ETL--入门知识

本文转自：https://www.cnblogs.com/yjd_hycf_space/p/7772722.html
ETL讲解（很详细！！！）

ETL的设计分三部分：数据抽取、数据的清洗转换、数据的加载。
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。
在设计ETL的时候也是从这三部分出发。

〇、ETL的实现有多种方法，常用的有三种。

（1）借助ETL工具(如Oracle的OWB、SQL Server 2000的DTS、SQL Server2005的SSIS服务、Informatic等)实现，
（2）SQL方式实现，
（3）ETL工具和SQL相结合。

优缺点：
（1）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。
（2）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。
（3）兼备前2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）

需在调研阶段做大量工作，搞清楚数据从几个业务系统中来，各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，是否存在非结构化数据等。

1、与存放DW的数据库相同的数据源时

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、与DW数据库不同的数据源时

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、Oracle之间。
如果不能建立数据库链接，可以有两种方式完成：
（1）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。
（2）通过程序接口来完成。

3、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。

二、数据的清洗转换（Cleaning、Transform）

数据清洗是一个反复的过程。
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掉不符合要求的数据，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，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，数据修正之后再抽取。

(3)重复的数据：
　　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。

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

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。
ETL日志分为三类。
（1）执行过程日志：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。
（2）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。
（3）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。

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。

后记
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。

ETL特点：
（1）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。
（2）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。