ETL数据抽取策略

ETL的抽取策略

本文所提到的数据加载策略为OLTP系统作为源系统，并进行ETL数据加载到OLAP系统中所采用的一般数据加载策略。依循数据仓库的工作方式，原始资料由源数据库被抽取出来后，将在中间过程被写入到”Operational Data Store”(ODS)，ODS是被设计用来存储中间数据和核查校验数据的。通过ODS，数据将被萃取、预先被计算及整理，而后被导入数据仓库作进一步的报表生成与分析。所以通常意义的ETL过程涵盖了两个方面的内容：1. 从源数据库到中间步骤的ODS; 2. 从ODS到最终的数据仓库。目标数据库存放数据的时间区间比源数据库长。例如源数据库存放的是3个月的交易生产数据，ODS存放了1年左右的数据，而数据仓库存放了3－5年的历史数据。

一般ETL数据加载存在以下几种方案：

1、 时间戳方式

需要在OLTP（联机事务处理系统）系统中业务表中统一添加时间字段作为时戳（如表中已有相应的时间字段，可以不必添加），每当OLTP系统中更新修改业务数据时，必须同时修改时戳字段值。当作ETL加载时，通过系统时间与时戳字段的比较来决定进行何种数据抽取。

优点：ETL系统设计清晰，源数据抽取相对清楚简单，速度快。可以实现数据的递增加载。

缺点：时戳维护需要由OLTP系统完成，需要修改原OLTP系统中业务表结构；且所有添加时戳的表，在业务系统中，数据发生变化时，同时更新时戳字段，需要对原OLTP系统业务操作程序作修改，工作量大，改动面大，风险大。但如果业务表在最初设计的时候考虑到这点，应用此方案是最好的选择。

2、 日志表方式

在OLTP系统中添加系统日志表，当业务数据发生变化时，更新维护日志表内容，当作ETL加载时，通过读日志表数据决定加载那些数据及如何加载。

          优点：不需要修改OLTP表结构，源数据抽取清楚，速度较快。可以实现数据的递增加载。

          缺点：日志表维护需要由OLTP系统完成，需要对OLTP系统业务操作程序作修改，记录日志信息。日志表维护较为麻烦，对原有系统有较大影响。工作量较大，改动较大，有一定风险。

3、 全表比对方式

        在ETL过程中，抽取所有源数据，并进行相应规则转换，完成后先不插入目标，而对每条数据进行目标表比对。根据主键值进行插入与更新的判定，目标表已存在该主键值的，表示该记录已有，并进行其余字段比对，如有不同，进行Update操作，如目标表没有存在该主键值，表示该记录还没有，即进行Insert操作。

        优点：对已有系统表结构不产生影响，不需要修改业务操作程序，所有抽取规则由ETL完成，管理维护统一，可以实现数据的递增加载，没有风险。

           缺点：ETL比对较复杂，设计较为复杂，速度较慢

4、 全表删除插入方式

             每次ETL操作均删除目标表数据，由ETL全新加载数据。

          优点：ETL加载规则简单，速度快。

          缺点：对于维表加代理键不适应，当OLTP系统产生删除数据操作时，OLAP层将不会记录到所删除的历史数据。不可以实现数据的递增加载。

5、 设置触发器方式

通过在源系统的数据库中设置触发器，每当有Update、Insert、Delete操作时触发一个事件将发生改变的记录抽取到相应的临时表中。

          优点：ETL加载规则简单，速度快，不需要修改OLTP表结构，可以实现数据的递增加载。

缺点：对源系统性能有一些影响。需建立一张临时表。

6、 利用Oracle变化数据捕捉（Change Data Capture，CDC）特性

CDC特性是在Oracle9i数据库中引入的，它简化了识别自上次提取后发生变化的数据的过程。CDC能够帮助识别从上次提取之后发生变化的数据。利用CDC，在对源表进行Update、Insert或Delete等操作的同时就可以提取数据，并且变化的数据被保存在数据库的变化表中。这样就可以捕获发生变化的数据，然后利用数据库视图以一种可控的方式提供给目标系统。