当前位置 : 李杰的流水账 > 技术 > linux

BI开发 ETL是怎么回事

    ETL是数据抽取(Extract)、清洗(Cleaning)、转换(Transform)、装载(Load)的过程。是构建数据仓库的重要一环,用户从数据源抽取出所需的数据,经过数据清洗,最终按照预先定义好的数据仓库模型,将数据加载到数据仓库中去。 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、标准不统一的数据到一起,为企业的决策提供分析依 据。ETL是BI项目中一个重要环节。通常情况下,在Bi项目中ETL会花掉整个项目的1/3的时间,ETL设计的好坏直接关系到BI项目的成败。 ETL的设计分三个部分: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,数据的抽取式从各个不同的数据源抽取到 ODS(OperationDataSore,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,准换)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。 下面看以流程图: ETL的实现有多种方法,常用的有三种。一种是借助ETL工具实现,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 自的优缺点,借助工具可以快速的建立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,提高了ETL 运行效率,但是编码复杂,对技术要求高。第三种是综合了前面两种的优点,会极大提高ETL的开发速度和效率。 数据抽取 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的是何种DBMS,是否存在手工数据,手工数据存量有多大,是否在非结构化的数据等等。等收集完这些信息之后可以进行数据抽空设计。 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(SQL Server,Oracle)都会提供数据库连接功能,在DW数据服务器和原业务系统之间建立的连接关系就可以写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的方式建立数据库连接——如SQL Server和Oracle之间。如果不能建立数据库连接,可以有两种方式完成,一种是通过工具将数据源导出成.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。或者可以借助工具实现,如SQL Server2005的SSIS服务的平面数据源和平面目标等组件导入ODS中去。 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,每次抽取之前先判断ODS中记录 最大的时间,然后根据这个业务系统抽取大于这个时间的所有的记录。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由时间戳。 数据清洗和数据转换 一般情况下,数据仓库分为ODS,DW连部分。通常的做法是从业务系统到ODS做清洗,将脏数据和不完整的数据过滤掉,在ODS到过程中转换,进行一些业务规则的计算和聚合。 ODS介绍,数据仓库体系结构中的一个可选部分,ODS具备数据仓库的部分特征和OLAP系统特征,它是“面向主题的,集成的,当前或接近当前的,不断变化的”数据,它的主要作用: (1)在业务系统和数据仓库之间形成一个隔离层 (2)转移一部分业务系统细节查询的功能 (3)完成数据仓库中不能完成的一些功能 一、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,如果供应商名称、分公司的名称、客户的区域消息缺失、业务系统中主表和明细表不匹配,对于这 一类数据过滤出来,按缺失的内容分别写入不同的Excel文件向客户提交,要求在规定的时间内补全。补全才写入数据仓库。 (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,在接受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 语句方法找出来,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日期越界的这一类错误导致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,修正之后在抽取。 (3)重复的数据:对于这一类数据------特别是维表中出现这种情况——将重复数据记录的所有字段导出来,让客户确认并整理。数据清洗时一个反复的过 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,促使他们尽快的修正错误,同时可以作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。对于每个过滤责认真验证,并要客户确认。 二、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)不一致数据的准换: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XX001,而在CRM中编码是YY001,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,会将业务数据按照数据仓库力度进行聚合。 (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,如果错误了,可以知道哪里出错 2、警告发送 如果ETL错误了,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,并附上错误信息,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的数据。

内容列表