DATASTAGE——一DATASTAGE经验积累

 一、JOB的分类与作用（？）
        1、Server JOB:
        最为常用的Job类型，Job可以组合使用，Server Job是Job的最小单位。
        原文档：If you have the Web Services pack installed an additional check box, Web Service Enabled, appears. Select it to indicate the job can be made available as a web service.
        2、Parallel JOB:
        3、Mainframe JOB:运行于大型机的JOB。
　　4、JOB Sequences:Job Sequence主要用于Job间的协作工作控制，如各Job的实行流程，出错处理，文件监控等。

二、jobstatus的用法      

        jobstatus
       –jobstatus waits for the job to complete, then returns an exit code derived
        from the job status.

        命令格式为：
        dsjob –run
        [ –mode [ NORMAL | RESET | VALIDATE ] ]
        [ –param name=value ]
        [ –warn n ]
        [ –rows n ]
        [ –wait ]
        [ –stop ]
        [ –jobstatus]
        [–userstatus]
        [-local]
        project job

三、判断NULL值
　　实例
        STAGE ：JOIN STAGE
        设置：
                           LEFT JOIN
                           左输入语句：SELECT * FROM PMP_Insured_Amount
                           右输入语句：SELECT COL_ID
                                                                  ,TAB_NAME
                                                                  ,WORK_DATE
                                                                 ,REF_COLUMN1 AS UNIQUE_ID_IN_SRC_SYS
                                                                 ,REF_COLUMN2
                                                                 ,ROW_ID
                                                                 ,HASHCODE AS B_HASHCODE
                                                                 ,ANCHOR_ID
                                                                 ,PARTITION_KEY
                                                                 ,IS_DUPLICATED
                                                                 ,'A' AS MARK               --用以判断结果集右边是否为空
                                                  FROM ETL_FOR_INC_TMP2
        SQL语句：
                           SELECT A.*,B.*
                           FROM PMP_Insured_Amount A LEFT JOIN ETL_FRO_INC_TMP2 B
                           ON A.UNIQUE_ID_IN_SRC_SYS = B.UNIQUE_ID_IN_SRC_SYS
        功能：判断来自A表的所有记录，哪些能够B表关联，哪些不能与B表关联。
        说明：由于在构造右输入语句时增加了一个B表中没有的常量字段MARK，所以如果A表能够与B表关联的记录，该常量字段就不为空值（此处设了该常量值为 A）；如果A表与B表关联不上的记录，该常量字段就为空值（NULL）。如此只需用一条判断语句判断常量字段是否为空，从而分出两种记录来。
       
        记录分离所使用的STAGE是Transform stage。一开始时，使用Condition设置了字段MARK = 'A'与字段MARK <> 'A' 来分离记录，运行后发现只有MARK = 'A' 的一支有数据通过，而MARK <> 'A' 的一支没有数据通过，后来把 MARK <> 'A' 的一支的条件（condition）改为 ISNULL(MARK) 后，数据正常输出。

        总结：从理论上说，任何与NULL值作比较运算（=、>、<、<>）结果都为NULL，而 MARK <> 'A' 属于比较运算，当MARK为NULL时，结果就为NULL，所以就会没有数据输出。实际上，在MSSQL SERVER2000中，如果使用 WHERE MARK <> 'A' 作筛选条件，是可以把为 NULL 值的字段输出的。这是DATASTAGE与MSSQL SERVER在处理 NULL 值运算的不同，MSSQL SERVER是允许一定违反规范规则的情况存在。

四、关于对多表进行关联操作的STAGE对不同表的同名字段的处理。
        这些STAGE有：JOIN、LOOKUP、MERGE等。
        DATASTAGE的处理原则：保留前者，抛弃后者。
        例子：
　　源表：A（a,b,c,d），关联表：B（b,c,e,f）。
　　取值规则：第一次关联条件A.b = B.b，取B.e；第二次关联条件A.c = B.c，取B.e。
        说明：关联的有前后之分的。第一次关联时，在结果集中已经存在的名字为e的字段，第二次关联是在第一次关联的结果集的基础上进行的，第二次所取的字段名与 第一次所取的相同。在此就出现种问题，从数据库常识来说，同一张表是不允许有同名字段出现的，如何能够正确取值呢？
　　在T-SQL里面，可以使用JOIN语句对表进行关联，两张表的同名字段e因为被加了表名作前缀，所以即使字段名相同，也可以正确输出。以下则为使用T-SQL完成上述取值规则的语句：
        SELECT A.a,A.b,A.c,A.d,B.e
        FROM A LEFT JOIN
                (SELECT A.a,A.b,A.c,A.d,B.e,AB.e
                FROM A LEFT JOIN B ON A.b = B.b) AS AB ON A.c = AB.c
很容易就能看出，最终的结果将会（假设结果表名为C）：C（ A.a,A.b,A.c,A.d,B.e,AB.e），结果正确，所以在T-SQL里，在做多表关联时，可以不必关心不同表的同名字段的取值问题。
        但在DATASTAGE里就不能不关心了。由于DATASTAGE里的所有STAGE的输出，默认下是对该STAGE的输入进行复制，即表结构的复制。输 入的是什么名字的字段，输出的也是这个名字的字段。那么多表关联时，如果不同的表有相同名字的字段，那么输出时也会出现有同名字段了，而数据表是不允许有 同名字段的，所以就会发生同名冲突。DATASTAGE对于这中其矿，处理方式是把最先输入的字段保留下来，之后如果有同字段再添加进来时，就会把要添加 进来的字段抛弃掉。这种情况，即使在JOB运行时也不会报错的，因为语法是没有错误的，不过会出现一个WARNING，告知用户这个STAGE将会出现字 段知丢失。所以碰到上面上述情况，解决的方法是在第二次关联时，在输出时把这个同名字段的名字手工更改一下。如上，把字段名e改为字段名e_2，赋值也是 赋e过去，这样既保留了e的值，有不会给抛弃，只是更改了一下字段的名字，到最后输出时再统一把结果表名定制一下就行。

五、对数据进行HASH分区的STAGE的设置细节。
        例子：
        在用JOIN STAGE对两张表进行关联，关联的条件是UID，再设置的该STAGE对数据按照UID进行HASH分区，所有的STAGE都设置正确无误后，运行JOB，老是在JOIN STAGE里有一个WARNING。
        这种情况是由于设置HASH分区后产生的（数据分区的概念将另述）
        解决方法：
        打开产生WARNING的STAGE的前一个（是前一个！）也进行了HASH分区的STAGE的设置面板，在Stage Page——Advance Tab里，选择Preserve partitioning下拉选项中的“Clear”值。默认是“Propagate”值，其意义是下一个STAGE在做HASH分区时，会继承上一个 （即该STAGE）对HASH分区的设置参数。按照HASH分区的机制，这样继承会出现数据丢失的可能，所以DS就会产生WARNING。而选择 “Clear”的意义就时让下一个要做HASH分区的STAGE不要继承上一个STAGE的HASH分区设置，而重新按照用户的设置来进行HASH分去。

六、把结果输出到平面文件时的注意事项。
        例子：
        在原来调试过正确无误的JOB，把最后的数据文件由原来的DATA SET改为SEQUENCE文件时，JOB运行正常，且可以重运行，就上没有实际的数据输入到结果文件里，文件所对应的输入LINK显示有数据输入，结果 文件也创建了，但打开的是一个空白文件，VIEW也VIEW不到有数据，提示说没有结果返回。
        原因：
        平面文件的默认格式设置引起。默认下，平面文件的输入格式是，每个字段都要有值输入。如果输入到平面文件的数据中有空值，而平面文件又用默认设置的话，输入就会给REJECT掉。
        解决方法：
        设置平面文件的数据格式。在Stage Page——Format里，设置空值的处理方式，比如设为NULL，则遇到空值时，DS就会在平面文件的该字段里填充NULL。

七、DATASTAGE中INTEGER型数值上限为2000000000（20亿）。

八、对于那些关联不上而又为非空的字段，DS会自动赋默认值，数字型默认值为0，字符型默认值为''。
        例子：
        表A通过JOIN STAGE与表B进行左关联，取B表的流水ID，B表的ID字段可空性为NO，把B表的ID传递给A表，然后通过TRANSFORM STAGE设置条件取出关联不上的记录来，TRANSFORM STAGE的过滤条件是：IsNull(ID)，由于关联不上的记录的ID字段会是NULL，这样设置按理应该是可以把关联不上的记录输出的，而实际上是 输出不到的。
        原因：B表ID字段是非空的，那么传递给A表的ID的也将是非空。对于那些关联不上的记录，理论上ID字段应该为NULL，但由于ID是非空的，所以DS 会把一个默认值插入到ID中去。经过如此处理，使用IsNull(ID)就当然不能数据正确记录了，因为ID根本就不是NULL。
        解决方法：
        方法一：在传递ID字段给A表时，用NullToZero或者NullToEmpty函数对ID封装起来。如果ID是数字型的，用NullToZero， 如果ID是字符型的，用NullToEmpty。相应的，TRANSFORM STAGE的过滤条件就应该改为ID = 0或ID = ''，即可把关联不上的记录正常输出来。
        方法二：直接修改TRANSFORM STAGE的过滤条件，修改为：NullToZero(ID) = 0或者NullToEmpty(ID) = ''。
        注意：经过DS赋予默认值后，ID其实已经不为NULL了，所以理论上使用NullToZero或NullToEmpty是不适合的。但实际开发中，上述方法确实能够解决问题。

九、可空字段拼接字符串特别需要注意的问题：在拼接字段串时，要注意所以拼接的字段当中有没有空字段，如果有，一定要用NullToZero或者 NullToEmpty函数对该字段进行封装。如果不是经过函数封装处理，如果碰到某条记录，它用来拼接的字段是NULL，那么这条记录就会给过滤掉，从 而影响了结果。
        由于拼接字符串一般都是几个到十几二十个字段，有时候容易令人忽略这个问题，常常发现本来应该可以从TRANSFORM STAGE输出的数据却给REJECT掉，就要注意是否存在可空字段拼接字符串，而且数据当中的确存在一些记录，里面用于拼接的字段是NULL的情况了。

十、使用TRANSFORM STAGE进行条件判断过滤数据，一般用于判断的字段是Nullable；使用FILTER STAGE来过滤数据，一般用于判断的字段是No-Nullable。