大數據 什么是 ETL

ETL 概念

ETL 這個術語來源於數據倉庫，ETL 指的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。ETL 的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。

BI 即商務智能,它是一套完整的解決方案,用來將企業中現有的數據進行有效的整合,快速准確地提供報表並提出決策依據,幫助企業做出明智的業務經營決策。

ETL 的設計分三部分：數據抽取(extract)、數據的清洗轉換(transform)、數據的加載（load）。

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，即一種常被用作數據倉庫臨時區域的數據庫) 中，這個過程也可以做一些簡單的數據的清洗和轉換。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。

• 借助 ETL 工具(如 Oracle的 OWB、SQL Server 2000 的 DTS、SQL Server2005 的 SSIS 服務、Informatic 等) 實現

• 使用 SQL 方式實現

• 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。

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。

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。

• 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。

• 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。

• 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。

• 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。

• 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。

• 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。

ETL日志、警告發送

1、 ETL日志

ETL日志分為三類。

• 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。

• 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。

• 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。

總結

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。在平時工作中，也會涉及不少處理數據遷移、轉換的工作，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。

ETL 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。