ETL讲解（很详细）[转]
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。大数据etl工具有哪些
  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。
现在有很多成熟的⼯具提供ETL功能，且不说他们的好坏。从应⽤⾓度来说，ETL的过程其实不是⾮常复杂，这些⼯具给数据仓库⼯程带来和很⼤的便利性，特别是开发的便利和维护的便利。但另⼀⽅⾯，开发⼈员容易迷失在这些⼯具中。举个例⼦，VB是⼀种⾮常简单的语⾔并且也是⾮常易⽤的编程⼯具，上⼿特别快，但是真正VB的⾼⼿有多少？微软设计的产品通常有个原则是“将使⽤者当作傻⽠”，在这个原则下，微软的东西确实⾮常好⽤，但是对于开发者，如果你⾃⼰也将⾃⼰当作傻⽠，那就真的傻了。ETL⼯具也是⼀样，这些⼯具为我们提供图形化界⾯，让我们将主要的精⼒放在规则上，
以期提⾼开发效率。从使⽤效果来说，确实使⽤这些⼯具能够⾮常快速地构建⼀个job来处理某个数据，不过从整体来看，并不见得他的整体效率会⾼多少。问题主要不是出在⼯具上，⽽是在设计、开发⼈员上。他们迷失在⼯具中，没有去探求ETL的本质。可以说这些⼯具应⽤了这么长时间，在这么多项⽬、环境中应⽤，它必然有它成功之处，它必定体现了ETL的本质。如果我们不透过表⾯这些⼯具的简单使⽤去看它背后蕴涵的思想，最终我们作出来的东西也就是⼀个个独⽴的job，将他们整合起来仍然有巨⼤的⼯作量。⼤家都知道“理论与实践相结合”，如果在⼀个领域有所超越，必须要在理论⽔平上达到⼀定的⾼度.

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。