做视频网站利润如何,没有网站可以做淘宝客吗,查询网站这么做,西安小程序定制ETL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#xff0c;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#xff0c;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#xff0c;在BI项目中ETL会花掉整个项目至少1/3的时…ETL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。 ETL的设计分三部分数据抽取、数据的清洗转换、数据的加载。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)中——这个过程也可以做一些数据的清洗和转换)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。一种是借助ETL工具(如Oracle的OWB、SQL Server 2000的DTS、SQL Server2005的SSIS服务、Informatic等)实现一种是SQL方式实现另外一种是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。
一、 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 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(.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。
二、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。 (1)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、客户的区域信息缺失、业务系统中主表与明细表不能匹配等。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间内补全。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比如数值数据输成全角数字字符、字符串数据后面有一个回车操作、日期格式不正确、日期越界等。这一类数据也要分类对于类似于全角字符、数据前后有不可见字符的问题只能通过写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。日期格式不正确的或者是日期越界的这一类错误会导致ETL运行失败这一类错误需要去业务系统数据库用SQL的方式挑出来交给业务主管部门要求限期修正修正之后再抽取。 (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。 数据清洗是一个反复的过程不可能在几天内完成只有不断的发现问题解决问题。对于是否过滤是否修正一般要求客户确认对于过滤掉的数据写入Excel文件或者将过滤数据写入数据表在ETL开发的初期可以每天向业务单位发送过滤数据的邮件促使他们尽快地修正错误,同时也可以做为将来验证数据的依据。数据清洗需要注意的是不要将有用的数据过滤掉对于每个过滤规则认真进行验证并要用户确认。 2、 数据转换 数据转换的任务主要进行不一致的数据转换、数据粒度的转换以及一些商务规则的计算。 (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。
三、ETL日志、警告发送
1、 ETL日志 ETL日志分为三类。 一类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。 一类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。 第三类日志是总体日志只记录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。 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。 ETL是BI项目的关键部分也是一个长期的过程只有不断的发现问题并解决问题才能使ETL运行效率更高为BI项目后期开发提供准确与高效的数据。 后记 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E、T、L分别代表抽取、转换和装载。 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 ETL有几个特点 一是数据同步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。 二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。
ETL相关工具
ELT相关的工具有很多这里只列举一些常用的而且各公司的技术原型也不一样就需要根据实际情况来选择 数据抽取工具 kafka flume sync
数据清洗 hive/tez pig/tez storm spark
其它工具 数据存储hadoop、hbaseES、redis 任务管理azkaban、oozie 数据同步datax、sqoop
