etl學習1 認識etl

2021-05-27 15:05:02 字數 3213 閱讀 2199

etl即資料抽取(extract)、轉換(transform)、裝載(load)的過程,它是構建資料倉儲的重要環節。

etl是將業務系統的資料經過抽取、清洗轉換之後載入到資料倉儲的過程,目的是將企業中的分散、零亂、標準不統一的資料整合到一起,為企業的決策提供分析依據。etl是bi專案重要的乙個環節。通常情況下,在bi專案中etl會花掉整個專案的1/3的時間,etl設計的好壞直接關接到bi專案的成敗。

etl的設計分三部分:資料抽取、資料的清洗轉換、資料的載入。在設計etl的時候我們也是從這三部分出發。資料的抽取是從各個不同的資料來源抽取到ods(operationaldatastore,操作型資料儲存)中——這個過程也可以做一些資料的清洗和轉換),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的執行效率。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。資料的載入一般在資料清洗完了之後直接寫入dw(datawarehousing,資料倉儲)中去。

etl的實現有多種方法,常用的有三種。一種是借助etl工具(如oracle的owb、sqlserver2000的dts、sqlserver2005的ssis服務、informatic等)實現,一種是sql方式實現,另外一種是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,遮蔽了複雜的編碼任務,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執行效率,但是編碼複雜,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。

一、資料的抽取

這一部分需要在調研階段做大量的工作,首先要搞清楚資料是從幾個業務系統中來,各個業務系統的資料庫伺服器執行什麼dbms,是否存在手工資料,手工資料量有多大,是否存在非結構化的資料等等,當收集完這些資訊之後才可以進行資料抽取的設計。

1、對於與存放dw的資料庫系統相同的資料來源處理方法

這一類資料來源在設計上比較容易。一般情況下,dbms(sqlserver、oracle)都會提供資料庫鏈結功能,在dw資料庫伺服器和原業務系統之間建立直接的鏈結關係就可以寫select語句直接訪問。

2、對於與dw資料庫系統不同的資料來源的處理方法

對於這一類資料來源,一般情況下也可以通過odbc的方式建立資料庫鏈結——如sqlserver和oracle之間。如果不能建立資料庫鏈結,可以有兩種方式完成,一種是通過工具將源資料匯出成.txt或者是.xls檔案,然後再將這些源系統檔案匯入到ods中。另外一種方法是通過程式介面來完成。

3、對於檔案型別資料來源(.txt,.xls),可以培訓業務人員利用資料庫工具將這些資料匯入到指定的資料庫,然後從指定的資料庫中抽取。或者還可以借助工具實現,如sqlserver2005的ssis服務的平面資料來源和平面目標等元件匯入ods中去。

4、增量更新的問題

對於資料量大的系統,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誌,每次抽取之前首先判斷ods中記錄最大的時間,然後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。

二、資料的清洗轉換

一般情況下,資料倉儲分為ods、dw兩部分。通常的做法是從業務系統到ods做清洗,將髒資料和不完整資料過濾掉,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、資料清洗

資料清洗的任務是過濾那些不符合要求的資料,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後再進行抽取。不符合要求的資料主要是有不完整的資料、錯誤的資料、重複的資料三大類。

(1)不完整的資料:這一類資料主要是一些應該有的資訊缺失,如**商的名稱、分公司的名稱、客戶的區域資訊缺失、業務系統中主表與明細表不能匹配等。對於這一類資料過濾出來,按缺失的內容分別寫入不同excel檔案向客戶提交,要求在規定的時間內補全。補全後才寫入資料倉儲。

(2)錯誤的資料:這一類錯誤產生的原因是業務系統不夠健全,在接收輸入後沒有進行判斷直接寫入後台資料庫造成的,比如數值資料輸成全角數字字元、字串資料後面有乙個回車操作、日期格式不正確、日期越界等。這一類資料也要分類,對於類似於全形字符、資料前後有不可見字元的問題,只能通過寫sql語句的方式找出來,然後要求客戶在業務系統修正之後抽取。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執行失敗,這一類錯誤需要去業務系統資料庫用sql的方式挑出來,交給業務主管部門要求限期修正,修正之後再抽取。

(3)重複的資料:對於這一類資料——特別是維表中會出現這種情況——將重複資料記錄的所有字段匯出來,讓客戶確認並整理。

資料清洗是乙個反覆的過程,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,對於過濾掉的資料,寫入excel檔案或者將過濾資料寫入資料表,在etl開發的初期可以每天向業務單位傳送過濾資料的郵件,促使他們盡快地修正錯誤,同時也可以做為將來驗證資料的依據。資料清洗需要注意的是不要將有用的資料過濾掉,對於每個過濾規則認真進行驗證,並要使用者確認。

2、資料轉換

資料轉換的任務主要進行不一致的資料轉換、資料粒度的轉換,以及一些商務規則的計算。

(1)不一致資料轉換:這個過程是乙個整合的過程,將不同業務系統的相同型別的資料統一,比如同乙個**商在結算系統的編碼是xx0001,而在crm中編碼是yy0001,這樣在抽取過來之後統一轉換成乙個編碼。

(2)資料粒度的轉換:業務系統一般儲存非常明細的資料,而資料倉儲中資料是用來分析的,不需要非常明細的資料。一般情況下,會將業務系統資料按照資料倉儲粒度進行聚合。

(3)商務規則的計算:不同的企業有不同的業務規則、不同的資料指標,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中將這些資料指標計算好了之後儲存在資料倉儲中,以供分析使用。

三、etl日誌、警告傳送

1、etl日誌

etl日誌分為三類。一類是執行過程日誌,這一部分日誌是在etl執行過程中每執行一步的記錄,記錄每次執行每一步驟的起始時間,影響了多少行資料,流水賬形式。一類是錯誤日誌,當某個模組出錯的時候寫錯誤日誌,記錄每次出錯的時間、出錯的模組以及出錯的資訊等。第三類日誌是總體日誌,只記錄etl開始時間、結束時間是否成功資訊。如果使用etl工具,etl工具會自動產生一些日誌,這一類日誌也可以作為etl日誌的一部分。記錄日誌的目的是隨時可以知道etl運**況,如果出錯了,可以知道**出錯。

2、警告傳送

如果etl出錯了,不僅要形成etl出錯日誌,而且要向系統管理員傳送警告。傳送警告的方式多種,一般常用的就是給系統管理員傳送郵件,並附上出錯的資訊,方便管理員排查錯誤。

etl是bi專案的關鍵部分,也是乙個長期的過程,只有不斷的發現問題並解決問題,才能使etl執行效率更高,為bi專案後期開發提供準確的資料。

ETL部分 ETL的學習

etl extract transform load extract transform load etl是將業務系統的資料經過抽取 清洗轉換之後載入到資料倉儲的過程,目的是將企業中的分散 零亂 標準不統一的資料整合到一起,為企業的決策提供分析依據。etl是bi專案重要的乙個環節。通常情況下,在bi...

ETL概念,ETL流程

etl是將業務系統的資料經過抽取 清洗轉換之後載入到資料倉儲的過程,目的是將企業中的分散 零亂 標準不統一的資料整合到一起,為企業的決策提供分析依據。etl是bi專案重要的乙個環節。通常情況下,在bi專案中etl會花掉整個專案至少1 3的時間,etl設計的好壞直接關接到bi專案的成敗。etl的設計分...

ETL學習筆記之一 ETL是什麼?

對於資料倉儲以及etl的知識,我基本上是個門外漢。一切都得從頭開始,記個筆記,方便自已了解學習進度。首先,我們來了解最基本的定義 嗯,也有人將etl簡單稱為資料抽取。至少在未學習之前,領導告訴我的是,你需要做乙個資料抽取的工具。其實呢,抽取是etl中的關鍵環節,顧名思義,也就將資料從不同的資料來源中...