大資料ETL詳解

2021-08-28 00:00:10 字數 2950 閱讀 3624

etl是bi專案最重要的乙個環節,通常情況下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,為專案後期開發提供準確的資料。

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(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(data warehouse)中去。

etl的實現有多種方法,常用的有三種,第一種是借助etl工具如oracle的owb、sql server 2000的dts、sql server2005的ssis服務、informatic等實現,第二種是sql方式實現,第三種是etl工具和sql相結合。前兩種方法各有優缺點,借助工具可以快速的建立起etl工程,遮蔽複雜的編碼任務,提高速度,降低難度,但是欠缺靈活性。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,極大的提高etl的開發速度和效率。

資料的抽取

資料的抽取需要在調研階段做大量工作,首先要搞清楚以下幾個問題: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?等等類似問題,當收集完這些資訊之後才可以進行資料抽取的設計。

1、與存放dw的資料庫系統相同的資料來源處理方法

這一類數源在設計比較容易,一般情況下,dbms(包括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、與dw資料庫系統不同的資料來源的處理方法。

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sql server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抽取。或者可以借助工具實現,如sql server 2005 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、增量更新問題

對於資料量大的系統,必須考慮增量抽取。一般情況,業務系統會記錄業務發生的時間,可以用作增量的標誌,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的所有記錄。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。

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,再從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、錯誤的資料和重複的資料三大類。

a、不完整的資料,其特徵是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。需要將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。

b、錯誤的資料,產生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、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、資料前後有不面見字元的問題只能寫sql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。

c、重複的資料,特別是維表中比較常見,將重複的資料的記錄所有字段匯出來,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,促使他們盡快的修正錯誤,同時也可以作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了,對於每個過濾規則認真進行驗證,並要使用者確認才行。

2、資料轉換

資料轉換的任務主要是進行不一致的資料轉換、資料粒度的轉換和一些商務規則的計算。

a、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。

b、資料粒度的轉換,業務系統一般儲存非常明細的資料,而資料倉儲中的資料是用來分析的,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。

c、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,供分析使用。

etl日誌與警告傳送

1、etl日誌,記錄日誌的目的是隨時可以知道etl運**況,如果出錯了,出錯在那裡。

etl日誌分為三類。第一類是執行過程日誌,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。第二類是錯誤日誌,當某個模組出錯的時候需要寫錯誤日誌,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,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。

2、警告傳送

etl出錯了,不僅要寫etl出錯日誌而且要向系統管理員傳送警告,傳送警告的方式有多種,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。

大資料ETL詳解

etl是bi專案最重要的乙個環節,通常情況下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,為專案後期開發提供準確的資料。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...

大資料 ETL之增量資料抽取 CDC

本文遵循 gpl開源協議,如若 change data capture,變化的資料捕獲,也稱 增量資料抽取 名詞解釋 cdc是一種實現資料的增量抽取解決方案,是實現 etl整體解決方案 中的一項子方案 子問題。對cdc的定位 在etl專案中,面臨需要抽取哪部分資料載入到資料倉儲?全量抽取,還是增量抽...

ETL設計詳解

etl是bi專案最重要的乙個環節,通常情況下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,為專案後期開發提供準確的資料。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...