資料倉儲
oltp
olap
etl，extraction-transformation-loading的縮寫，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。
在資料倉儲的構建中，etl貫穿於專案始終，它是整個資料倉儲的生命線，包括了資料清洗、整合、轉換、載入等各個過程。如果說資料倉儲是一座大廈，那麼etl就是大廈的根基。etl抽取整合資料的好壞直接影響到最終的結果展現。所以etl在整個資料倉儲專案中起著十分關鍵的作用，必須擺到十分重要的位置。
通過etl，我們可以基於源系統中的資料來生成資料倉儲。etl為我們搭建了oltp系統和olap系統之間的橋梁，是資料從源系統流入資料倉儲的通道。在資料倉儲的專案實施中，它關係到整個專案的資料質量，所以馬虎不得，必須將其擺到重要位置，將資料倉儲這一大廈的根基築牢!
etl主要是利用轉換伺服器的處理能力，從源表抽取資料後，在轉換伺服器中進行資料清洗、轉換，完成後載入到目標庫中。它的轉換過程都是在轉換伺服器中進行的，所以它的效能瓶頸在中間的轉換伺服器中。
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。
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。
大 | 中 | 小
資料倉儲
oltp
olap
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。
四、補充對etl的理解：
1、資料收集：
a）收集位置多樣：不同伺服器上，不同位置上;
b）收集資料形式多樣：不同儲存檔案，不同儲存格式;
2、分析轉換統一資料形式：
a）分析解析不同檔案和不同資料格式;
b）將不同格式資料轉換為統一格式;
c）合併收集的資料;
3、將統一格式資料匯入資料倉儲。
如果說資料倉儲的模型設計是一座大廈的設計藍圖，資料是磚瓦的話，那麼etl就是建設大廈的過程。在整個專案中最難部分是使用者需求分析和模型設計，而etl規則設計和實施則是工作量最大的，約佔整個專案的60%～80%，這是國內外從眾多實踐中得到的普遍共識。
目前，etl工具的典型代表有:微軟ssis（取代了原來的dts）、informatica、datastage、oracle的owb和odi、另外，sun也有一套完整的etl工具。開源的工具有eclips的etl外掛程式。
etl的質量問題具體表現為正確性、完整性、一致性、完備性、有效性、時效性和可獲取性等幾個特性。
為了能更好地實現etl，建議使用者在實施etl過程中應注意以下幾點：
第一，保證整合與載入的高效性，可以分布式分析然後彙總;
第二，增強可控性，主動收集資料不要被動推送資料;
第三，應制定流程化的配置管理和標準協議;
第四，制定關鍵資料標準和非關鍵資料標準。
四種資料etl模式：
1）完全重新整理：資料倉儲資料表中只包括最新的資料，每次載入均刪除原有資料，然後完全載入最新的源資料。這種模式下，資料抽取程式抽取源資料中的所有記錄，在載入前，將目標資料表清空，然後載入所有記錄。為提高刪除資料的速度，一般是採用truncate清空資料表。如本系統中的入庫當前資訊表採用此種模式。
2）映象增量：源資料中的記錄定期更新，但記錄中包括記錄時間字段，源資料中儲存了資料歷史的記錄，etl可以通過記錄時間將增量資料從源資料抽取出來以附加的方式載入到資料倉儲中，資料的歷史記錄也會被保留在資料倉儲中
3）事件增量：每乙個記錄是乙個新的事件，相互之間沒有必然的聯絡，新記錄不是對原有記錄數值的變更，記錄包括時間字段，可以通過時間欄位將新增資料抽取出來載入到資料庫中。
4）映象比較：資料倉儲資料具有生效日期欄位以儲存資料的歷史資訊，而源資料不保留歷史並且每天都可能被更新。因此，只能將新的映象資料與上次載入的資料的映象進行比較，找出變更部分，更新歷史資料被更新記錄的生效終止日期，並新增變更後的資料。大多數源資料中需儲存歷史資訊的維表。
openstack學習之概念篇
2014 5 9 閱讀311 openstack 這個是官方正式寫法 是乙個基礎設施服務 iaas,infrasture as a service 的開源實現。具體介紹可以參考官方 https www.openstack org 也可以參考。iaas只是乙個概念或者說是乙個想法，它到底應該是乙個什麼...
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...
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...