ETL数据处理
推荐人 |
梅雨 |
推荐日期 |
7.8 |
完成日期 |
7.9 |
概要 |
ETL讲解 |
网址 |
|
性质 |
读书笔记 |
备注 |
ETL数据处理 |
一、关键字分析
ETL（数据仓库技术）：Extract-Transform-Load提取-转换-加载
DBMS(Database Management System) 数据库管理系统
DW:Data Warehouse 数据仓库
ODBC（Open Database Connectivity）即开放数据库互连
ODS操作型数据存储（operationaldatastore）是一种常被用作数据仓库临时区域的数据库
二、ETL目的
目的是将企业中的分散、零乱、标准不统一的数据整合到一起，为企业的决策提供分析依据构建数据仓库。常用在数据仓库，但其对象并不限于数据仓库。DEL:用来描述将数据从来源端经过抽取（extract）、交互转换（transform）、加载（load）至目的端（数据仓库）的过程，
三、ETL作用
ETL是构建数据仓库的重要一环，用户从数据源抽取出所需的数据，经过数据清洗,最终按照预先定义好的数据仓库模型，将数据加载到数据仓库中去（数据源-----数据清洗----数据仓库模型-----数据仓库中去） 并把数据转换为信息、知识，已经成了提高其核心竞争力的主要瓶颈。ETL主要的一个技术手段
四、数据治理步骤（E、T、L：抽取、转换和装载。）
4.1数据的抽取
调研工作：1.数据是从几个业务系统中来2.各个业务系统的数据库服务器运行什么DBMS3.是否存在手工数据，手工数据量有多大4.是否存在非结构化的数据等等 5.当收集完这些信息之后才可以进行数据抽取的设计。
1、对于与存放DW的数据库系统相同的数据源处理方法
这一类数据源在设计上比较容易。一般情况下，DBMS(SQLServer、Oracle)都会提供数据库链接功能，在DW数据库服务器和原业务系统之间建立直接的链接关系就可以写Select 语句直接访问。
2、对于与DW数据库系统不同的数据源的处理方法
（1）通过ODBC方式建立数据库链接——如SQL Server和Oracle之间。如果不能建立数据库链接
（2）通过工具将源数据导出成.txt是.xls文件，然后再将这些源系统文件导入到ODS中。
（3）通过程序接口来完成。
3、对于文件类型数据源(.txt,.xls)，可以培训业务人员利用数据库工具将这些数据导入到指定的数据库，然后从指定的数据库中抽取。或者还可以借助工具实现。
4、增量更新的问题
对于数据量大的系统，必须考虑增量抽取。一般情况下，业务系统会记录业务发生的时间，我们可以用来做增量的标志,每次抽取之前首先判断ODS中记录最大的时间，然后根据这个时间去业务系统取大于这个时间所有的记录。利用业务系统的时间戳，一般情况下，业务系统没有或者部分有时间戳。
4.2数据的清洗
一般情况下，数据仓库分为ODS、DW两部分。通常的做法是从业务系统到ODS做清洗，将脏数据和不完整数据过滤掉，在从ODS到DW的过程中转换，进行一些业务规则的计算和聚合。
1、数据清洗
数据清洗的任务是过滤那些不符合要求的数据，将过滤的结果交给业务主管部门，确认是否过滤掉还是由业务单位修正之后再进行抽取。
不符合要求三类数据：不完整的数据、错误的数据、重复的数据。
(1)不完整的数据：主要是一些应该有的信息缺失对于这一类数据过滤出来，按缺失的内容分别写入不同Excel文件向客户提交，要求在规定的时，补全后才写入数据仓库。
(2)错误的数据：这一类错误产生的原因是业务系统不够健全，在接收输入后没有进行判断直接写入后台数据库造成的只能通过写SQL语句的方式找出来，然后要求客户在业务系统修正之后抽取。
(3)重复的数据：对于这一类数据——特别是维表中会出现这种情况——将重复数据记录的所有字段导出来，让客户确认并整理。
4.3 数据转换
(1)不一致数据转换：这个过程是一个整合的过程，将不同业务系统的相同类型的数据统一，比如同一个供应商在结算系统的编码是XX0001,而在CRM中编码是YY0001，这样在抽取过来之后统一转换成一个编码。
(2)数据粒度的转换：业务系统一般存储非常明细的数据，而数据仓库中数据是用来分析的，不需要非常明细的数据。一般情况下，会将业务系统数据按照数据仓库粒度进行聚合。
(3)商务规则的计算：不同的企业有不同的业务规则、不同的数据指标，这些指标有的时候不是简单的加加减减就能完成，这个时候需要在ETL中将这些数据指标计算好了之后存储在数据仓库中，以供分析使用。
五、 ETL日志、警告发送
5.1ETL日志。
1.是执行过程日志，这一部分日志是在ETL执行过程中每执行一步的记录，记录每次运行每一步骤的起始时间，影响了多少行数据，流水账形式。
2.是错误日志，当某个模块出错的时候写错误日志，记录每次出错的时间、出错的模块以及出错的信息等。
3.是总体日志，只记录ETL开始时间、结束时间是否成功信息。如果使用ETL工具,ETL工具会自动产生一些日志，这一类日志也可以作为ETL日志的一部分。
记录日志的目的是随时可以知道ETL运行情况，如果出错了，可以知道哪里出错。
5.2 警告发送
如果ETL出错了，不仅要形成ETL出错日志，而且要向系统管理员发送警告。发送警告的方式多种，一般常用的就是给系统管理员发送邮件，并附上出错的信息，方便管理员排查错误。
做数据仓库系统，ETL是关键的一环。说大了，ETL是数据整合解决方案，说小了，就是倒数据的工具。回忆一下工作这么长时间以来，处理数据迁移、转换的工作倒还真的不少。但是那些工作基本上是一次性工作或者很小数据量。可是在数据仓库系统中，ETL上升到了一定的理论高度，和原来小打小闹的工具使用不同了。究竟什么不同，从名字上就可以看到，人家已经将倒数据的过程分成3个步骤，
其实ETL过程就是数据流动的过程，从不同的数据源流向不同的目标数据。但在数据仓库中，
六、ETL特点
6.1数据同步（经常性的，实时）
它不是一次性倒完数据就拉到，它是经常性的活动，按照固定周期运行的，甚至现在还有人提出了实时ETL的概念。
6.2是数据量
一般都是巨大的，值得你将数据流动的过程拆分成E、T和L。
七．Kettle
Kettle是一款国外开源的ETL工具，纯java编写，可以在Window、Linux、Unix上运行，数据抽取高效稳定
Kettle家族目前包括4个产品：Spoon、Pan、CHEF、Kitchen。
SPOON 允许你通过图形界面来设计ETL转换过程（Transformation）。
PAN 允许你批量运行由Spoon设计的ETL转换 (例如使用一个时间调度器)。Pan是一个后台执行的程序，没有图形界面。
CHEF 允许你创建任务（Job）。任务通过允许每个转换，任务，脚本等等，更有利于自动化更新数据仓库的复杂工作。任务通过允许每个转换，任务，脚本等等。任务将会被检查，看看是否正确地运行了。
KITCHEN 允许你批量使用由Chef设计的任务 (例如使用一个时间调度器)。KITCHEN也是一个后台运行的程序。