ETL講解（很詳細！！！）

ETL講解（很詳細！！！）

ETL是將業務系統的數據經過抽取、清洗轉換之後載入到數據倉庫的過程，目的是將企業中的分散、零亂、標準不統一的數據整合到一起，為企業的決策提供分析依據。 ETL是BI項目重要的一個環節。 通常情況下，在BI項目中ETL會花掉整個項目至少1/3的時間,ETL設計的好壞直接關接到BI項目的成敗。       

　　ETL的設計分三部分：數據抽取、數據的清洗轉換、數據的載入。在設計ETL的時候我們也是從這三部分出發。數據的抽取是從各個不同的數據源抽取到ODS(Operational Data Store，操作型數據存儲)中——這個過程也可以做一些數據的清洗和轉換)，在抽取的過程中需要挑選不同的抽取方法，儘可能的提高ETL的運行效率。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。數據的載入一般在數據清洗完了之後直接寫入DW(Data Warehousing，數據倉庫)中去。

　　ETL的實現有多種方法，常用的有三種。一種是藉助ETL工具(如Oracle的OWB、SQL Server 2000的DTS、SQL Server2005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，藉助工具可以快速的建立起ETL工程，屏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運行效率，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、 數據的抽取（Extract）

　　這一部分需要在調研階段做大量的工作，首先要搞清楚數據是從幾個業務系統中來,各個業務系統的資料庫伺服器運行什麼DBMS,是否存在手工數據，手工數據量有多大，是否存在非結構化的數據等等，當收集完這些信息之後才可以進行數據抽取的設計。

　　1、對於與存放DW的資料庫系統相同的數據源處理方法

　　這一類數據源在設計上比較容易。一般情況下，DBMS(SQLServer、Oracle)都會提供資料庫鏈接功能，在DW資料庫伺服器和原業務系統之間建立直接的鏈接關係就可以寫Select 語句直接訪問。

　　2、對於與DW資料庫系統不同的數據源的處理方法

　　對於這一類數據源，一般情況下也可以通過ODBC的方式建立資料庫鏈接——如SQL Server和Oracle之間。如果不能建立資料庫鏈接，可以有兩種方式完成，一種是通過工具將源數據導出成.txt或者是.xls文件，然後再將這些源系統文件導入到ODS中。另外一種方法是通過程式介面來完成。

　　3、對於文件類型數據源(.txt,.xls)，可以培訓業務人員利用資料庫工具將這些數據導入到指定的資料庫，然後從指定的資料庫中抽取。或者還可以藉助工具實現。

　　4、增量更新的問題

　　對於數據量大的系統，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、數據的清洗轉換（Cleaning、Transform）

　　一般情況下，數據倉庫分為ODS、DW兩部分。通常的做法是從業務系統到ODS做清洗，將臟數據和不完整數據過濾掉，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、 數據清洗

　　數據清洗的任務是過濾那些不符合要求的數據，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。

不符合要求的數據主要是有不完整的數據、錯誤的數據、重覆的數據三大類。

　　(1)不完整的數據：這一類數據主要是一些應該有的信息缺失，如供應商的名稱、分公司的名稱、客戶的區域信息缺失、業務系統中主表與明細表不能匹配等。對於這一類數據過濾出來，按缺失的內容分別寫入不同Excel文件向客戶提交，要求在規定的時間內補全。補全後才寫入數據倉庫。

　　(2)錯誤的數據：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臺資料庫造成的，比如數值數據輸成全形數字字元、字元串數據後面有一個回車操作、日期格式不正確、日期越界等。這一類數據也要分類，對於類似於全形字元、數據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運行失敗，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)重覆的數據：對於這一類數據——特別是維表中會出現這種情況——將重覆數據記錄的所有欄位導出來，讓客戶確認並整理。

　　數據清洗是一個反覆的過程，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，對於過濾掉的數據，寫入Excel文件或者將過濾數據寫入數據表，在ETL開發的初期可以每天向業務單位發送過濾數據的郵件，促使他們儘快地修正錯誤,同時也可以做為將來驗證數據的依據。數據清洗需要註意的是不要將有用的數據過濾掉，對於每個過濾規則認真進行驗證，並要用戶確認。

　　2、 數據轉換

　　數據轉換的任務主要進行不一致的數據轉換、數據粒度的轉換，以及一些商務規則的計算。

　　(1)不一致數據轉換：這個過程是一個整合的過程，將不同業務系統的相同類型的數據統一，比如同一個供應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一個編碼。

　　(2)數據粒度的轉換：業務系統一般存儲非常明細的數據，而數據倉庫中數據是用來分析的，不需要非常明細的數據。一般情況下，會將業務系統數據按照數據倉庫粒度進行聚合。

　　(3)商務規則的計算：不同的企業有不同的業務規則、不同的數據指標，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中將這些數據指標計算好了之後存儲在數據倉庫中，以供分析使用。

三、ETL日誌、警告發送

　　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，記錄每次運行每一步驟的起始時間，影響了多少行數據，流水賬形式。

一類是錯誤日誌，當某個模塊出錯的時候寫錯誤日誌，記錄每次出錯的時間、出錯的模塊以及出錯的信息等。

第三類日誌是總體日誌，只記錄ETL開始時間、結束時間是否成功信息。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運行情況，如果出錯了，可以知道哪裡出錯。

　　2、 警告發送

　　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發送警告。發送警告的方式多種，一般常用的就是給系統管理員發送郵件，並附上出錯的信息，方便管理員排查錯誤。

　　ETL是BI項目的關鍵部分，也是一個長期的過程，只有不斷的發現問題並解決問題，才能使ETL運行效率更高，為BI項目後期開發提供準確與高效的數據。

後記

     做數據倉庫系統，ETL是關鍵的一環。說大了，ETL是數據整合解決方案，說小了，就是倒數據的工具。回憶一下工作這麼長時間以來，處理數據遷移、轉換的工作倒還真的不少。但是那些工作基本上是一次性工作或者很小數據量。可是在數據倉庫系統中，ETL上升到了一定的理論高度，和原來小打小鬧的工具使用不同了。究竟什麼不同，從名字上就可以看到，人家已經將倒數據的過程分成3個步驟，E、T、L分別代表抽取、轉換和裝載。

其實ETL過程就是數據流動的過程，從不同的數據源流向不同的目標數據。但在數據倉庫中，

ETL有幾個特點，

一是數據同步，它不是一次性倒完數據就拉到，它是經常性的活動，按照固定周期運行的，甚至現在還有人提出了實時ETL的概念。

二是數據量，一般都是巨大的，值得你將數據流動的過程拆分成E、T和L。

    現在有很多成熟的工具提供ETL功能，且不說他們的好壞。從應用角度來說，ETL的過程其實不是非常複雜，這些工具給數據倉庫工程帶來和很大的便利性，特別是開發的便利和維護的便利。但另一方面，開發人員容易迷失在這些工具中。舉個例子，VB是一種非常簡單的語言並且也是非常易用的編程工具，上手特別快，但是真正VB的高手有多少？微軟設計的產品通常有個原則是“將使用者當作傻瓜”，在這個原則下，微軟的東西確實非常好用，但是對於開發者，如果你自己也將自己當作傻瓜，那就真的傻了。ETL工具也是一樣，這些工具為我們提供圖形化界面，讓我們將主要的精力放在規則上，以期提高開發效率。從使用效果來說，確實使用這些工具能夠非常快速地構建一個job來處理某個數據，不過從整體來看，並不見得他的整體效率會高多少。問題主要不是出在工具上，而是在設計、開發人員上。他們迷失在工具中，沒有去探求ETL的本質。可以說這些工具應用了這麼長時間，在這麼多項目、環境中應用，它必然有它成功之處，它必定體現了ETL的本質。如果我們不透過錶面這些工具的簡單使用去看它背後蘊涵的思想，最終我們作出來的東西也就是一個個獨立的job，將他們整合起來仍然有巨大的工作量。大家都知道“理論與實踐相結合”，如果在一個領域有所超越，必須要在理論水平上達到一定的高度.