
ETL，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。
數據倉庫結構
通俗的說法就是從數據源抽取數據出來，進行清洗加工轉換，然后加載到定義好的數據倉庫模型中去。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，其設計的好壞影響生成數據的質量，直接關系到BI項目的成敗。
二、為什么要用ETL工具？
在數據處理的時候，我們有時會遇到這些問題：
▶ 當數據來自不同的物理主機，這時候如使用SQL語句去處理的話，就顯得比較吃力且開銷也更大。
▶ 數據來源可以是各種不同的數據庫或者文件，這時候需要先把他們整理成統一的格式后才可以進行數據的處理，這一過程用代碼實現顯然有些麻煩。
▶ 在數據庫中我們當然可以使用存儲過程去處理數據，但是處理海量數據的時候存儲過程顯然比較吃力，而且會占用較多數據庫的資源，這可能會導致數據資源不足，進而影響數據庫的性能。
而上述遇到的問題，我們用ETL工具就可以解決。ETL工具具有以下幾點優勢：
1、支持多種異構數據源的連接。（部分）
2、圖形化的界面操作十分方便。
3、處理海量數據速度快、流程更清晰等。
三、ETL工具介紹
1、Datastage
IBM公司的商業軟件，最專業的ETL工具，但同時價格不菲，適合大規模的ETL應用。
使用難度：★★★★
2、Informatica
商業軟件，相當專業的ETL工具。價格上比Datastage便宜一點，也適合大規模的ETL應用。
使用難度：★★
3、Kettle
免費，最著名的開源產品，是用純java編寫的ETL工具，只需要JVM環境即可部署，可跨平台，擴展性好。
使用難度：★★
四、三種ETL工具的對比
Datastage、Informatica、Kettle三個ETL工具的特點和差異介紹：
1、操作
這三種ETL工具都是屬於比較簡單易用的，主要看開發人員對於工具的熟練程度。
Informatica有四個開發管理組件，開發的時候我們需要打開其中三個進行開發，Informatica沒有ctrl+z的功能，如果對job作了改變之后，想要撤銷，返回到改變前是不可能的。相比Kettle跟Datastage在測試調試的時候不太方便。Datastage全部的操作在同一個界面中，不用切換界面，能夠看到數據的來源，整個job的情況，在找bug的時候會比Informatica方便。
Kettle介於兩者之間。
2、部署
Kettle只需要JVM環境，Informatica需要服務器和客戶端安裝，而Datastage的部署比較耗費時間，有一點難度。
3、數據處理的速度
大數據量下Informatica與Datastage的處理速度是比較快的，比較穩定。Kettle的處理速度相比之下稍慢。
4、服務
Informatica與Datastage有很好的商業化的技術支持，而Kettle則沒有。商業軟件的售后服務上會比免費的開源軟件好很多。
5、風險
風險與成本成反比，也與技術能力成正比。
6、擴展
Kettle的擴展性無疑是最好，因為是開源代碼，可以自己開發拓展它的功能，而Informatica和Datastage由於是商業軟件，基本上沒有。
7、Job的監控
三者都有監控和日志工具。
在數據的監控上，個人覺得Datastage的實時監控做的更加好，可以直觀看到數據抽取的情況，運行到哪一個控件上。這對於調優來說，我們可以更快的定位到處理速度太慢的控件並進行處理，而informatica也有相應的功能，但是並不直觀，需要通過兩個界面的對比才可以定位到處理速度緩慢的控件。有時候還需要通過一些方法去查找。
8、網上的技術文檔
Datastage < Informatica < kettle,相對來說，Datastage跟Informatica在遇到問題去網上找到解決方法的概率比較低，kettle則比較多。
五、項目經驗分享
在項目中，很多時候我們都需要同步生產庫的表到數據倉庫中。一百多張表同步、重復的操作，對開發人員來說是細心和耐心的考驗。在這種情況下，開發人員最喜歡的工具無疑是kettle，多個表的同步都可以用同一個程序運行，不必每一張表的同步都建一個程序，而informatica雖然有提供工具去批量設計，但還是需要生成多個程序進行一一配置，而datastage在這方面就顯得比較笨拙。
在做增量表的時候，每次運行后都需要把將最新的一條數據操作時間存到數據庫中，下次運行我們就取大於這個時間的數據。Kettle有控件可以直接讀取數據庫中的這個時間置為變量；對於沒有類似功能控件的informatica，我們的做法是先讀取的數據庫中的這個時間存到文件，然后主程序運行的時候指定這個文件為參數文件，也可以得到同樣的效果。
