大数据什么是ETL.pdf

⼤数据什么是 ⼤数据什么是ETL ETL 概念 概念 ETL 这个术语来源于数据仓库，ETL 指的是将业务系统的数据经过抽取、清洗转换之后加载到数据仓库的过程。ETL 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。 ETL是 BI 项⽬重要的⼀个环节。 通常情况下，在 BI 项⽬中 ETL 会花掉整个项⽬⾄少 1/3 的时间,ETL 设计的好坏直接关接到 BI 项⽬的成 败。 BI 即商务智能,它是⼀套完整的解决⽅案,⽤来将企业中现有的数据进⾏有效的整合,快速准确地提供报表并提出决策依据,帮助企业 做出明智的业务经营决策。 ETL 的设计分三部分：数据抽取(extract)、数据的清洗转换(transform)、数据的加载（load）。 在设计 ETL 的时候我们也是从这三部分出发。 数据的抽取是从各个不同的数据源抽取到 ODS(Operational Data Store，操作型数据存储，即⼀种常被⽤作数据仓库临时区域的数据库) 中，这个过程也可以做⼀些简单的数据的清洗和转换。在抽取的过程中需要挑选不同的抽取⽅法，尽可能的提⾼ ETL 的运⾏效率。 ETL 三个部分中，花费时间最长的是 "T"(Transform，清洗、转换) 的部分，⼀般情况下这部分⼯作量是整个 ETL 的2/3。 数据的加载⼀般在数据清洗完了之后直接写⼊ DW(Data Warehousing，数据仓库) 中去。 ETL 的实现有多种⽅法，常⽤的有三种。 借助 ETL ⼯具(如 Oracle的 OWB、SQL Server 2000 的 DTS、SQL Server2005 的 SSIS 服务、Informatic 等) 实现 使⽤ SQL ⽅式实现 ETL ⼯具和 SQL 相结合 前两种⽅法各有各的优缺点，借助⼯具可以快速的建⽴起 ETL ⼯程，屏蔽了复杂的编码任务，提⾼了速度，降低了难度，但是缺少灵活 性。SQL 的⽅法优点是灵活，提⾼ ETL 运⾏效率，但是编码复杂，对技术要求⽐较⾼。第三种是综合了前⾯⼆种的优点，会极⼤地提⾼ ETL 的开发速度和效率。 数据的抽取（ 数据的抽取（Extract） ） 这⼀部分需要在调研阶段做⼤量的⼯作，⾸先要搞清楚数据是从⼏个业务系统中来,各个业务系统的数据库服务器运⾏什么 DBMS,是否存在 ⼿⼯数据，⼿⼯数据量有多⼤，是否存在⾮结构化的数据等等，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 、对于与存放 DW 的数据库系统相同的数据源处理⽅法 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 、对于与 DW 数据库系统不同的数据源的处理⽅法 数据库系统不同的数据源的处理⽅法 对于这⼀类数据源，⼀般情况下也可以通过 ODBC 的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， 可以有两种⽅式完成，⼀种是通过⼯具将源数据导出成 .txt 或者是 .xls ⽂件，然后再将这些源系统⽂件导⼊到 ODS 中。另外⼀种⽅法是通 过程序接⼝来完成。 3、对于⽂件类型数据源 、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 ，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。 现。 4、增量更新的问题 、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。 数据的清洗转换（ 数据的清洗转换（Cleaning、 、Transform） ） 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 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。 不符合要求的数据主要是有不完整的数据、错误的数据、重复的数据三⼤类。 不完整的数据：这⼀类数据主要是⼀些应该有的信息缺失，如供应商的名称、分公司的名称、客户的