概述
ETL是BI項(xiàng)目最重要的一個環(huán)節(jié)擒滑，通常情況下ETL會花掉整個項(xiàng)目的1/3的時間腐晾，ETL設(shè)計的好壞直接關(guān)接到BI項(xiàng)目的成敗叉弦。ETL也是一個長期的過程，只有不斷的發(fā)現(xiàn)問題并解決問題藻糖，才能使ETL運(yùn)行效率更高淹冰，為項(xiàng)目后期開發(fā)提供準(zhǔn)確的數(shù)據(jù)。
ETL的設(shè)計分三部分：數(shù)據(jù)抽取巨柒、數(shù)據(jù)的清洗轉(zhuǎn)換樱拴、數(shù)據(jù)的加載。在設(shè)計ETL的時候也是從這三部分出發(fā)潘拱。數(shù)據(jù)的抽取是從各個不同的數(shù)據(jù)源抽取到ODS中(這個過程也可以做一些數(shù)據(jù)的清洗和轉(zhuǎn)換)疹鳄，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(yùn)行效率芦岂。ETL三個部分中瘪弓，花費(fèi)時間最長的是T(清洗、轉(zhuǎn)換)的部分禽最，一般情況下這部分工作量是整個ETL的2/3腺怯。數(shù)據(jù)的加載一般在數(shù)據(jù)清洗完了之后直接寫入DW中去。
ETL的實(shí)現(xiàn)有多種方法川无，常用的有三種呛占，第一種是借助ETL工具如Oracle的OWB、SQL server 2000的DTS懦趋、SQL Server2005的SSIS服務(wù)晾虑、informatic等實(shí)現(xiàn)，第二種是SQL方式實(shí)現(xiàn)仅叫，第三種是ETL工具和SQL相結(jié)合赂蕴。前兩種方法各有優(yōu)缺點(diǎn)棋凳，借助工具可以快速的建立起ETL工程忌穿，屏蔽復(fù)雜的編碼任務(wù)刃唤，提高速度，降低難度坎缭，但是欠缺靈活性竟痰。SQL的方法優(yōu)點(diǎn)是靈活，提高ETL運(yùn)行效率掏呼，但是編碼復(fù)雜坏快，對技術(shù)要求比較高。第三種是綜合了前面二種的優(yōu)點(diǎn)哄尔，極大的提高ETL的開發(fā)速度和效率假消。
數(shù)據(jù)的抽取
數(shù)據(jù)的抽取需要在調(diào)研階段做大量工作，首先要搞清楚以下幾個問題：
1） 數(shù)據(jù)是從幾個業(yè)務(wù)系統(tǒng)中來岭接？
2） 各個業(yè)務(wù)系統(tǒng)的數(shù)據(jù)庫服務(wù)器運(yùn)行什么DBMS富拗？
3） 是否存在手工數(shù)據(jù)，手工數(shù)據(jù)量有多大鸣戴？
4） 是否存在非結(jié)構(gòu)化的數(shù)據(jù)啃沪？
等等類似問題，當(dāng)收集完這些信息之后才可以進(jìn)行數(shù)據(jù)抽取的設(shè)計窄锅。
- 與存放DW的數(shù)據(jù)庫系統(tǒng)相同的數(shù)據(jù)源處理方法
這一類數(shù)源在設(shè)計比較容易创千，一般情況下，DBMS(包括SQLServer入偷，Oracle)都會提供數(shù)據(jù)庫鏈接功能追驴，在DW數(shù)據(jù)庫服務(wù)器和原業(yè)務(wù)系統(tǒng)之間建立直接的鏈接關(guān)系就可以寫Select 語句直接訪問。 - 與DW數(shù)據(jù)庫系統(tǒng)不同的數(shù)據(jù)源的處理方法
這一類數(shù)據(jù)源一般情況下也可以通過ODBC的方式建立數(shù)據(jù)庫鏈接疏之，如SQL Server和Oracle之間殿雪。如果不能建立數(shù)據(jù)庫鏈接，可以有兩種方式完成锋爪，一種是通過工具將源數(shù)據(jù)導(dǎo)出成.txt或者是.xls文件丙曙，然后再將這些源系統(tǒng)文件導(dǎo)入到ODS中。另外一種方法通過程序接口來完成其骄。 - 對于文件類型數(shù)據(jù)源(.txt,亏镰，xls)，可以培訓(xùn)業(yè)務(wù)人員利用數(shù)據(jù)庫工具將這些數(shù)據(jù)導(dǎo)入到指定的數(shù)據(jù)庫拯爽，然后從指定的數(shù)據(jù)庫抽取索抓。或者可以借助工具實(shí)現(xiàn)毯炮，如SQL SERVER 2005 的SSIS服務(wù)的平面數(shù)據(jù)源和平面目標(biāo)等組件導(dǎo)入ODS中去逼肯。
- 增量更新問題
對于數(shù)據(jù)量大的系統(tǒng)，必須考慮增量抽取否副。一般情況汉矿，業(yè)務(wù)系統(tǒng)會記錄業(yè)務(wù)發(fā)生的時間，可以用作增量的標(biāo)志备禀，每次抽取之前首先判斷ODS中記錄最大的時間洲拇，然后根據(jù)這個時間去業(yè)務(wù)系統(tǒng)取大于這個時間的所有記錄。利用業(yè)務(wù)系統(tǒng)的時間戳曲尸，一般情況下赋续，業(yè)務(wù)系統(tǒng)沒有或者部分有時間戳。
數(shù)據(jù)的清洗轉(zhuǎn)換
一般情況下另患，數(shù)據(jù)倉庫分為ODS纽乱、DW兩部分，通常的做法是從業(yè)務(wù)系統(tǒng)到ODS做清洗昆箕，將臟數(shù)據(jù)和不完整數(shù)據(jù)過濾掉鸦列，再從ODS到DW的過程中轉(zhuǎn)換租冠，進(jìn)行一些業(yè)務(wù)規(guī)則的計算和聚合。
- 數(shù)據(jù)清洗
數(shù)據(jù)清洗的任務(wù)是過濾那些不符合要求的數(shù)據(jù)薯嗤，將過濾的結(jié)果交給業(yè)務(wù)主管部門顽爹，確認(rèn)是否過濾掉還是由業(yè)務(wù)單位修正之后再進(jìn)行抽取。不符合要求的數(shù)據(jù)主要是有不完整的數(shù)據(jù)骆姐、錯誤的數(shù)據(jù)和重復(fù)的數(shù)據(jù)三大類镜粤。
A. 不完整的數(shù)據(jù)，其特征是是一些應(yīng)該有的信息缺失玻褪，如供應(yīng)商的名稱肉渴，分公司的名稱，客戶的區(qū)域信息缺失带射、業(yè)務(wù)系統(tǒng)中主表與明細(xì)表不能匹配等同规。需要將這一類數(shù)據(jù)過濾出來，按缺失的內(nèi)容分別寫入不同Excel文件向客戶提交庸诱，要求在規(guī)定的時間內(nèi)補(bǔ)全捻浦。補(bǔ)全后才寫入數(shù)據(jù)倉庫。
B. 錯誤的數(shù)據(jù)桥爽，產(chǎn)生原因是業(yè)務(wù)系統(tǒng)不夠健全朱灿，在接收輸入后沒有進(jìn)行判斷直接寫入后臺數(shù)據(jù)庫造成的，比如數(shù)值數(shù)據(jù)輸成全角數(shù)字字符钠四、字符串?dāng)?shù)據(jù)后面有一個回車盗扒、日期格式不正確、日期越界等缀去。這一類數(shù)據(jù)也要分類侣灶，對于類似于全角字符、數(shù)據(jù)前后有不面見字符的問題只能寫SQL的方式找出來缕碎，然后要求客戶在業(yè)務(wù)系統(tǒng)修正之后抽热煊啊；日期格式不正確的或者是日期越界的這一類錯誤會導(dǎo)致ETL運(yùn)行失敗咏雌，這一類錯誤需要去業(yè)務(wù)系統(tǒng)數(shù)據(jù)庫用SQL的方式挑出來凡怎，交給業(yè)務(wù)主管部門要求限期修正，修正之后再抽取赊抖。
C. 重復(fù)的數(shù)據(jù)统倒，特別是維表中比較常見，將重復(fù)的數(shù)據(jù)的記錄所有字段導(dǎo)出來氛雪，讓客戶確認(rèn)并整理房匆。
數(shù)據(jù)清洗是一個反復(fù)的過程，不可能在幾天內(nèi)完成，只有不斷的發(fā)現(xiàn)問題浴鸿，解決問題井氢。對于是否過濾、是否修正一般要求客戶確認(rèn)赚楚；對于過濾掉的數(shù)據(jù)毙沾，寫入Excel文件或者將過濾數(shù)據(jù)寫入數(shù)據(jù)表骗卜，在ETL開發(fā)的初期可以每天向業(yè)務(wù)單位發(fā)送過濾數(shù)據(jù)的郵件宠页，促使他們盡快的修正錯誤，同時也可以作為將來驗(yàn)證數(shù)據(jù)的依據(jù)寇仓。數(shù)據(jù)清洗需要注意的是不要將有用的數(shù)據(jù)過濾掉了举户，對于每個過濾規(guī)則認(rèn)真進(jìn)行驗(yàn)證，并要用戶確認(rèn)才行遍烦。 - 數(shù)據(jù)轉(zhuǎn)換
數(shù)據(jù)轉(zhuǎn)換的任務(wù)主要是進(jìn)行不一致的數(shù)據(jù)轉(zhuǎn)換俭嘁、數(shù)據(jù)粒度的轉(zhuǎn)換和一些商務(wù)規(guī)則的計算。
A. 不一致數(shù)據(jù)轉(zhuǎn)換服猪，這個過程是一個整合的過程供填，將不同業(yè)務(wù)系統(tǒng)的相同類型的數(shù)據(jù)統(tǒng)一，比如同一個供應(yīng)商在結(jié)算系統(tǒng)的編碼是XX0001罢猪，而在CRM中編碼是YY0001近她，這樣在抽取過來之后統(tǒng)一轉(zhuǎn)換成一個編碼。
B. 數(shù)據(jù)粒度的轉(zhuǎn)換膳帕，業(yè)務(wù)系統(tǒng)一般存儲非常明細(xì)的數(shù)據(jù)粘捎，而數(shù)據(jù)倉庫中的數(shù)據(jù)是用來分析的，不需要非常明細(xì)的數(shù)據(jù)危彩，一般情況下攒磨，會將業(yè)務(wù)系統(tǒng)數(shù)據(jù)按照數(shù)據(jù)倉庫粒度進(jìn)行聚合。
C. 商務(wù)規(guī)則的計算汤徽，不同的企業(yè)有不同的業(yè)務(wù)規(guī)則娩缰，不同的數(shù)據(jù)指標(biāo)，這些指標(biāo)有的時候不是簡單的加加減減就能完成谒府，這個時候需要在ETL中將這些數(shù)據(jù)指標(biāo)計算好了之后存儲在數(shù)據(jù)倉庫中拼坎，供分析使用。
ETL日志與警告發(fā)送
- ETL日志狱掂，記錄日志的目的是隨時可以知道ETL運(yùn)行情況演痒，如果出錯了，出錯在那里
ETL日志分為三類：
A. 第一類是執(zhí)行過程日志趋惨，是在ETL執(zhí)行過程中每執(zhí)行一步的記錄鸟顺，記錄每次運(yùn)行每一步驟的起始時間，影響了多少行數(shù)據(jù)，流水賬形式讯嫂。
B. 第二類是錯誤日志蹦锋，當(dāng)某個模塊出錯的時候需要寫錯誤日志，記錄每次出錯的時間欧芽，出錯的模塊以及出錯的信息等莉掂。
C. 第三類日志是總體日志，只記錄ETL開始時間千扔，結(jié)束時間是否成功信息憎妙。
如果使用ETL工具，工具會自動產(chǎn)生一些日志曲楚，這一類日志也可以作為ETL日志的一部分厘唾。 - 警告發(fā)送
ETL出錯了，不僅要寫ETL出錯日志而且要向系統(tǒng)管理員發(fā)送警告龙誊，發(fā)送警告的方式有多種抚垃，常用的就是給系統(tǒng)管理員發(fā)送郵件，并附上出錯的信息趟大，方便管理員排查錯誤鹤树。
原文：https://blog.csdn.net/guichenglin/article/details/78294975
