ETL方法与过程讲解

1 ETL基本概念和术语

1.1 ETL

Extract-Transform-Load的缩写，数据抽取（Extract）、转换（Transform）、装载（Load）的过程。

1.2 DW

DataWarehousing，根据Bill.Inmon的定义，“数据仓库是面向主题的、集成的、稳定的、随时间变化的，主要用于决策支持的数据库系统”。

1.3 MetaData

元数据，就是描述数据的数据，指在数据仓库建设过程中所产生的有关数据源定义、目标定义、转换规则等相关的关键数据。

>>了解更多ETL<<

1.4 ETL在数据仓库中的位置

1.5 数据质量

• 正确性(Accuracy):数据是否正确体现在现实或可证实的来源
• 完整性(Integrity):数据之间的参照完整性是否存在或一致
• 致性(Consistency):数据是否被一致的定义或理解
• 完备性(Completeness):所有需要的数据是否都存在
• 有效性(Validity):数据是否在企业定义的可接受的范围之内
• 时效性(Timeliness):数据在需要的时间是否有效
• 可获取性(Accessbility):数据是否易于获取、易于理解和易于使用

1.6 数据质量原因

• 业务系统不同时期数据模型不一致
• 业务系统不同时期业务过程有变化
• 各个源系统之间相关信息不一致
• 遗留系统和新业务、管理系统数据集成不完备带来的不一致性
• 源系统缺少输入验证过程，不能阻止非法格式的数据进入系统
• 可以验证但不能改正数据，验证程序不能发现格式正确但内容不正确的错误
• 源系统不受控制的更改，而这种更改不能及时的传播到受影响的系统
• 数据由多个交叉的访问界面，难以统一管理数据质量问题
• 缺少参照完整性检查低劣的源系统设计
• 数据转换错误，比如ETL过程错误或数据迁移过程的错误
• 源系统与数据仓库系统的数据组织方式完全不同

1.7 数据转换

• 空值处理
• 规范化数据格式
• 拆分数据
• 验证数据合法性
• 数据替换
• 实现数据规则过滤
• 数据排序
• 数据类型统一转换

2 逻辑架构图

2.1 Extract

• 设计原则
  
  • 为提高ETL效率，数据在进入ETL系统后的EXF文件都将转换为Flat Text文件格式
  • 从ETL程序设计的灵活性和整体结构的一致性考虑，尽量采用Pull的方式，减少对源系统的影响和对其他开发队伍的依赖，并减少网络压力
  • 由于Batch Windows的限制，如果日源数据量大于5GB则必须考虑采用Push的方式以提高传送速度，如，可以由源系统将数据转换为Flat Text文件后，由ETL程序采用FTP的方式进行传送
  • EXF的文件格式接近数据源的数据结构定义
  • 在Extract过程中过滤数据仓库不需要的数据记录和字段
• Push和Pull
  
  • Push
    在源系统上根据定义的数据格式将每日增量数据生成数据文件，再通过FTP或文件拷贝的方式传送给ETL程序处理。
  • Pull
    由ETL程序通过DRDA或ODBC等数据库协议直接访问源数据库获取所需数据进行处理。

2.2 数据转换过程中产生的文件

• EXF (Extracted Format)
  由数据源Extract产生的文件，文件结构与Source相似，经过过滤，部分字段被忽略。
• CIF (Common Interface Format)
  CIF是ETL经过C/S/S过程产生的中间数据文件。
• PLF (Pre-Load Format)
  经过数据转换，用于直接加载到数据仓库的文本文件，其数据结构与数据仓库中的表定义一致。

3 数据处理流程图

4 数据对照开发流程

1. 收集整理所有数据源，定义源数据结构(与EXF相同）
2. 根据物理模型设计定义数据仓库数据（与PLF相同）结构
3. 设计源数据表（文件）与数据仓库数据表对应关系（Table Mapping)，确定Pilot的数据源范围
4. 设计源数据字段与数据仓库字段的数据对照
5. 设计CIF的数据结构
6. 设计源数据字段－EXF－CIF－PLF－数据仓库数据字段的数据对照

---

参考：
http://blog.itpub.net/11423276/viewspace-979743/
http://wenku.baidu.com/link?url=6OCkGyP0-X6Qzu8JJnBwz05P6qc8Khs6yutAmNZM2WEQWZxVm658H7UL3wYk2L_Ub7eE8GjznVBu16IpRg_IiP75TMS9s49WhJiGudiVgXC