BI專案中ETL設計與思考(轉)

ETL即資料抽取（Extract）、轉換（Transform）、裝載（Load）的過程，它是構建資料倉儲的重要環節。

ETL是將業務系統的資料經過抽取、清洗轉換之後載入到資料倉儲的過程，目的是將企業中的分散、零亂、標準不統一的資料整合到一起，為企業的決策提供分析依據。ETL是BI專案重要的一個環節。通常情況下，在BI專案中ETL會花掉整個專案的1/3的時間,ETL設計的好壞直接關接到BI專案的成敗。

　ETL的設計分三部分：資料抽取、資料的清洗轉換、資料的載入。在設計ETL的時候我們也是從這三部分出發。資料的抽取是從各個不同的資料來源抽取到ODS(OperationalDataStore，操作型資料儲存)中——這個過程也可以做一些資料的清洗和轉換)，在抽取的過程中需要挑選不同的抽取方法，儘可能的提高ETL的執行效率。ETL三個部分中，花費時間最長的是“T”(Transform，清洗、轉換)的部分，一般情況下這部分工作量是整個ETL的2/3。資料的載入一般在資料清洗完了之後直接寫入DW(DataWarehousing，資料倉儲)中去。

ETL的實現有多種方法，常用的有三種。一種是藉助ETL工具(如Oracle的OWB、SQLServer2000的DTS、SQLServer2005的SSIS服務、Informatic等)實現，一種是SQL方式實現，另外一種是ETL工具和SQL相結合。前兩種方法各有各的優缺點，藉助工具可以快速的建立起ETL工程，遮蔽了複雜的編碼任務，提高了速度，降低了難度，但是缺少靈活性。SQL的方法優點是靈活，提高ETL執行效率，但是編碼複雜，對技術要求比較高。第三種是綜合了前面二種的優點，會極大地提高ETL的開發速度和效率。

　　一、資料的抽取
　　這一部分需要在調研階段做大量的工作，首先要搞清楚資料是從幾個業務系統中來,各個業務系統的資料庫伺服器執行什麼DBMS,是否存在手工資料，手工資料量有多大，是否存在非結構化的資料等等，當收集完這些資訊之後才可以進行資料抽取的設計。

　　1、對於與存放DW的資料庫系統相同的資料來源處理方法

　　這一類資料來源在設計上比較容易。一般情況下，DBMS(SQLServer、Oracle)都會提供資料庫連結功能，在DW資料庫伺服器和原業務系統之間建立直接的連結關係就可以寫Select語句直接訪問。

　　2、對於與DW資料庫系統不同的資料來源的處理方法

　　對於這一類資料來源，一般情況下也可以透過ODBC的方式建立資料庫連結——如SQLServer和Oracle之間。如果不能建立資料庫連結，可以有兩種方式完成，一種是透過工具將源資料匯出成.txt或者是.xls檔案，然後再將這些源系統檔案匯入到ODS中。另外一種方法是透過程式介面來完成。

　　3、對於檔案型別資料來源(.txt,.xls)，可以培訓業務人員利用資料庫工具將這些資料匯入到指定的資料庫，然後從指定的資料庫中抽取。或者還可以藉助工具實現，如SQLServer2005的SSIS服務的平面資料來源和平面目標等元件匯入ODS中去。

　　4、增量更新的問題

　　對於資料量大的系統，必須考慮增量抽取。一般情況下，業務系統會記錄業務發生的時間，我們可以用來做增量的標誌,每次抽取之前首先判斷ODS中記錄最大的時間，然後根據這個時間去業務系統取大於這個時間所有的記錄。利用業務系統的時間戳，一般情況下，業務系統沒有或者部分有時間戳。

二、資料的清洗轉換
　　一般情況下，資料倉儲分為ODS、DW兩部分。通常的做法是從業務系統到ODS做清洗，將髒資料和不完整資料過濾掉，在從ODS到DW的過程中轉換，進行一些業務規則的計算和聚合。

1、資料清洗

　　資料清洗的任務是過濾那些不符合要求的資料，將過濾的結果交給業務主管部門，確認是否過濾掉還是由業務單位修正之後再進行抽取。不符合要求的資料主要是有不完整的資料、錯誤的資料、重複的資料三大類。

　　(1)不完整的資料：這一類資料主要是一些應該有的資訊缺失，如供應商的名稱、分公司的名稱、客戶的區域資訊缺失、業務系統中主表與明細表不能匹配等。對於這一類資料過濾出來，按缺失的內容分別寫入不同Excel檔案向客戶提交，要求在規定的時間內補全。補全後才寫入資料倉儲。

　　(2)錯誤的資料：這一類錯誤產生的原因是業務系統不夠健全，在接收輸入後沒有進行判斷直接寫入後臺資料庫造成的，比如數值資料輸成全形數字字元、字串資料後面有一個回車操作、日期格式不正確、日期越界等。這一類資料也要分類，對於類似於全形字元、資料前後有不可見字元的問題，只能透過寫SQL語句的方式找出來，然後要求客戶在業務系統修正之後抽取。日期格式不正確的或者是日期越界的這一類錯誤會導致ETL執行失敗，這一類錯誤需要去業務系統資料庫用SQL的方式挑出來，交給業務主管部門要求限期修正，修正之後再抽取。

　　(3)重複的資料：對於這一類資料——特別是維表中會出現這種情況——將重複資料記錄的所有欄位匯出來，讓客戶確認並整理。

　　資料清洗是一個反覆的過程，不可能在幾天內完成，只有不斷的發現問題，解決問題。對於是否過濾，是否修正一般要求客戶確認，對於過濾掉的資料，寫入Excel檔案或者將過濾資料寫入資料表，在ETL開發的初期可以每天向業務單位傳送過濾資料的郵件，促使他們儘快地修正錯誤,同時也可以做為將來驗證資料的依據。資料清洗需要注意的是不要將有用的資料過濾掉，對於每個過濾規則認真進行驗證，並要使用者確認。

　　2、資料轉換

　　資料轉換的任務主要進行不一致的資料轉換、資料粒度的轉換，以及一些商務規則的計算。

　　(1)不一致資料轉換：這個過程是一個整合的過程，將不同業務系統的相同型別的資料統一，比如同一個供應商在結算系統的編碼是XX0001,而在CRM中編碼是YY0001，這樣在抽取過來之後統一轉換成一個編碼。

　　(2)資料粒度的轉換：業務系統一般儲存非常明細的資料，而資料倉儲中資料是用來分析的，不需要非常明細的資料。一般情況下，會將業務系統資料按照資料倉儲粒度進行聚合。

　　(3)商務規則的計算：不同的企業有不同的業務規則、不同的資料指標，這些指標有的時候不是簡單的加加減減就能完成，這個時候需要在ETL中將這些資料指標計算好了之後儲存在資料倉儲中，以供分析使用。

三、ETL日誌、警告傳送

　　1、ETL日誌

　　ETL日誌分為三類。一類是執行過程日誌，這一部分日誌是在ETL執行過程中每執行一步的記錄，記錄每次執行每一步驟的起始時間，影響了多少行資料，流水賬形式。一類是錯誤日誌，當某個模組出錯的時候寫錯誤日誌，記錄每次出錯的時間、出錯的模組以及出錯的資訊等。第三類日誌是總體日誌，只記錄ETL開始時間、結束時間是否成功資訊。如果使用ETL工具,ETL工具會自動產生一些日誌，這一類日誌也可以作為ETL日誌的一部分。記錄日誌的目的是隨時可以知道ETL執行情況，如果出錯了，可以知道哪裡出錯。

　　2、警告傳送

　　如果ETL出錯了，不僅要形成ETL出錯日誌，而且要向系統管理員傳送警告。傳送警告的方式多種，一般常用的就是給系統管理員傳送郵件，並附上出錯的資訊，方便管理員排查錯誤。

　　ETL是BI專案的關鍵部分，也是一個長期的過程，只有不斷的發現問題並解決問題，才能使ETL執行效率更高，為BI專案後期開發提供準確的資料。