第一篇：ETL學(xué)習(xí)心得

ETL學(xué)習(xí)心得：探求數(shù)據(jù)倉(cāng)庫(kù)關(guān)鍵環(huán)節(jié)ETL的本質(zhì)

元數(shù)據(jù)是描述數(shù)據(jù)的數(shù)據(jù)，他的含義非常廣泛，這里僅指ETL的元數(shù)據(jù)。11 : 10 探求ETL本質(zhì)之六（元數(shù)據(jù)漫談）對(duì)于元數(shù)據(jù)（Metadata）的定義到目前為止沒(méi)有什么特別精彩的，這個(gè)概念非常廣，一般都是這樣定義，“元數(shù)據(jù)

做數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)，ETL是關(guān)鍵的一環(huán)。說(shuō)大了，ETL是數(shù)據(jù)整合解決方案，說(shuō)小了，就是倒數(shù)據(jù)的工具?；貞浺幌鹿ぷ鬟@么些年來(lái)，處理數(shù)據(jù)遷移、轉(zhuǎn)換的工作倒還真的不少。但是那些工作基本上是一次性工作或者很小數(shù)據(jù)量，使用access、DTS或是自己編個(gè)小程序搞定?？墒窃跀?shù)據(jù)倉(cāng)庫(kù)系統(tǒng)中，ETL上升到了一定的理論高度，和原來(lái)小打小鬧的工具使用不同了。究竟什么不同，從名字上就可以看到，人家已經(jīng)將倒數(shù)據(jù)的過(guò)程分成3個(gè)步驟，E、T、L分別代表抽取、轉(zhuǎn)換和裝載。

其實(shí)ETL過(guò)程就是數(shù)據(jù)流動(dòng)的過(guò)程，從不同的數(shù)據(jù)源流向不同的目標(biāo)數(shù)據(jù)。但在數(shù)據(jù)倉(cāng)庫(kù)中，ETL有幾個(gè)特點(diǎn)，一是數(shù)據(jù)同步，它不是一次性倒完數(shù)據(jù)就拉到，它是經(jīng)常性的活動(dòng)，按照固定周期運(yùn)行的，甚至現(xiàn)在還有人提出了實(shí)時(shí)ETL的概念。二是數(shù)據(jù)量，一般都是巨大的，值得你將數(shù)據(jù)流動(dòng)的過(guò)程拆分成E、T和L。

現(xiàn)在有很多成熟的工具提供ETL功能，例如datastage、powermart等，且不說(shuō)他們的好壞。從應(yīng)用角度來(lái)說(shuō)，ETL的過(guò)程其實(shí)不是非常復(fù)雜，這些工具給數(shù)據(jù)倉(cāng)庫(kù)工程帶來(lái)和很大的便利性，特別是開發(fā)的便利和維護(hù)的便利。但另一方面，開發(fā)人員容易迷失在這些工具中。舉個(gè)例子，VB是一種非常簡(jiǎn)單的語(yǔ)言并且也是非常易用的編程工具，上手特別快，但是真正VB的高手有多少？微軟設(shè)計(jì)的產(chǎn)品通常有個(gè)原則是“將使用者當(dāng)作傻瓜”，在這個(gè)原則下，微軟的東西確實(shí)非常好用，但是對(duì)于開發(fā)者，如果你自己也將自己當(dāng)作傻瓜，那就真的傻了。ETL工具也是一樣，這些工具為我們提供圖形化界面，讓我們將主要的精力放在規(guī)則上，以期提高開發(fā)效率。從使用效果來(lái)說(shuō)，確實(shí)使用這些工具能夠非?？焖俚貥?gòu)建一個(gè)job來(lái)處理某個(gè)數(shù)據(jù)，不過(guò)從整體來(lái)看，并不見(jiàn)得他的整體效率會(huì)高多少。問(wèn)題主要不是出在工具上，而是在設(shè)計(jì)、開發(fā)人員上。他們迷失在工具中，沒(méi)有去探求ETL的本質(zhì)。

可以說(shuō)這些工具應(yīng)用了這么長(zhǎng)時(shí)間，在這么多項(xiàng)目、環(huán)境中應(yīng)用，它必然有它成功之處，它必定體現(xiàn)了ETL的本質(zhì)。如果我們不透過(guò)表面這些工具的簡(jiǎn)單使用去看它背后蘊(yùn)涵的思想，最終我們作出來(lái)的東西也就是一個(gè)個(gè)獨(dú)立的job，將他們整合起來(lái)仍然有巨大的工作量。大家都知道“理論與實(shí)踐相結(jié)合”，如果在一個(gè)領(lǐng)域有所超越，必須要在理論水平上達(dá)到一定的高度

探求ETL本質(zhì)之一

ETL的過(guò)程就是數(shù)據(jù)流動(dòng)的過(guò)程，從不同異構(gòu)數(shù)據(jù)源流向統(tǒng)一的目標(biāo)數(shù)據(jù)。其間，數(shù)據(jù)的抽取、清洗、轉(zhuǎn)換和裝載形成串行或并行的過(guò)程。ETL的核心還是在于T這個(gè)過(guò)程，也就是轉(zhuǎn)換，而抽取和裝載一般可以作為轉(zhuǎn)換的輸入和輸出，或者，它們作為一個(gè)單獨(dú)的部件，其復(fù)雜度沒(méi)有轉(zhuǎn)換部件高。和OLTP系統(tǒng)中不同，那里充滿這單條記錄的insert、update和select等操作，ETL過(guò)程一般都是批量操作，例如它的裝載多采用批量裝載工具，一般都是DBMS系統(tǒng)自身附帶的工具，例如Oracle SQLLoader和DB2的autoloader等。

ETL本身有一些特點(diǎn)，在一些工具中都有體現(xiàn)，下面以datastage和powermart舉例來(lái)說(shuō)。

1、靜態(tài)的ETL單元和動(dòng)態(tài)的ETL單元實(shí)例；一次轉(zhuǎn)換指明了某種格式的數(shù)據(jù)如何格式化成另一種格式的數(shù)據(jù)，對(duì)于數(shù)據(jù)源的物理形式在設(shè)計(jì)時(shí)可以不用指定，它可以在運(yùn)行時(shí)，當(dāng)這個(gè)ETL單元?jiǎng)?chuàng)建一個(gè)實(shí)例時(shí)才指定。對(duì)于靜態(tài)和動(dòng)態(tài)的ETL單元，Datastage沒(méi)有嚴(yán)格區(qū)分，它的一個(gè)Job就是實(shí)現(xiàn)這個(gè)功能，在早期版本，一個(gè)Job同時(shí)不能運(yùn)行兩次，所以一個(gè)Job相當(dāng)于一個(gè)實(shí)例，在后期版本，它支持multiple instances，而且還不是默認(rèn)選項(xiàng)。Powermart中將這兩個(gè)概念加以區(qū)分，靜態(tài)的叫做Mapping，動(dòng)態(tài)運(yùn)行時(shí)叫做Session。

2、ETL元數(shù)據(jù)；元數(shù)據(jù)是描述數(shù)據(jù)的數(shù)據(jù)，他的含義非常廣泛，這里僅指ETL的元數(shù)據(jù)。主要包括每次轉(zhuǎn)換前后的數(shù)據(jù)結(jié)構(gòu)和轉(zhuǎn)換的規(guī)則。ETL元數(shù)據(jù)還包括形式參數(shù)的管理，形式參數(shù)的ETL單元定義的參數(shù)，相對(duì)還有實(shí)參，它是運(yùn)行時(shí)指定的參數(shù)，實(shí)參不在元數(shù)據(jù)管理范圍之內(nèi)。

3、數(shù)據(jù)流程的控制；要有可視化的流程編輯工具，提供流程定義和流程監(jiān)控功能。流程調(diào)度的最小單位是ETL單元實(shí)例，ETL單元是不能在細(xì)分的ETL過(guò)程，當(dāng)然這由開發(fā)者來(lái)控制，例如可以將抽取、轉(zhuǎn)換放在一個(gè)ETL單元中，那樣這個(gè)抽取和轉(zhuǎn)換只能同時(shí)運(yùn)行，而如果將他們分作兩個(gè)單元，可以分別運(yùn)行，這有利于錯(cuò)誤恢復(fù)操作。當(dāng)然，ETL單元究竟應(yīng)該細(xì)分到什么程度應(yīng)該依據(jù)具體應(yīng)用來(lái)看，目前還沒(méi)有找到很好的細(xì)分策略。比如，我們可以規(guī)定將裝載一個(gè)表的功能作為一個(gè)ETL單元，但是不可否認(rèn)，這樣的ETL單元之間會(huì)有很多共同的操作，例如兩個(gè)單元共用一個(gè)Hash表，要將這個(gè)Hash表裝入內(nèi)存兩次。

4、轉(zhuǎn)換規(guī)則的定義方法；提供函數(shù)集提供常用規(guī)則方法，提供規(guī)則定義語(yǔ)言描述規(guī)則。

5、對(duì)數(shù)據(jù)的快速索引；一般都是利用Hash技術(shù)，將參照關(guān)系表提前裝入內(nèi)存，在轉(zhuǎn)換時(shí)查找這個(gè)hash表。Datastage中有Hash文件技術(shù)，Powermart也有類似的Lookup功能。

探求ETL本質(zhì)之二（分類）

昨在IT-Director上閱讀一篇報(bào)告，關(guān)于ETL產(chǎn)品分類的。一般來(lái)說(shuō)，我們眼中的ETL工具都是價(jià)格昂貴，能夠處理海量數(shù)據(jù)的家伙，但是這是其中的一種。它可以分成4種，針對(duì)不同的需求，主要是從轉(zhuǎn)換規(guī)則的復(fù)雜度和數(shù)據(jù)量大小來(lái)看。它們包括

1、交互式運(yùn)行環(huán)境，你可以指定數(shù)據(jù)源、目標(biāo)數(shù)據(jù)，指定規(guī)則，立馬ETL。這種交互式的操作無(wú)疑非常方便，但是只能適合小數(shù)據(jù)量和復(fù)雜度不高的ETL過(guò)程，因?yàn)橐坏┮?guī)則復(fù)雜了，可能需要語(yǔ)言級(jí)的描述，不能簡(jiǎn)簡(jiǎn)單單拖拖拽拽就可以的。還有數(shù)據(jù)量的問(wèn)題，這種交互式必然建立在解釋型語(yǔ)言基礎(chǔ)上，另外他的靈活性必然要犧牲一定的性能為代價(jià)。所以如果要處理海量數(shù)據(jù)的話，每次讀取一條記錄，每次對(duì)規(guī)則進(jìn)行解釋執(zhí)行，每次在寫入一條記錄，這對(duì)性能影響是非常大的。

2、專門編碼型的，它提供了一個(gè)基于某種語(yǔ)言的程序框架，你可以不必將編程精力放在一些周邊的功能上，例如讀文件功能、寫數(shù)據(jù)庫(kù)的功能，而將精力主要放在規(guī)則的實(shí)現(xiàn)上面。這種近似手工代碼的性能肯定是沒(méi)話說(shuō)，除非你的編程技巧不過(guò)關(guān)（這也是不可忽視的因素之一）。對(duì)于處理大數(shù)據(jù)量，處理復(fù)雜轉(zhuǎn)換邏輯，這種方式的ETL實(shí)現(xiàn)是非常直觀的。

3、代碼生成器型的，它就像是一個(gè)ETL代碼生成器，提供簡(jiǎn)單的圖形化界面操作，讓你拖拖拽拽將轉(zhuǎn)換規(guī)則都設(shè)定好，其實(shí)他的后臺(tái)都是生成基于某種語(yǔ)言的程序，要運(yùn)行這個(gè)ETL過(guò)程，必須要編譯才行。Datastage就是類似這樣的產(chǎn)品，設(shè)計(jì)好的job必須要編譯，這避免了每次轉(zhuǎn)換的解釋執(zhí)行，但是不知道它生成的中間語(yǔ)言是什么。以前我設(shè)計(jì)的ETL工具大挪移其實(shí)也是歸屬于這一類，它提供了界面讓用戶編寫規(guī)則，最后生成C++語(yǔ)言，編譯后即可運(yùn)行。這類工具的特點(diǎn)就是要在界面上下狠功夫，必須讓用戶輕松定義一個(gè)ETL過(guò)程，提供豐富的插件來(lái)完成讀、寫和轉(zhuǎn)換函數(shù)。大挪移在這方面就太弱了，規(guī)則必須手寫，而且要寫成標(biāo)準(zhǔn)c++語(yǔ)法，這未免還是有點(diǎn)難為最終用戶了，還不如做成一個(gè)專業(yè)編碼型的產(chǎn)品呢。另外一點(diǎn)，這類工具必須提供面向?qū)＜覒?yīng)用的功能，因?yàn)樗豢赡芸紤]到所有的轉(zhuǎn)換規(guī)則和所有的讀寫，一方面提供插件接口來(lái)讓第三方編寫特定的插件，另一方面還有提供特定語(yǔ)言來(lái)實(shí)現(xiàn)高級(jí)功能。例如Datastage提供一種類Basic的語(yǔ)言，不過(guò)他的Job的腳本化實(shí)現(xiàn)好像就做的不太好，只能手工繪制job，而不能編程實(shí)現(xiàn)Job。

4、最后還有一種類型叫做數(shù)據(jù)集線器，顧名思義，他就是像Hub一樣地工作。將這種類型分出來(lái)和上面幾種分類在標(biāo)準(zhǔn)上有所差異，上面三種更多指ETL實(shí)現(xiàn)的方法，此類主要從數(shù)據(jù)處理角度。目前有一些產(chǎn)品屬于EAI（Enterprise Application Integration），它的數(shù)據(jù)集成主要是一種準(zhǔn)實(shí)時(shí)性。所以這類產(chǎn)品就像Hub一樣，不斷接收各種異構(gòu)數(shù)據(jù)源來(lái)的數(shù)據(jù)，經(jīng)過(guò)處理，在實(shí)施發(fā)送到不同的目標(biāo)數(shù)據(jù)中去。

雖然，這些類看似各又千秋，特別在BI項(xiàng)目中，面對(duì)海量數(shù)據(jù)的ETL時(shí)，中間兩種的選擇就開始了，在選擇過(guò)程中，必須要考慮到開發(fā)效率、維護(hù)方面、性能、學(xué)習(xí)曲線、人員技能等各方面因素，當(dāng)然還有最重要也是最現(xiàn)實(shí)的因素就是客戶的意象。

探求ETL本質(zhì)之三（轉(zhuǎn)換）

ETL探求之一中提到，ETL過(guò)程最復(fù)雜的部分就是T，這個(gè)轉(zhuǎn)換過(guò)程，T過(guò)程究竟有哪些類型呢？

一、宏觀輸入輸出

從對(duì)數(shù)據(jù)源的整個(gè)宏觀處理分，看看一個(gè)ETL過(guò)程的輸入輸出，可以分成下面幾類：

1、大小交，這種處理在數(shù)據(jù)清洗過(guò)程是常見(jiàn)了，例如從數(shù)據(jù)源到ODS階段，如果數(shù)據(jù)倉(cāng)庫(kù)采用維度建模，而且維度基本采用代理鍵的話，必然存在代碼到此鍵值的轉(zhuǎn)換。如果用SQL實(shí)現(xiàn)，必然需要將一個(gè)大表和一堆小表都Join起來(lái)，當(dāng)然如果使用ETL工具的話，一般都是先將小表讀入內(nèi)存中再處理。這種情況，輸出數(shù)據(jù)的粒度和大表一樣。

2、大大交，大表和大表之間關(guān)聯(lián)也是一個(gè)重要的課題，當(dāng)然其中要有一個(gè)主表，在邏輯上，應(yīng)當(dāng)是主表Left Join輔表。大表之間的關(guān)聯(lián)存在最大的問(wèn)題就是性能和穩(wěn)定性，對(duì)于海量數(shù)據(jù)來(lái)說(shuō)，必須有優(yōu)化的方法來(lái)處理他們的關(guān)聯(lián)，另外，對(duì)于大數(shù)據(jù)的處理無(wú)疑會(huì)占用太多的系統(tǒng)資源，出錯(cuò)的幾率非常大，如何做到有效錯(cuò)誤恢復(fù)也是個(gè)問(wèn)題。對(duì)于這種情況，我們建議還是盡量將大表拆分成適度的稍小一點(diǎn)的表，形成大小交的類型。這類情況的輸出數(shù)據(jù)粒度和主表一樣。

3、站著進(jìn)來(lái)，躺著出去。事務(wù)系統(tǒng)中為了提高系統(tǒng)靈活性和擴(kuò)展性，很多信息放在代碼表中維護(hù)，所以它的“事實(shí)表”就是一種窄表，而在數(shù)據(jù)倉(cāng)庫(kù)中，通常要進(jìn)行寬化，從行變成列，所以稱這種處理情況叫做“站著進(jìn)來(lái)，躺著出去”。大家對(duì)Decode肯定不陌生，這是進(jìn)行寬表化常見(jiàn)的手段之一。窄表變寬表的過(guò)程主要體現(xiàn)在對(duì)窄表中那個(gè)代碼字段的操作。這種情況，窄表是輸入，寬表是輸出，寬表的粒度必定要比窄表粗一些，就粗在那個(gè)代碼字段上。

4、聚集。數(shù)據(jù)倉(cāng)庫(kù)中重要的任務(wù)就是沉淀數(shù)據(jù)，聚集是必不可少的操作，它是粗化數(shù)據(jù)粒度的過(guò)程。聚集本身其實(shí)很簡(jiǎn)單，就是類似SQL中Group by的操作，選取特定字段（維度），對(duì)度量字段再使用某種聚集函數(shù)。但是對(duì)于大數(shù)據(jù)量情況下，聚集算法的優(yōu)化仍是探究的一個(gè)課題。例如是直接使用SQL的Group by，還是先排序，在處理。

二、微觀規(guī)則

從數(shù)據(jù)的轉(zhuǎn)換的微觀細(xì)節(jié)分，可以分成下面的幾個(gè)基本類型，當(dāng)然還有一些復(fù)雜的組合情況，例如先運(yùn)算，在參照轉(zhuǎn)換的規(guī)則，這種基于基本類型組合的情況就不在此列了。ETL的規(guī)則是依賴目標(biāo)數(shù)據(jù)的，目標(biāo)數(shù)據(jù)有多少字段，就有多少條規(guī)則。

1、直接映射，原來(lái)是什么就是什么，原封不動(dòng)照搬過(guò)來(lái)，對(duì)這樣的規(guī)則，如果數(shù)據(jù)源字段和目標(biāo)字段長(zhǎng)度或精度不符，需要特別注意看是否真的可以直接映射還是需要做一些簡(jiǎn)單運(yùn)算。

2、字段運(yùn)算，數(shù)據(jù)源的一個(gè)或多個(gè)字段進(jìn)行數(shù)學(xué)運(yùn)算得到的目標(biāo)字段，這種規(guī)則一般對(duì)數(shù)值型字段而言。

3、參照轉(zhuǎn)換，在轉(zhuǎn)換中通常要用數(shù)據(jù)源的一個(gè)或多個(gè)字段作為Key，去一個(gè)關(guān)聯(lián)數(shù)組中去搜索特定值，而且應(yīng)該只能得到唯一值。這個(gè)關(guān)聯(lián)數(shù)組使用Hash算法實(shí)現(xiàn)是比較合適也是最常見(jiàn)的，在整個(gè)ETL開始之前，它就裝入內(nèi)存，對(duì)性能提高的幫助非常大。

4、字符串處理，從數(shù)據(jù)源某個(gè)字符串字段中經(jīng)?？梢垣@取特定信息，例如身份證號(hào)。而且，經(jīng)常會(huì)有數(shù)值型值以字符串形式體現(xiàn)。對(duì)字符串的操作通常有類型轉(zhuǎn)換、字符串截取等。但是由于字符類型字段的隨意性也造成了臟數(shù)據(jù)的隱患，所以在處理這種規(guī)則的時(shí)候，一定要加上異常處理。

5、空值判斷，對(duì)于空值的處理是數(shù)據(jù)倉(cāng)庫(kù)中一個(gè)常見(jiàn)問(wèn)題，是將它作為臟數(shù)據(jù)還是作為特定一種維成員？這恐怕還要看應(yīng)用的情況，也是需要進(jìn)一步探求的。但是無(wú)論怎樣，對(duì)于可能有NULL值的字段，不要采用“直接映射”的規(guī)則類型，必須對(duì)空值進(jìn)行判斷，目前我們的建議是將它轉(zhuǎn)換成特定的值。

6、日期轉(zhuǎn)換，在數(shù)據(jù)倉(cāng)庫(kù)中日期值一般都會(huì)有特定的，不同于日期類型值的表示方法，例如使用8位整型20040801表示日期。而在數(shù)據(jù)源中，這種字段基本都是日期類型的，所以對(duì)于這樣的規(guī)則，需要一些共通函數(shù)來(lái)處理將日期轉(zhuǎn)換為8位日期值、6位月份值等。

7、日期運(yùn)算，基于日期，我們通常會(huì)計(jì)算日差、月差、時(shí)長(zhǎng)等。一般數(shù)據(jù)庫(kù)提供的日期運(yùn)算函數(shù)都是基于日期型的，而在數(shù)據(jù)倉(cāng)庫(kù)中采用特定類型來(lái)表示日期的話，必須有一套自己的日期運(yùn)算函數(shù)集。

8、聚集運(yùn)算，對(duì)于事實(shí)表中的度量字段，他們通常是通過(guò)數(shù)據(jù)源一個(gè)或多個(gè)字段運(yùn)用聚集函數(shù)得來(lái)的，這些聚集函數(shù)為SQL標(biāo)準(zhǔn)中，包括sum,count,avg,min,max。

9、既定取值，這種規(guī)則和以上各種類型規(guī)則的差別就在于它不依賴于數(shù)據(jù)源字段，對(duì)目標(biāo)字段取一個(gè)固定的或是依賴系統(tǒng)的值。

探求ETL本質(zhì)之四（數(shù)據(jù)質(zhì)量）

“不要絕對(duì)的數(shù)據(jù)準(zhǔn)確，但要知道為什么不準(zhǔn)確。”

這是我們?cè)跇?gòu)建BI系統(tǒng)是對(duì)數(shù)據(jù)準(zhǔn)確性的要求。確實(shí)，對(duì)絕對(duì)的數(shù)據(jù)準(zhǔn)確誰(shuí)也沒(méi)有把握，不僅是系統(tǒng)集成商，包括客戶也是無(wú)法確定。準(zhǔn)確的東西需要一個(gè)標(biāo)準(zhǔn)，但首先要保證這個(gè)標(biāo)準(zhǔn)是準(zhǔn)確的，至少現(xiàn)在還沒(méi)有這樣一個(gè)標(biāo)準(zhǔn)。客戶會(huì)提出一個(gè)相對(duì)標(biāo)準(zhǔn)，例如將你的OLAP數(shù)據(jù)結(jié)果和報(bào)表結(jié)果對(duì)比。雖然這是一種不太公平的比較，你也只好認(rèn)了吧。

首先在數(shù)據(jù)源那里，已經(jīng)很難保證數(shù)據(jù)質(zhì)量了，這一點(diǎn)也是事實(shí)。在這一層有哪些可能原因?qū)е聰?shù)據(jù)質(zhì)量問(wèn)題？可以分為下面幾類：

1、數(shù)據(jù)格式錯(cuò)誤，例如缺失數(shù)據(jù)、數(shù)據(jù)值超出范圍或是數(shù)據(jù)格式非法等。要知道對(duì)于同樣處理大數(shù)據(jù)量的數(shù)據(jù)源系統(tǒng)，他們通常會(huì)舍棄一些數(shù)據(jù)庫(kù)自身的檢查機(jī)制，例如字段約束等。他們盡可能將數(shù)據(jù)檢查在入庫(kù)前保證，但是這一點(diǎn)是很難確保的。這類情況諸如身份證號(hào)碼、手機(jī)號(hào)、非日期類型的日期字段等。

2、數(shù)據(jù)一致性，同樣，數(shù)據(jù)源系統(tǒng)為了性能的考慮，會(huì)在一定程度上舍棄外鍵約束，這通常會(huì)導(dǎo)致數(shù)據(jù)不一致。例如在帳務(wù)表中會(huì)出現(xiàn)一個(gè)用戶表中沒(méi)有的用戶ID，在例如有些代碼在代碼表中找不到等。

3、業(yè)務(wù)邏輯的合理性，這一點(diǎn)很難說(shuō)對(duì)與錯(cuò)。通常，數(shù)據(jù)源系統(tǒng)的設(shè)計(jì)并不是非常嚴(yán)謹(jǐn)，例如讓用戶開戶日期晚于用戶銷戶日期都是有可能發(fā)生的，一個(gè)用戶表中存在多個(gè)用戶ID也是有可能發(fā)生的。對(duì)這種情況，有什么辦法嗎？

構(gòu)建一個(gè)BI系統(tǒng)，要做到完全理解數(shù)據(jù)源系統(tǒng)根本就是不可能的。特別是數(shù)據(jù)源系統(tǒng)在交付后，有更多維護(hù)人員的即興發(fā)揮，那更是要花大量的時(shí)間去尋找原因。以前曾經(jīng)爭(zhēng)辯過(guò)設(shè)計(jì)人員對(duì)規(guī)則描述的問(wèn)題，有人提出要在ETL開始之前務(wù)必將所有的規(guī)則弄得一清二楚。我并不同意這樣的意見(jiàn)，倒是認(rèn)為在ETL過(guò)程要有處理這些質(zhì)量有問(wèn)題數(shù)據(jù)的保證。一定要正面這些臟數(shù)據(jù)，是丟棄還是處理，無(wú)法逃避。如果沒(méi)有質(zhì)量保證，那么在這個(gè)過(guò)程中，錯(cuò)誤會(huì)逐漸放大，拋開數(shù)據(jù)源質(zhì)量問(wèn)題，我們?cè)賮?lái)看看ETL過(guò)程中哪些因素對(duì)數(shù)據(jù)準(zhǔn)確性產(chǎn)生重大影響。

1、規(guī)則描述錯(cuò)誤。上面提到對(duì)設(shè)計(jì)人員對(duì)數(shù)據(jù)源系統(tǒng)理解的不充分，導(dǎo)致規(guī)則理解錯(cuò)誤，這是一方面。另一方面，是規(guī)則的描述，如果無(wú)二義性地描述規(guī)則也是要探求的一個(gè)課題。規(guī)則是依附于目標(biāo)字段的，在探求之三中，提到規(guī)則的分類。但是規(guī)則總不能總是用文字描述，必須有嚴(yán)格的數(shù)學(xué)表達(dá)方式。我甚至想過(guò)，如果設(shè)計(jì)人員能夠使用某種規(guī)則語(yǔ)言來(lái)描述，那么我們的ETL單元就可以自動(dòng)生成、同步，省去很多手工操作了。

2、ETL開發(fā)錯(cuò)誤。即時(shí)規(guī)則很明確，ETL開發(fā)的過(guò)程中也會(huì)發(fā)生一些錯(cuò)誤，例如邏輯錯(cuò)誤、書寫錯(cuò)誤等。例如對(duì)于一個(gè)分段值，開區(qū)間閉區(qū)間是需要指定的，但是常常開發(fā)人員沒(méi)注意，一個(gè)大于等于號(hào)寫成大于號(hào)就導(dǎo)致數(shù)據(jù)錯(cuò)誤。

3、人為處理錯(cuò)誤。在整體ETL流程沒(méi)有完成之前，為了圖省事，通常會(huì)手工運(yùn)行ETL過(guò)程，這其中一個(gè)重大的問(wèn)題就是你不會(huì)按照正常流程去運(yùn)行了，而是按照自己的理解去運(yùn)行，發(fā)生的錯(cuò)誤可能是誤刪了數(shù)據(jù)、重復(fù)裝載數(shù)據(jù)等。

探求ETL本質(zhì)之五（質(zhì)量保證）

上回提到ETL數(shù)據(jù)質(zhì)量問(wèn)題，這是無(wú)法根治的，只能采取特定的手段去盡量避免，而且必須要定義出度量方法來(lái)衡量數(shù)據(jù)的質(zhì)量是好還是壞。對(duì)于數(shù)據(jù)源的質(zhì)量，客戶對(duì)此應(yīng)該更加關(guān)心，如果在這個(gè)源頭不能保證比較干凈的數(shù)據(jù)，那么后面的分析功能的可信度也都成問(wèn)題。數(shù)據(jù)源系統(tǒng)也在不斷進(jìn)化過(guò)程中，客戶的操作也在逐漸規(guī)范中，BI系統(tǒng)也同樣如此。本文探討一下對(duì)數(shù)據(jù)源質(zhì)量和ETL處理質(zhì)量的應(yīng)對(duì)方法。

如何應(yīng)對(duì)數(shù)據(jù)源的質(zhì)量問(wèn)題？記得在onteldatastage列表中也討論過(guò)一個(gè)話題－”-1的處理"，在數(shù)據(jù)倉(cāng)庫(kù)模型維表中，通常有一條-1記錄，表示“未知”，這個(gè)未知含義可廣了，任何可能出錯(cuò)的數(shù)據(jù)，NULL數(shù)據(jù)甚至是規(guī)則沒(méi)有涵蓋到的數(shù)據(jù)，都轉(zhuǎn)成-1。這是一種處理臟數(shù)據(jù)的方法，但這也是一種掩蓋事實(shí)的方法。就好像寫一個(gè)函數(shù)FileOpen(filename)，返回一個(gè)錯(cuò)誤碼，當(dāng)然，你可以只返回一種錯(cuò)誤碼，如-1，但這是一種不好的設(shè)計(jì)，對(duì)于調(diào)用者來(lái)說(shuō)，他需要依據(jù)這個(gè)錯(cuò)誤碼進(jìn)行某些判斷，例如是文件不存在，還是讀取權(quán)限不夠，都有相應(yīng)的處理邏輯。數(shù)據(jù)倉(cāng)庫(kù)中也是一樣，所以，建議將不同的數(shù)據(jù)質(zhì)量類型處理結(jié)果分別轉(zhuǎn)換成不同的值，譬如，在轉(zhuǎn)換后，-1表示參照不上，-2表示NULL數(shù)據(jù)等。不過(guò)這僅僅對(duì)付了上回提到的第一類錯(cuò)誤，數(shù)據(jù)格式錯(cuò)誤。對(duì)于數(shù)據(jù)一致性和業(yè)務(wù)邏輯合理性問(wèn)題，這仍有待探求。但這里有一個(gè)原則就是“必須在數(shù)據(jù)倉(cāng)庫(kù)中反應(yīng)數(shù)據(jù)源的質(zhì)量”。

對(duì)于ETL過(guò)程中產(chǎn)生的質(zhì)量問(wèn)題，必須有保障手段。從以往的經(jīng)驗(yàn)看，沒(méi)有保障手段給實(shí)施人員帶來(lái)麻煩重重。實(shí)施人員對(duì)于反復(fù)裝載數(shù)據(jù)一定不會(huì)陌生，甚至是最后數(shù)據(jù)留到最后的Cube，才發(fā)現(xiàn)了第一步ETL其實(shí)已經(jīng)錯(cuò)了。這個(gè)保障手段就是數(shù)據(jù)驗(yàn)證機(jī)制，當(dāng)然，它的目的是能夠在ETL過(guò)程中監(jiān)控?cái)?shù)據(jù)質(zhì)量，產(chǎn)生報(bào)警。這個(gè)模塊要將實(shí)施人員當(dāng)作是最終用戶，可以說(shuō)他們是數(shù)據(jù)驗(yàn)證機(jī)制的直接收益者。首先，必須有一個(gè)對(duì)質(zhì)量的度量方法，什么是高質(zhì)什么是低質(zhì)，不能靠感官感覺(jué)，但這卻是在沒(méi)有度量方法條件下通常的做法。那經(jīng)營(yíng)分析系統(tǒng)來(lái)說(shuō)，聯(lián)通總部曾提出測(cè)試規(guī)范，這其實(shí)就是一種度量方法，例如指標(biāo)的誤差范圍不能高于5%等，對(duì)系統(tǒng)本身來(lái)說(shuō)其實(shí)必須要有這樣的度量方法，先不要說(shuō)這個(gè)度量方法是否科學(xué)。對(duì)于ETL數(shù)據(jù)處理質(zhì)量，他的度量方法應(yīng)該比聯(lián)通總部測(cè)試規(guī)范定義的方法更要嚴(yán)格，因?yàn)樗鄬I系統(tǒng)看作一個(gè)黑盒子，從數(shù)據(jù)源到展現(xiàn)的數(shù)據(jù)誤差允許一定的誤差。而ETL數(shù)據(jù)處理質(zhì)量度量是一種白盒的度量，要注重每一步過(guò)程。因此理論上，要求輸入輸出的指標(biāo)應(yīng)該完全一致。但是我們必須正面完全一致只是理想，對(duì)于有誤差的數(shù)據(jù)，必須找到原因。

在質(zhì)量度量方法的前提下，就可以建立一個(gè)數(shù)據(jù)驗(yàn)證框架。此框架依據(jù)總量、分量數(shù)據(jù)稽核方法，該方法在高的《數(shù)據(jù)倉(cāng)庫(kù)中的數(shù)據(jù)稽核技術(shù)》一文中已經(jīng)指出。作為補(bǔ)充，下面提出幾點(diǎn)功能上的建議：

1、提供前端。將開發(fā)實(shí)施人員當(dāng)作用戶，同樣也要為之提供友好的用戶界面?！痘思夹g(shù)》一文中指出測(cè)試報(bào)告的形式，這種形式還是要依賴人為判斷，在一堆數(shù)據(jù)中去找規(guī)律。到不如用OLAP的方式提供界面，不光是加上測(cè)試統(tǒng)計(jì)出來(lái)的指標(biāo)結(jié)果，并且配合度量方法的計(jì)算。例如誤差率，對(duì)于誤差率為大于0的指標(biāo)，就要好好查一下原因了。

2、提供框架。數(shù)據(jù)驗(yàn)證不是一次性工作，而是每次ETL過(guò)程中都必須做的。因此，必須有一個(gè)框架，自動(dòng)化驗(yàn)證過(guò)程，并提供擴(kuò)展手段，讓實(shí)施人員能夠增加驗(yàn)證范圍。有了這樣一個(gè)框架，其實(shí)它起到規(guī)范化操作的作用，開發(fā)實(shí)施人員可以將主要精力放在驗(yàn)證腳本的編寫上，而不必過(guò)多關(guān)注驗(yàn)證如何融合到流程中，如何展現(xiàn)等工作。為此，要設(shè)計(jì)一套表，類似于DM表，每次驗(yàn)證結(jié)果數(shù)據(jù)都記錄其中，并且自動(dòng)觸發(fā)多維分析的數(shù)據(jù)裝載、發(fā)布等。這樣，實(shí)施人員可以在每次裝載，甚至在流程過(guò)程中就可以觀察數(shù)據(jù)的誤差率。特別是，如果數(shù)據(jù)倉(cāng)庫(kù)的模型能夠統(tǒng)一起來(lái)，甚至數(shù)據(jù)驗(yàn)證腳本都可以確定下來(lái)，剩下的就是規(guī)范流程了。

3、規(guī)范流程。上回提到有一種ETL數(shù)據(jù)質(zhì)量問(wèn)題是由于人工處理導(dǎo)致的，其中最主要原因還是流程不規(guī)范。開發(fā)實(shí)施人員運(yùn)行單獨(dú)一個(gè)ETL單元是很方便的，雖然以前曾建議一個(gè)ETL單元必須是“可重入”的，這能夠解決誤刪數(shù)據(jù)，重復(fù)裝載數(shù)據(jù)問(wèn)題。但要記住數(shù)據(jù)驗(yàn)證也是在流程當(dāng)中，要讓數(shù)據(jù)驗(yàn)證能夠日常運(yùn)作，就不要讓實(shí)施者感覺(jué)到他的存在?？偟膩?lái)說(shuō)，規(guī)范流程是提高實(shí)施效率的關(guān)鍵工作，這也是以后要繼續(xù)探求的。

探求ETL本質(zhì)之六（元數(shù)據(jù)漫談）

對(duì)于元數(shù)據(jù)（Metadata）的定義到目前為止沒(méi)有什么特別精彩的，這個(gè)概念非常廣，一般都是這樣定義，“元數(shù)據(jù)是描述數(shù)據(jù)的數(shù)據(jù)（Data about Data）”，這造成一種遞歸定義，就像問(wèn)小強(qiáng)住在哪里，答，在旺財(cái)隔壁。按照這樣的定義，元數(shù)據(jù)所描述的數(shù)據(jù)是什么呢？還是元數(shù)據(jù)。這樣就可能有元元元...元數(shù)據(jù)。我還聽說(shuō)過(guò)一種對(duì)元數(shù)據(jù)，如果說(shuō)數(shù)據(jù)是一抽屜檔案，那么元數(shù)據(jù)就是分類標(biāo)簽。那它和索引有什么區(qū)別？ 元數(shù)據(jù)體現(xiàn)是一種抽象，哲學(xué)家從古至今都在抽象這個(gè)世界，力圖找到世界的本質(zhì)。抽象不是一層關(guān)系，它是一種逐步由具體到一般的過(guò)程。例如我->男人->人->哺乳動(dòng)物->生物這就是一個(gè)抽象過(guò)程，你要是在軟件業(yè)混會(huì)發(fā)現(xiàn)這個(gè)例子很常見(jiàn)，面向?qū)ο蠓椒ň褪沁@樣一種抽象過(guò)程。它對(duì)世界中的事物、過(guò)程進(jìn)行抽象，使用面向?qū)ο蠓椒?，?gòu)建一套對(duì)象模型。同樣在面向?qū)ο蠓椒ㄖ校愂菍?duì)象的抽象，接口又是對(duì)類的抽象。因此，我認(rèn)為可以將“元”和“抽象”換一下，叫抽象數(shù)據(jù)是不是好理解一些。

常聽到這樣的話，“xx領(lǐng)導(dǎo)的講話高屋建瓴，給我們后面的工作指引的清晰的方向”，這個(gè)成語(yǔ)“高屋建瓴”，站在10樓往下到水，居高臨下，能砸死人，這是指站在一定的高度看待事物，這個(gè)一定的高度就是指他有夠“元”。在設(shè)計(jì)模式中，強(qiáng)調(diào)要對(duì)接口編程，就是說(shuō)你不要處理這類對(duì)象和那類對(duì)象的交互，而要處理這個(gè)接口和那個(gè)接口的交互，先別管他們內(nèi)部是怎么干的。元數(shù)據(jù)存在的意義也在于此，雖然上面說(shuō)了一通都撤到哲學(xué)上去，但這個(gè)詞必須還是要結(jié)合軟件設(shè)計(jì)中看，我不知道在別的領(lǐng)域是不是存在Metadata這樣的叫法，雖然我相信別的領(lǐng)域必然有類似的東東。元數(shù)據(jù)的存在就是要做到在更高抽象一層設(shè)計(jì)軟件。這肯定有好處，什么靈活性啊，擴(kuò)展性啊，可維護(hù)性啊，都能得到提高，而且架構(gòu)清晰，只是彎彎太多，要是從下往上看，太復(fù)雜了。很早以前，我曾看過(guò)backorifice的代碼，我靠，一個(gè)簡(jiǎn)單的功能，從這個(gè)類轉(zhuǎn)到父類，又轉(zhuǎn)到父類，很不理解，為什么一個(gè)簡(jiǎn)單的功能不在一個(gè)類的方法中實(shí)現(xiàn)就拉到了呢？現(xiàn)在想想，還真不能這樣，這雖然使代碼容易看懂了，但是結(jié)構(gòu)確實(shí)混亂的，那他只能干現(xiàn)在的事，如果有什么功能擴(kuò)展，這些代碼就廢了。

我從98年剛工作時(shí)就開始接觸元數(shù)據(jù)的概念，當(dāng)時(shí)叫做元數(shù)據(jù)驅(qū)動(dòng)的系統(tǒng)架構(gòu)，后來(lái)在QiDSS中也用到這個(gè)概念構(gòu)建QiNavigator，但是現(xiàn)在覺(jué)得元數(shù)據(jù)也沒(méi)啥，不就是建一堆表描述界面的元素，再利用這些數(shù)據(jù)自動(dòng)生成界面嗎。到了數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)中，這個(gè)概念更強(qiáng)了，是數(shù)據(jù)倉(cāng)庫(kù)中一個(gè)重要的部分。但是至今，我還是認(rèn)為這個(gè)概念過(guò)于玄乎，看不到實(shí)際的東西，市面上有一些元數(shù)據(jù)管理的東西，但是從應(yīng)用情況就得知，用的不多。之所以玄乎，就是因?yàn)槌橄髮哟螞](méi)有分清楚，關(guān)鍵就是對(duì)于元數(shù)據(jù)的分類（這種分類就是一種抽象過(guò)程）和元數(shù)據(jù)的使用。你可以將元數(shù)據(jù)抽象成0和1，但是那樣對(duì)你的業(yè)務(wù)有用嗎？必須還得抽象到適合的程度，最后問(wèn)題還是“度”。

數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)的元數(shù)據(jù)作用如何？還不就是使系統(tǒng)自動(dòng)運(yùn)轉(zhuǎn)，易于管理嗎？要做到這一步，可沒(méi)必要將系統(tǒng)抽象到太極、兩儀、八卦之類的，業(yè)界也曾定義過(guò)一些元數(shù)據(jù)規(guī)范，向CWM、XMI等等，可以借鑒，不過(guò)俺對(duì)此也是不精通的說(shuō)，以后再說(shuō)

第二篇：ETL學(xué)習(xí)心得

ETL學(xué)習(xí)心得：探求數(shù)據(jù)倉(cāng)庫(kù)關(guān)鍵環(huán)節(jié)ETL的本質(zhì)

做數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)，ETL是關(guān)鍵的一環(huán)。說(shuō)大了，ETL是數(shù)據(jù)整合解決方案，說(shuō)小了，就是倒數(shù)據(jù)的工具。回憶一下工作這么些年來(lái)，處理數(shù)據(jù)遷移、轉(zhuǎn)換的工作倒還真的不少。但是那些工作基本上是一次性工作或者很小數(shù)據(jù)量，使用access、DTS或是自己編個(gè)小程序搞定?？墒窃跀?shù)據(jù)倉(cāng)庫(kù)系統(tǒng)中，ETL上升到了一定的理論高度，和原來(lái)小打小鬧的工具使用不同了。究竟什么不同，從名字上就可以看到，人家已經(jīng)將倒數(shù)據(jù)的過(guò)程分成3個(gè)步驟，E、T、L分別代表抽取、轉(zhuǎn)換和裝載。

其實(shí)ETL過(guò)程就是數(shù)據(jù)流動(dòng)的過(guò)程，從不同的數(shù)據(jù)源流向不同的目標(biāo)數(shù)據(jù)。但在數(shù)據(jù)倉(cāng)庫(kù)中，ETL有幾個(gè)特點(diǎn)，一是數(shù)據(jù)同步，它不是一次性倒完數(shù)據(jù)就拉到，它是經(jīng)常性的活動(dòng)，按照固定周期運(yùn)行的，甚至現(xiàn)在還有人提出了實(shí)時(shí)ETL的概念。二是數(shù)據(jù)量，一般都是巨大的，值得你將數(shù)據(jù)流動(dòng)的過(guò)程拆分成E、T和L。

現(xiàn)在有很多成熟的工具提供ETL功能，例如datastage、powermart等，且不說(shuō)他們的好壞。從應(yīng)用角度來(lái)說(shuō)，ETL的過(guò)程其實(shí)不是非常復(fù)雜，這些工具給數(shù)據(jù)倉(cāng)庫(kù)工程帶來(lái)和很大的便利性，特別是開發(fā)的便利和維護(hù)的便利。但另一方面，開發(fā)人員容易迷失在這些工具中。舉個(gè)例子，VB是一種非常簡(jiǎn)單的語(yǔ)言并且也是非常易用的編程工具，上手特別快，但是真正VB的高手有多少？微軟設(shè)計(jì)的產(chǎn)品通常有個(gè)原則是“將使用者當(dāng)作傻瓜”，在這個(gè)原則下，微軟的東西確實(shí)非常好用，但是對(duì)于開發(fā)者，如果你自己也將自己當(dāng)作傻瓜，那就真的傻了。ETL工具也是一樣，這些工具為我們提供圖形化界面，讓我們將主要的精力放在規(guī)則上，以期提高開發(fā)效率。從使用效果來(lái)說(shuō)，確實(shí)使用這些工具能夠非?？焖俚貥?gòu)建一個(gè)job來(lái)處理某個(gè)數(shù)據(jù)，不過(guò)從整體來(lái)看，并不見(jiàn)得他的整體效率會(huì)高多少。問(wèn)題主要不是出在工具上，而是在設(shè)計(jì)、開發(fā)人員上。他們迷失在工具中，沒(méi)有去探求ETL的本質(zhì)。

可以說(shuō)這些工具應(yīng)用了這么長(zhǎng)時(shí)間，在這么多項(xiàng)目、環(huán)境中應(yīng)用，它必然有它成功之處，它必定體現(xiàn)了ETL的本質(zhì)。如果我們不透過(guò)表面這些工具的簡(jiǎn)單使用去看它背后蘊(yùn)涵的思想，最終我們作出來(lái)的東西也就是一個(gè)個(gè)獨(dú)立的job，將他們整合起來(lái)仍然有巨大的工作量。大家都知道“理論與實(shí)踐相結(jié)合”，如果在一個(gè)領(lǐng)域有所超越，必須要在理論水平上達(dá)到一定的高度

探求ETL本質(zhì)之一

ETL的過(guò)程就是數(shù)據(jù)流動(dòng)的過(guò)程，從不同異構(gòu)數(shù)據(jù)源流向統(tǒng)一的目標(biāo)數(shù)據(jù)。其間，數(shù)據(jù)的抽取、清洗、轉(zhuǎn)換和裝載形成串行或并行的過(guò)程。ETL的核心還是在于T這個(gè)過(guò)程，也就是轉(zhuǎn)換，而抽取和裝載一般可以作為轉(zhuǎn)換的輸入和輸出，或者，它們作為一個(gè)單獨(dú)的部件，其復(fù)雜度沒(méi)有轉(zhuǎn)換部件高。和OLTP系統(tǒng)中不同，那里充滿這單條記錄的insert、update和select等操作，ETL過(guò)程一般都是批量操作，例如它的裝載多采用批量裝載工具，一般都是DBMS系統(tǒng)自身附帶的工具，例如Oracle SQLLoader和DB2的autoloader等。

ETL本身有一些特點(diǎn)，在一些工具中都有體現(xiàn)，下面以datastage和powermart舉例來(lái)說(shuō)。

1、靜態(tài)的ETL單元和動(dòng)態(tài)的ETL單元實(shí)例；一次轉(zhuǎn)換指明了某種格式的數(shù)據(jù)如何格式化成另一種格式的數(shù)據(jù)，對(duì)于數(shù)據(jù)源的物理形式在設(shè)計(jì)時(shí)可以不用指定，它可以在運(yùn)行時(shí)，當(dāng)這個(gè)ETL單元?jiǎng)?chuàng)建一個(gè)實(shí)例時(shí)才指定。對(duì)于靜態(tài)和動(dòng)態(tài)的ETL單元，Datastage沒(méi)有嚴(yán)格區(qū)分，它的一個(gè)Job就是實(shí)現(xiàn)這個(gè)功能，在早期版本，一個(gè)Job同時(shí)不能運(yùn)行兩次，所以一個(gè)Job相當(dāng)于一個(gè)實(shí)例，在后期版本，它支持multiple instances，而且還不是默認(rèn)選項(xiàng)。Powermart中將這兩個(gè)概念加以區(qū)分，靜態(tài)的叫做Mapping，動(dòng)態(tài)運(yùn)行時(shí)叫做Session。

2、ETL元數(shù)據(jù)；元數(shù)據(jù)是描述數(shù)據(jù)的數(shù)據(jù)，他的含義非常廣泛，這里僅指ETL的元數(shù)據(jù)。主要包括每次轉(zhuǎn)換前后的數(shù)據(jù)結(jié)構(gòu)和轉(zhuǎn)換的規(guī)則。ETL元數(shù)據(jù)還包括形式參數(shù)的管理，形式參數(shù)的ETL單元定義的參數(shù)，相對(duì)還有實(shí)參，它是運(yùn)行時(shí)指定的參數(shù)，實(shí)參不在元數(shù)據(jù)管理范圍之內(nèi)。

3、數(shù)據(jù)流程的控制；要有可視化的流程編輯工具，提供流程定義和流程監(jiān)控功能。流程調(diào)度的最小單位是ETL單元實(shí)例，ETL單元是不能在細(xì)分的ETL過(guò)程，當(dāng)然這由開發(fā)者來(lái)控制，例如可以將抽取、轉(zhuǎn)換放在一個(gè)ETL單元中，那樣這個(gè)抽取和轉(zhuǎn)換只能同時(shí)運(yùn)行，而如果將他們分作兩個(gè)單元，可

以分別運(yùn)行，這有利于錯(cuò)誤恢復(fù)操作。當(dāng)然，ETL單元究竟應(yīng)該細(xì)分到什么程度應(yīng)該依據(jù)具體應(yīng)用來(lái)看，目前還沒(méi)有找到很好的細(xì)分策略。比如，我們可以規(guī)定將裝載一個(gè)表的功能作為一個(gè)ETL單元，但是不可否認(rèn)，這樣的ETL單元之間會(huì)有很多共同的操作，例如兩個(gè)單元共用一個(gè)Hash表，要將這個(gè)Hash表裝入內(nèi)存兩次。

4、轉(zhuǎn)換規(guī)則的定義方法；提供函數(shù)集提供常用規(guī)則方法，提供規(guī)則定義語(yǔ)言描述規(guī)則。

5、對(duì)數(shù)據(jù)的快速索引；一般都是利用Hash技術(shù)，將參照關(guān)系表提前裝入內(nèi)存，在轉(zhuǎn)換時(shí)查找這個(gè)hash表。Datastage中有Hash文件技術(shù)，Powermart也有類似的Lookup功能。

探求ETL本質(zhì)之二（分類）

昨在IT-Director上閱讀一篇報(bào)告，關(guān)于ETL產(chǎn)品分類的。一般來(lái)說(shuō)，我們眼中的ETL工具都是價(jià)格昂貴，能夠處理海量數(shù)據(jù)的家伙，但是這是其中的一種。它可以分成4種，針對(duì)不同的需求，主要是從轉(zhuǎn)換規(guī)則的復(fù)雜度和數(shù)據(jù)量大小來(lái)看。它們包括

1、交互式運(yùn)行環(huán)境，你可以指定數(shù)據(jù)源、目標(biāo)數(shù)據(jù)，指定規(guī)則，立馬ETL。這種交互式的操作無(wú)疑非常方便，但是只能適合小數(shù)據(jù)量和復(fù)雜度不高的ETL過(guò)程，因?yàn)橐坏┮?guī)則復(fù)雜了，可能需要語(yǔ)言級(jí)的描述，不能簡(jiǎn)簡(jiǎn)單單拖拖拽拽就可以的。還有數(shù)據(jù)量的問(wèn)題，這種交互式必然建立在解釋型語(yǔ)言基礎(chǔ)上，另外他的靈活性必然要犧牲一定的性能為代價(jià)。所以如果要處理海量數(shù)據(jù)的話，每次讀取一條記錄，每次對(duì)規(guī)則進(jìn)行解釋執(zhí)行，每次在寫入一條記錄，這對(duì)性能影響是非常大的。

2、專門編碼型的，它提供了一個(gè)基于某種語(yǔ)言的程序框架，你可以不必將編程精力放在一些周邊的功能上，例如讀文件功能、寫數(shù)據(jù)庫(kù)的功能，而將精力主要放在規(guī)則的實(shí)現(xiàn)上面。這種近似手工代碼的性能肯定是沒(méi)話說(shuō)，除非你的編程技巧不過(guò)關(guān)（這也是不可忽視的因素之一）。對(duì)于處理大數(shù)據(jù)量，處理復(fù)雜轉(zhuǎn)換邏輯，這種方式的ETL實(shí)現(xiàn)是非常直觀的。

3、代碼生成器型的，它就像是一個(gè)ETL代碼生成器，提供簡(jiǎn)單的圖形化界面操作，讓你拖拖拽拽將轉(zhuǎn)換規(guī)則都設(shè)定好，其實(shí)他的后臺(tái)都是生成基于某種語(yǔ)言的程序，要運(yùn)行這個(gè)ETL過(guò)程，必須要編譯才行。Datastage就是類似這樣的產(chǎn)品，設(shè)計(jì)好的job必須要編譯，這避免了每次轉(zhuǎn)換的解釋執(zhí)行，但是不知道它生成的中間語(yǔ)言是什么。以前我設(shè)計(jì)的ETL工具大挪移其實(shí)也是歸屬于這一類，它提供了界面讓用戶編寫規(guī)則，最后生成C++語(yǔ)言，編譯后即可運(yùn)行。這類工具的特點(diǎn)就是要在界面上下狠功夫，必須讓用戶輕松定義一個(gè)ETL過(guò)程，提供豐富的插件來(lái)完成讀、寫和轉(zhuǎn)換函數(shù)。大挪移在這方面就太弱了，規(guī)則必須手寫，而且要寫成標(biāo)準(zhǔn)c++語(yǔ)法，這未免還是有點(diǎn)難為最終用戶了，還不如做成一個(gè)專業(yè)編碼型的產(chǎn)品呢。另外一點(diǎn)，這類工具必須提供面向?qū)＜覒?yīng)用的功能，因?yàn)樗豢赡芸紤]到所有的轉(zhuǎn)換規(guī)則和所有的讀寫，一方面提供插件接口來(lái)讓第三方編寫特定的插件，另一方面還有提供特定語(yǔ)言來(lái)實(shí)現(xiàn)高級(jí)功能。例如Datastage提供一種類Basic的語(yǔ)言，不過(guò)他的Job的腳本化實(shí)現(xiàn)好像就做的不太好，只能手工繪制job，而不能編程實(shí)現(xiàn)Job。

4、最后還有一種類型叫做數(shù)據(jù)集線器，顧名思義，他就是像Hub一樣地工作。將這種類型分出來(lái)和上面幾種分類在標(biāo)準(zhǔn)上有所差異，上面三種更多指ETL實(shí)現(xiàn)的方法，此類主要從數(shù)據(jù)處理角度。目前有一些產(chǎn)品屬于EAI（Enterprise Application Integration），它的數(shù)據(jù)集成主要是一種準(zhǔn)實(shí)時(shí)性。所以這類產(chǎn)品就像Hub一樣，不斷接收各種異構(gòu)數(shù)據(jù)源來(lái)的數(shù)據(jù)，經(jīng)過(guò)處理，在實(shí)施發(fā)送到不同的目標(biāo)數(shù)據(jù)中去。

雖然，這些類看似各又千秋，特別在BI項(xiàng)目中，面對(duì)海量數(shù)據(jù)的ETL時(shí)，中間兩種的選擇就開始了，在選擇過(guò)程中，必須要考慮到開發(fā)效率、維護(hù)方面、性能、學(xué)習(xí)曲線、人員技能等各方面因素，當(dāng)然還有最重要也是最現(xiàn)實(shí)的因素就是客戶的意象。

探求ETL本質(zhì)之三（轉(zhuǎn)換）

ETL探求之一中提到，ETL過(guò)程最復(fù)雜的部分就是T，這個(gè)轉(zhuǎn)換過(guò)程，T過(guò)程究竟有哪些類型呢？

一、宏觀輸入輸出

從對(duì)數(shù)據(jù)源的整個(gè)宏觀處理分，看看一個(gè)ETL過(guò)程的輸入輸出，可以分成下面幾類：

1、大小交，這種處理在數(shù)據(jù)清洗過(guò)程是常見(jiàn)了，例如從數(shù)據(jù)源到ODS階段，如果數(shù)據(jù)倉(cāng)庫(kù)采用

維度建模，而且維度基本采用代理鍵的話，必然存在代碼到此鍵值的轉(zhuǎn)換。如果用SQL實(shí)現(xiàn)，必然需要將一個(gè)大表和一堆小表都Join起來(lái)，當(dāng)然如果使用ETL工具的話，一般都是先將小表讀入內(nèi)存中再處理。這種情況，輸出數(shù)據(jù)的粒度和大表一樣。

2、大大交，大表和大表之間關(guān)聯(lián)也是一個(gè)重要的課題，當(dāng)然其中要有一個(gè)主表，在邏輯上，應(yīng)當(dāng)是主表Left Join輔表。大表之間的關(guān)聯(lián)存在最大的問(wèn)題就是性能和穩(wěn)定性，對(duì)于海量數(shù)據(jù)來(lái)說(shuō)，必須有優(yōu)化的方法來(lái)處理他們的關(guān)聯(lián)，另外，對(duì)于大數(shù)據(jù)的處理無(wú)疑會(huì)占用太多的系統(tǒng)資源，出錯(cuò)的幾率非常大，如何做到有效錯(cuò)誤恢復(fù)也是個(gè)問(wèn)題。對(duì)于這種情況，我們建議還是盡量將大表拆分成適度的稍小一點(diǎn)的表，形成大小交的類型。這類情況的輸出數(shù)據(jù)粒度和主表一樣。

3、站著進(jìn)來(lái)，躺著出去。事務(wù)系統(tǒng)中為了提高系統(tǒng)靈活性和擴(kuò)展性，很多信息放在代碼表中維護(hù)，所以它的“事實(shí)表”就是一種窄表，而在數(shù)據(jù)倉(cāng)庫(kù)中，通常要進(jìn)行寬化，從行變成列，所以稱這種處理情況叫做“站著進(jìn)來(lái)，躺著出去”。大家對(duì)Decode肯定不陌生，這是進(jìn)行寬表化常見(jiàn)的手段之一。窄表變寬表的過(guò)程主要體現(xiàn)在對(duì)窄表中那個(gè)代碼字段的操作。這種情況，窄表是輸入，寬表是輸出，寬表的粒度必定要比窄表粗一些，就粗在那個(gè)代碼字段上。

4、聚集。數(shù)據(jù)倉(cāng)庫(kù)中重要的任務(wù)就是沉淀數(shù)據(jù)，聚集是必不可少的操作，它是粗化數(shù)據(jù)粒度的過(guò)程。聚集本身其實(shí)很簡(jiǎn)單，就是類似SQL中Group by的操作，選取特定字段（維度），對(duì)度量字段再使用某種聚集函數(shù)。但是對(duì)于大數(shù)據(jù)量情況下，聚集算法的優(yōu)化仍是探究的一個(gè)課題。例如是直接使用SQL的Group by，還是先排序，在處理。

二、微觀規(guī)則

從數(shù)據(jù)的轉(zhuǎn)換的微觀細(xì)節(jié)分，可以分成下面的幾個(gè)基本類型，當(dāng)然還有一些復(fù)雜的組合情況，例如先運(yùn)算，在參照轉(zhuǎn)換的規(guī)則，這種基于基本類型組合的情況就不在此列了。ETL的規(guī)則是依賴目標(biāo)數(shù)據(jù)的，目標(biāo)數(shù)據(jù)有多少字段，就有多少條規(guī)則。

1、直接映射，原來(lái)是什么就是什么，原封不動(dòng)照搬過(guò)來(lái)，對(duì)這樣的規(guī)則，如果數(shù)據(jù)源字段和目標(biāo)字段長(zhǎng)度或精度不符，需要特別注意看是否真的可以直接映射還是需要做一些簡(jiǎn)單運(yùn)算。

2、字段運(yùn)算，數(shù)據(jù)源的一個(gè)或多個(gè)字段進(jìn)行數(shù)學(xué)運(yùn)算得到的目標(biāo)字段，這種規(guī)則一般對(duì)數(shù)值型字段而言。

3、參照轉(zhuǎn)換，在轉(zhuǎn)換中通常要用數(shù)據(jù)源的一個(gè)或多個(gè)字段作為Key，去一個(gè)關(guān)聯(lián)數(shù)組中去搜索特定值，而且應(yīng)該只能得到唯一值。這個(gè)關(guān)聯(lián)數(shù)組使用Hash算法實(shí)現(xiàn)是比較合適也是最常見(jiàn)的，在整個(gè)ETL開始之前，它就裝入內(nèi)存，對(duì)性能提高的幫助非常大。

4、字符串處理，從數(shù)據(jù)源某個(gè)字符串字段中經(jīng)?？梢垣@取特定信息，例如身份證號(hào)。而且，經(jīng)常會(huì)有數(shù)值型值以字符串形式體現(xiàn)。對(duì)字符串的操作通常有類型轉(zhuǎn)換、字符串截取等。但是由于字符類型字段的隨意性也造成了臟數(shù)據(jù)的隱患，所以在處理這種規(guī)則的時(shí)候，一定要加上異常處理。

5、空值判斷，對(duì)于空值的處理是數(shù)據(jù)倉(cāng)庫(kù)中一個(gè)常見(jiàn)問(wèn)題，是將它作為臟數(shù)據(jù)還是作為特定一種維成員？這恐怕還要看應(yīng)用的情況，也是需要進(jìn)一步探求的。但是無(wú)論怎樣，對(duì)于可能有NULL值的字段，不要采用“直接映射”的規(guī)則類型，必須對(duì)空值進(jìn)行判斷，目前我們的建議是將它轉(zhuǎn)換成特定的值。

6、日期轉(zhuǎn)換，在數(shù)據(jù)倉(cāng)庫(kù)中日期值一般都會(huì)有特定的，不同于日期類型值的表示方法，例如使用8位整型20040801表示日期。而在數(shù)據(jù)源中，這種字段基本都是日期類型的，所以對(duì)于這樣的規(guī)則，需要一些共通函數(shù)來(lái)處理將日期轉(zhuǎn)換為8位日期值、6位月份值等。

7、日期運(yùn)算，基于日期，我們通常會(huì)計(jì)算日差、月差、時(shí)長(zhǎng)等。一般數(shù)據(jù)庫(kù)提供的日期運(yùn)算函數(shù)都是基于日期型的，而在數(shù)據(jù)倉(cāng)庫(kù)中采用特定類型來(lái)表示日期的話，必須有一套自己的日期運(yùn)算函數(shù)集。

8、聚集運(yùn)算，對(duì)于事實(shí)表中的度量字段，他們通常是通過(guò)數(shù)據(jù)源一個(gè)或多個(gè)字段運(yùn)用聚集函數(shù)得來(lái)的，這些聚集函數(shù)為SQL標(biāo)準(zhǔn)中，包括sum,count,avg,min,max。

9、既定取值，這種規(guī)則和以上各種類型規(guī)則的差別就在于它不依賴于數(shù)據(jù)源字段，對(duì)目標(biāo)字段取一個(gè)固定的或是依賴系統(tǒng)的值。

探求ETL本質(zhì)之四（數(shù)據(jù)質(zhì)量）

“不要絕對(duì)的數(shù)據(jù)準(zhǔn)確，但要知道為什么不準(zhǔn)確?！?/p>

這是我們?cè)跇?gòu)建BI系統(tǒng)是對(duì)數(shù)據(jù)準(zhǔn)確性的要求。確實(shí)，對(duì)絕對(duì)的數(shù)據(jù)準(zhǔn)確誰(shuí)也沒(méi)有把握，不僅是系統(tǒng)集成商，包括客戶也是無(wú)法確定。準(zhǔn)確的東西需要一個(gè)標(biāo)準(zhǔn)，但首先要保證這個(gè)標(biāo)準(zhǔn)是準(zhǔn)確的，至少現(xiàn)在還沒(méi)有這樣一個(gè)標(biāo)準(zhǔn)?？蛻魰?huì)提出一個(gè)相對(duì)標(biāo)準(zhǔn)，例如將你的OLAP數(shù)據(jù)結(jié)果和報(bào)表結(jié)果對(duì)比。雖然這是一種不太公平的比較，你也只好認(rèn)了吧。

首先在數(shù)據(jù)源那里，已經(jīng)很難保證數(shù)據(jù)質(zhì)量了，這一點(diǎn)也是事實(shí)。在這一層有哪些可能原因?qū)е聰?shù)據(jù)質(zhì)量問(wèn)題？可以分為下面幾類：

1、數(shù)據(jù)格式錯(cuò)誤，例如缺失數(shù)據(jù)、數(shù)據(jù)值超出范圍或是數(shù)據(jù)格式非法等。要知道對(duì)于同樣處理大數(shù)據(jù)量的數(shù)據(jù)源系統(tǒng)，他們通常會(huì)舍棄一些數(shù)據(jù)庫(kù)自身的檢查機(jī)制，例如字段約束等。他們盡可能將數(shù)據(jù)檢查在入庫(kù)前保證，但是這一點(diǎn)是很難確保的。這類情況諸如身份證號(hào)碼、手機(jī)號(hào)、非日期類型的日期字段等。

2、數(shù)據(jù)一致性，同樣，數(shù)據(jù)源系統(tǒng)為了性能的考慮，會(huì)在一定程度上舍棄外鍵約束，這通常會(huì)導(dǎo)致數(shù)據(jù)不一致。例如在帳務(wù)表中會(huì)出現(xiàn)一個(gè)用戶表中沒(méi)有的用戶ID，在例如有些代碼在代碼表中找不到等。

3、業(yè)務(wù)邏輯的合理性，這一點(diǎn)很難說(shuō)對(duì)與錯(cuò)。通常，數(shù)據(jù)源系統(tǒng)的設(shè)計(jì)并不是非常嚴(yán)謹(jǐn)，例如讓用戶開戶日期晚于用戶銷戶日期都是有可能發(fā)生的，一個(gè)用戶表中存在多個(gè)用戶ID也是有可能發(fā)生的。對(duì)這種情況，有什么辦法嗎？

構(gòu)建一個(gè)BI系統(tǒng)，要做到完全理解數(shù)據(jù)源系統(tǒng)根本就是不可能的。特別是數(shù)據(jù)源系統(tǒng)在交付后，有更多維護(hù)人員的即興發(fā)揮，那更是要花大量的時(shí)間去尋找原因。以前曾經(jīng)爭(zhēng)辯過(guò)設(shè)計(jì)人員對(duì)規(guī)則描述的問(wèn)題，有人提出要在ETL開始之前務(wù)必將所有的規(guī)則弄得一清二楚。我并不同意這樣的意見(jiàn)，倒是認(rèn)為在ETL過(guò)程要有處理這些質(zhì)量有問(wèn)題數(shù)據(jù)的保證。一定要正面這些臟數(shù)據(jù)，是丟棄還是處理，無(wú)法逃避。如果沒(méi)有質(zhì)量保證，那么在這個(gè)過(guò)程中，錯(cuò)誤會(huì)逐漸放大，拋開數(shù)據(jù)源質(zhì)量問(wèn)題，我們?cè)賮?lái)看看ETL過(guò)程中哪些因素對(duì)數(shù)據(jù)準(zhǔn)確性產(chǎn)生重大影響。

1、規(guī)則描述錯(cuò)誤。上面提到對(duì)設(shè)計(jì)人員對(duì)數(shù)據(jù)源系統(tǒng)理解的不充分，導(dǎo)致規(guī)則理解錯(cuò)誤，這是一方面。另一方面，是規(guī)則的描述，如果無(wú)二義性地描述規(guī)則也是要探求的一個(gè)課題。規(guī)則是依附于目標(biāo)字段的，在探求之三中，提到規(guī)則的分類。但是規(guī)則總不能總是用文字描述，必須有嚴(yán)格的數(shù)學(xué)表達(dá)方式。我甚至想過(guò)，如果設(shè)計(jì)人員能夠使用某種規(guī)則語(yǔ)言來(lái)描述，那么我們的ETL單元就可以自動(dòng)生成、同步，省去很多手工操作了。

2、ETL開發(fā)錯(cuò)誤。即時(shí)規(guī)則很明確，ETL開發(fā)的過(guò)程中也會(huì)發(fā)生一些錯(cuò)誤，例如邏輯錯(cuò)誤、書寫錯(cuò)誤等。例如對(duì)于一個(gè)分段值，開區(qū)間閉區(qū)間是需要指定的，但是常常開發(fā)人員沒(méi)注意，一個(gè)大于等于號(hào)寫成大于號(hào)就導(dǎo)致數(shù)據(jù)錯(cuò)誤。

3、人為處理錯(cuò)誤。在整體ETL流程沒(méi)有完成之前，為了圖省事，通常會(huì)手工運(yùn)行ETL過(guò)程，這其中一個(gè)重大的問(wèn)題就是你不會(huì)按照正常流程去運(yùn)行了，而是按照自己的理解去運(yùn)行，發(fā)生的錯(cuò)誤可能是誤刪了數(shù)據(jù)、重復(fù)裝載數(shù)據(jù)等。

探求ETL本質(zhì)之五（質(zhì)量保證）

上回提到ETL數(shù)據(jù)質(zhì)量問(wèn)題，這是無(wú)法根治的，只能采取特定的手段去盡量避免，而且必須要定義出度量方法來(lái)衡量數(shù)據(jù)的質(zhì)量是好還是壞。對(duì)于數(shù)據(jù)源的質(zhì)量，客戶對(duì)此應(yīng)該更加關(guān)心，如果在這個(gè)源頭不能保證比較干凈的數(shù)據(jù)，那么后面的分析功能的可信度也都成問(wèn)題。數(shù)據(jù)源系統(tǒng)也在不斷進(jìn)化過(guò)程中，客戶的操作也在逐漸規(guī)范中，BI系統(tǒng)也同樣如此。本文探討一下對(duì)數(shù)據(jù)源質(zhì)量和ETL處理質(zhì)量的應(yīng)對(duì)方法。

如何應(yīng)對(duì)數(shù)據(jù)源的質(zhì)量問(wèn)題？記得在onteldatastage列表中也討論過(guò)一個(gè)話題－“-1的處理”，在數(shù)據(jù)倉(cāng)庫(kù)模型維表中，通常有一條-1記錄，表示“未知”，這個(gè)未知含義可廣了，任何可能出錯(cuò)的數(shù)據(jù)，NULL數(shù)據(jù)甚至是規(guī)則沒(méi)有涵蓋到的數(shù)據(jù)，都轉(zhuǎn)成-1。這是一種處理臟數(shù)據(jù)的方法，但這也是一種掩蓋

事實(shí)的方法。就好像寫一個(gè)函數(shù)FileOpen(filename)，返回一個(gè)錯(cuò)誤碼，當(dāng)然，你可以只返回一種錯(cuò)誤碼，如-1，但這是一種不好的設(shè)計(jì)，對(duì)于調(diào)用者來(lái)說(shuō)，他需要依據(jù)這個(gè)錯(cuò)誤碼進(jìn)行某些判斷，例如是文件不存在，還是讀取權(quán)限不夠，都有相應(yīng)的處理邏輯。數(shù)據(jù)倉(cāng)庫(kù)中也是一樣，所以，建議將不同的數(shù)據(jù)質(zhì)量類型處理結(jié)果分別轉(zhuǎn)換成不同的值，譬如，在轉(zhuǎn)換后，-1表示參照不上，-2表示NULL數(shù)據(jù)等。不過(guò)這僅僅對(duì)付了上回提到的第一類錯(cuò)誤，數(shù)據(jù)格式錯(cuò)誤。對(duì)于數(shù)據(jù)一致性和業(yè)務(wù)邏輯合理性問(wèn)題，這仍有待探求。但這里有一個(gè)原則就是“必須在數(shù)據(jù)倉(cāng)庫(kù)中反應(yīng)數(shù)據(jù)源的質(zhì)量”。

對(duì)于ETL過(guò)程中產(chǎn)生的質(zhì)量問(wèn)題，必須有保障手段。從以往的經(jīng)驗(yàn)看，沒(méi)有保障手段給實(shí)施人員帶來(lái)麻煩重重。實(shí)施人員對(duì)于反復(fù)裝載數(shù)據(jù)一定不會(huì)陌生，甚至是最后數(shù)據(jù)留到最后的Cube，才發(fā)現(xiàn)了第一步ETL其實(shí)已經(jīng)錯(cuò)了。這個(gè)保障手段就是數(shù)據(jù)驗(yàn)證機(jī)制，當(dāng)然，它的目的是能夠在ETL過(guò)程中監(jiān)控?cái)?shù)據(jù)質(zhì)量，產(chǎn)生報(bào)警。這個(gè)模塊要將實(shí)施人員當(dāng)作是最終用戶，可以說(shuō)他們是數(shù)據(jù)驗(yàn)證機(jī)制的直接收益者。

首先，必須有一個(gè)對(duì)質(zhì)量的度量方法，什么是高質(zhì)什么是低質(zhì)，不能靠感官感覺(jué)，但這卻是在沒(méi)有度量方法條件下通常的做法。那經(jīng)營(yíng)分析系統(tǒng)來(lái)說(shuō)，聯(lián)通總部曾提出測(cè)試規(guī)范，這其實(shí)就是一種度量方法，例如指標(biāo)的誤差范圍不能高于5%等，對(duì)系統(tǒng)本身來(lái)說(shuō)其實(shí)必須要有這樣的度量方法，先不要說(shuō)這個(gè)度量方法是否科學(xué)。對(duì)于ETL數(shù)據(jù)處理質(zhì)量，他的度量方法應(yīng)該比聯(lián)通總部測(cè)試規(guī)范定義的方法更要嚴(yán)格，因?yàn)樗鄬I系統(tǒng)看作一個(gè)黑盒子，從數(shù)據(jù)源到展現(xiàn)的數(shù)據(jù)誤差允許一定的誤差。而ETL數(shù)據(jù)處理質(zhì)量度量是一種白盒的度量，要注重每一步過(guò)程。因此理論上，要求輸入輸出的指標(biāo)應(yīng)該完全一致。但是我們必須正面完全一致只是理想，對(duì)于有誤差的數(shù)據(jù)，必須找到原因。

在質(zhì)量度量方法的前提下，就可以建立一個(gè)數(shù)據(jù)驗(yàn)證框架。此框架依據(jù)總量、分量數(shù)據(jù)稽核方法，該方法在高的《數(shù)據(jù)倉(cāng)庫(kù)中的數(shù)據(jù)稽核技術(shù)》一文中已經(jīng)指出。作為補(bǔ)充，下面提出幾點(diǎn)功能上的建議：

1、提供前端。將開發(fā)實(shí)施人員當(dāng)作用戶，同樣也要為之提供友好的用戶界面。《稽核技術(shù)》一文中指出測(cè)試報(bào)告的形式，這種形式還是要依賴人為判斷，在一堆數(shù)據(jù)中去找規(guī)律。到不如用OLAP的方式提供界面，不光是加上測(cè)試統(tǒng)計(jì)出來(lái)的指標(biāo)結(jié)果，并且配合度量方法的計(jì)算。例如誤差率，對(duì)于誤差率為大于0的指標(biāo)，就要好好查一下原因了。

2、提供框架。數(shù)據(jù)驗(yàn)證不是一次性工作，而是每次ETL過(guò)程中都必須做的。因此，必須有一個(gè)框架，自動(dòng)化驗(yàn)證過(guò)程，并提供擴(kuò)展手段，讓實(shí)施人員能夠增加驗(yàn)證范圍。有了這樣一個(gè)框架，其實(shí)它起到規(guī)范化操作的作用，開發(fā)實(shí)施人員可以將主要精力放在驗(yàn)證腳本的編寫上，而不必過(guò)多關(guān)注驗(yàn)證如何融合到流程中，如何展現(xiàn)等工作。為此，要設(shè)計(jì)一套表，類似于DM表，每次驗(yàn)證結(jié)果數(shù)據(jù)都記錄其中，并且自動(dòng)觸發(fā)多維分析的數(shù)據(jù)裝載、發(fā)布等。這樣，實(shí)施人員可以在每次裝載，甚至在流程過(guò)程中就可以觀察數(shù)據(jù)的誤差率。特別是，如果數(shù)據(jù)倉(cāng)庫(kù)的模型能夠統(tǒng)一起來(lái)，甚至數(shù)據(jù)驗(yàn)證腳本都可以確定下來(lái)，剩下的就是規(guī)范流程了。

3、規(guī)范流程。上回提到有一種ETL數(shù)據(jù)質(zhì)量問(wèn)題是由于人工處理導(dǎo)致的，其中最主要原因還是流程不規(guī)范。開發(fā)實(shí)施人員運(yùn)行單獨(dú)一個(gè)ETL單元是很方便的，雖然以前曾建議一個(gè)ETL單元必須是“可重入”的，這能夠解決誤刪數(shù)據(jù)，重復(fù)裝載數(shù)據(jù)問(wèn)題。但要記住數(shù)據(jù)驗(yàn)證也是在流程當(dāng)中，要讓數(shù)據(jù)驗(yàn)證能夠日常運(yùn)作，就不要讓實(shí)施者感覺(jué)到他的存在?？偟膩?lái)說(shuō)，規(guī)范流程是提高實(shí)施效率的關(guān)鍵工作，這也是以后要繼續(xù)探求的。

第三篇：ETL問(wèn)題總結(jié)

1.如果kettle端使用readonly賬號(hào)登錄SQLServer服務(wù)器，調(diào)用DB中的一個(gè)sp（傳入?yún)?shù)并寫入到該DB的表中），1.1只讀賬號(hào)能將參數(shù)能傳入sp中嗎？ 1.2如果能傳入，sp能執(zhí)行寫入操作嗎？

2.關(guān)于各種變量、參數(shù)的設(shè)置聲明，傳入?yún)?shù)，取出參數(shù)的問(wèn)題

2.1在kettle端圖形界面，有一種能用“CTR+ALT+空格”來(lái)選擇的變量,這是什么變量？為什么在總job中的 “設(shè)置變量”控件中，用“CTR+ALT+空格”來(lái)選擇，該變量既能作為變量名來(lái)被選擇，又能作為屬性文件名來(lái)被選擇？（在轉(zhuǎn)換中該變量只能作為變量名被選擇）其中的一個(gè)變量（END_TIME）是通過(guò)設(shè)置設(shè)置變量設(shè)置JVM產(chǎn)生的，但是它一直存在里面，這些變量可以在哪里管理，比如實(shí)現(xiàn)刪除END_TIME變量的操作。如下圖。

2.2除了kettle.properties一個(gè)job可以使用其他自定義的properties設(shè)置文件嗎?(已解決)

2.3 命名參數(shù)怎么設(shè)置,怎么傳入?yún)?shù)怎么獲取參數(shù),總控job的命名參數(shù),和轉(zhuǎn)換的命名參數(shù)有什么區(qū)別?(已解決)通過(guò)點(diǎn)擊job或者轉(zhuǎn)換的屬性可以設(shè)置命名參數(shù).可以同時(shí)指定默認(rèn)值,不指定的話就要 可以使用,只要指定路徑,文件名,就能讀取到自定義配置文件中的配置參數(shù).在運(yùn)行job時(shí)輸入.總控Job的命名參數(shù)在整個(gè)job包括其中的控件,子job中都有效,而轉(zhuǎn)換的命名參數(shù)只在該轉(zhuǎn)換中有效.3.sp參數(shù)傳入對(duì)參數(shù)有什么要求嗎.(已解決)

要求的參數(shù):順序上符合sp的參數(shù);類型要對(duì)的上 格式要對(duì)得上

例如:時(shí)間的類型,sp中要求datetime型的參數(shù),且格式要求為:yyyy/MM/ddHH:mm:ss

;參數(shù)從數(shù)據(jù)庫(kù)的一張表中獲得(表輸入->設(shè)置變量->獲取變量).變量獲取過(guò)來(lái)后是date型,但是沒(méi)有指定格式,因此需要在獲取變量中設(shè)置其格式為sp要求的格式.

第四篇：ETL學(xué)習(xí)心得：探求數(shù)據(jù)倉(cāng)庫(kù)關(guān)鍵環(huán)節(jié)ETL的本質(zhì)

做數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)，ETL是關(guān)鍵的一環(huán)。說(shuō)大了，ETL是數(shù)據(jù)整合解決方案，說(shuō)小了，就是倒數(shù)據(jù)的工具?；貞浺幌鹿ぷ鬟@么些年來(lái)，處理數(shù)據(jù)遷移、轉(zhuǎn)換的工作倒還真的不少。但是那些工作基本上是一次性工作或者很小數(shù)據(jù)量，使用access、DTS或是自己編個(gè)小程序搞定。可是在數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)中，ETL上升到了一定的理論高度，和原來(lái)小打小鬧的工具使用不同了。究竟什么不同，從名字上就可以看到，人家已經(jīng)將倒數(shù)據(jù)的過(guò)程分成3個(gè)步驟，E、T、L分別代表抽取、轉(zhuǎn)換和裝載。

其實(shí)ETL過(guò)程就是數(shù)據(jù)流動(dòng)的過(guò)程，從不同的數(shù)據(jù)源流向不同的目標(biāo)數(shù)據(jù)。但在數(shù)據(jù)倉(cāng)庫(kù)中，ETL有幾個(gè)特點(diǎn)，一是數(shù)據(jù)同步，它不是一次性倒完數(shù)據(jù)就拉到，它是經(jīng)常性的活動(dòng)，按照固定周期運(yùn)行的，甚至現(xiàn)在還有人提出了實(shí)時(shí)ETL的概念。二是數(shù)據(jù)量，一般都是巨大的，值得你將數(shù)據(jù)流動(dòng)的過(guò)程拆分成E、T和L。

現(xiàn)在有很多成熟的工具提供ETL功能，例如datastage、powermart等，且不說(shuō)他們的好壞。從應(yīng)用角度來(lái)說(shuō)，ETL的過(guò)程其實(shí)不是非常復(fù)雜，這些工具給數(shù)據(jù)倉(cāng)庫(kù)工程帶來(lái)和很大的便利性，特別是開發(fā)的便利和維護(hù)的便利。但另一方面，開發(fā)人員容易迷失在這些工具中。舉個(gè)例子，VB是一種非常簡(jiǎn)單的語(yǔ)言并且也是非常易用的編程工具，上手特別快，但是真正VB的高手有多少？微軟設(shè)計(jì)的產(chǎn)品通常有個(gè)原則是“將使用者當(dāng)作傻瓜”，在這個(gè)原則下，微軟的東西確實(shí)非常好用，但是對(duì)于開發(fā)者，如果你自己也將自己當(dāng)作傻瓜，那就真的傻了。ETL工具也是一樣，這些工具為我們提供圖形化界面，讓我們將主要的精力放在規(guī)則上，以期提高開發(fā)效率。從使用效果來(lái)說(shuō)，確實(shí)使用這些工具能夠非常快速地構(gòu)建一個(gè)job來(lái)處理某個(gè)數(shù)據(jù)，不過(guò)從整體來(lái)看，并不見(jiàn)得他的整體效率會(huì)高多少。問(wèn)題主要不是出在工具上，而是在設(shè)計(jì)、開發(fā)人員上。他們迷失在工具中，沒(méi)有去探求ETL的本質(zhì)。

可以說(shuō)這些工具應(yīng)用了這么長(zhǎng)時(shí)間，在這么多項(xiàng)目、環(huán)境中應(yīng)用，它必然有它成功之處，它必定體現(xiàn)了ETL的本質(zhì)。如果我們不透過(guò)表面這些工具的簡(jiǎn)單使用去看它背后蘊(yùn)涵的思想，最終我們作出來(lái)的東西也就是一個(gè)個(gè)獨(dú)立的job，將他們整合起來(lái)仍然有巨大的工作量。大家都知道“理論與實(shí)踐相結(jié)合”，如果在一個(gè)領(lǐng)域有所超越，必須要在理論水平上達(dá)到一定的高度

探求ETL本質(zhì)之一

ETL的過(guò)程就是數(shù)據(jù)流動(dòng)的過(guò)程，從不同異構(gòu)數(shù)據(jù)源流向統(tǒng)一的目標(biāo)數(shù)據(jù)。其間，數(shù)據(jù)的抽取、清洗、轉(zhuǎn)換和裝載形成串行或并行的過(guò)程。ETL的核心還是在于T這個(gè)過(guò)程，也就是轉(zhuǎn)換，而抽取和裝載一般可以作為轉(zhuǎn)換的輸入和輸出，或者，它們作為一個(gè)單獨(dú)的部件，其復(fù)雜度沒(méi)有轉(zhuǎn)換部件高。和OLTP系統(tǒng)中不同，那里充滿這單條記錄的insert、update和select等操作，ETL過(guò)程一般都是批量操作，例如它的裝載多采用批量裝載工具，一般都是DBMS系統(tǒng)自身附帶的工具，例如Oracle SQLLoader和DB2的autoloader等。

ETL本身有一些特點(diǎn)，在一些工具中都有體現(xiàn)，下面以datastage和powermart舉例來(lái)說(shuō)。

1、靜態(tài)的ETL單元和動(dòng)態(tài)的ETL單元實(shí)例；一次轉(zhuǎn)換指明了某種格式的數(shù)據(jù)如何格式化成另一種格式的數(shù)據(jù)，對(duì)于數(shù)據(jù)源的物理形式在設(shè)計(jì)時(shí)可以不用指定，它可以在運(yùn)行時(shí)，當(dāng)這個(gè)ETL單元?jiǎng)?chuàng)建一個(gè)實(shí)例時(shí)才指定。對(duì)于靜態(tài)和動(dòng)態(tài)的ETL單元，Datastage沒(méi)有嚴(yán)格區(qū)分，它的一個(gè)Job就是實(shí)現(xiàn)這個(gè)功能，在早期版本，一個(gè)Job同時(shí)不能運(yùn)行兩次，所以一個(gè)Job相當(dāng)于一個(gè)實(shí)例，在后期版本，它支持multiple instances，而且還不是默認(rèn)選項(xiàng)。Powermart中將這兩個(gè)概念加以區(qū)分，靜態(tài)的叫做Mapping，動(dòng)態(tài)運(yùn)行時(shí)叫做Session。

2、ETL元數(shù)據(jù)；元數(shù)據(jù)是描述數(shù)據(jù)的數(shù)據(jù)，他的含義非常廣泛，這里僅指ETL的元數(shù)據(jù)。主要包括每次轉(zhuǎn)換前后的數(shù)據(jù)結(jié)構(gòu)和轉(zhuǎn)換的規(guī)則。ETL元數(shù)據(jù)還包括形式參數(shù)的管理，形式參數(shù)的ETL單元定義的參數(shù)，相對(duì)還有實(shí)參，它是運(yùn)行時(shí)指定的參數(shù)，實(shí)參不在元數(shù)據(jù)管理范圍之內(nèi)。

3、數(shù)據(jù)流程的控制；要有可視化的流程編輯工具，提供流程定義和流程監(jiān)控功能。流程調(diào)度的最小單位是ETL單元實(shí)例，ETL單元是不能在細(xì)分的ETL過(guò)程，當(dāng)然這由開發(fā)者來(lái)控制，例如可以將抽取、轉(zhuǎn)換放在一個(gè)ETL單元中，那樣這個(gè)抽取和轉(zhuǎn)換只能同時(shí)運(yùn)行，而如果將他們分作兩個(gè)單元，可以分別運(yùn)行，這有利于錯(cuò)誤恢復(fù)操作。當(dāng)然，ETL單元究竟應(yīng)該細(xì)分到什么程度應(yīng)該依據(jù)具體應(yīng)用來(lái)看，目前還沒(méi)有找到很好的細(xì)分策略。比如，我們可以規(guī)定將裝載一個(gè)表的功能作為一個(gè)ETL單元，但是不可否認(rèn)，這樣的ETL單元之間會(huì)有很多共同的操作，例如兩個(gè)單元共用一個(gè)Hash表，要將這個(gè)Hash表裝入內(nèi)存兩次。

4、轉(zhuǎn)換規(guī)則的定義方法；提供函數(shù)集提供常用規(guī)則方法，提供規(guī)則定義語(yǔ)言描述規(guī)則。

5、對(duì)數(shù)據(jù)的快速索引；一般都是利用Hash技術(shù)，將參照關(guān)系表提前裝入內(nèi)存，在轉(zhuǎn)換時(shí)查找這個(gè)hash表。Datastage中有Hash文件技術(shù)，Powermart也有類似的Lookup功能。

探求ETL本質(zhì)之二（分類）

昨在IT-Director上閱讀一篇報(bào)告，關(guān)于ETL產(chǎn)品分類的。一般來(lái)說(shuō)，我們眼中的ETL工具都是價(jià)格昂貴，能夠處理海量數(shù)據(jù)的家伙，但是這是其中的一種。它可以分成4種，針對(duì)不同的需求，主要是從轉(zhuǎn)換規(guī)則的復(fù)雜度和數(shù)據(jù)量大小來(lái)看。它們包括

1、交互式運(yùn)行環(huán)境，你可以指定數(shù)據(jù)源、目標(biāo)數(shù)據(jù)，指定規(guī)則，立馬ETL。這種交互式的操作無(wú)疑非常方便，但是只能適合小數(shù)據(jù)量和復(fù)雜度不高的ETL過(guò)程，因?yàn)橐坏┮?guī)則復(fù)雜了，可能需要語(yǔ)言級(jí)的描述，不能簡(jiǎn)簡(jiǎn)單單拖拖拽拽就可以的。還有數(shù)據(jù)量的問(wèn)題，這種交互式必然建立在解釋型語(yǔ)言基礎(chǔ)上，另外他的靈活性必然要犧牲一定的性能為代價(jià)。所以如果要處理海量數(shù)據(jù)的話，每次讀取一條記錄，每次對(duì)規(guī)則進(jìn)行解釋執(zhí)行，每次在寫入一條記錄，這對(duì)性能影響是非常大的。

2、專門編碼型的，它提供了一個(gè)基于某種語(yǔ)言的程序框架，你可以不必將編程精力放在一些周邊的功能上，例如讀文件功能、寫http://rad.17luntan.com/ClickPortal/W...&alliedsiteid=0“);” onmouseout=“isShowAds = false;isShowAds2 = false;”>數(shù)據(jù)庫(kù)的功能，而將精力主要放在規(guī)則的實(shí)現(xiàn)上面。這種近似手工代碼的性能肯定是沒(méi)話說(shuō)，除非你的編程技巧不過(guò)關(guān)（這也是不可忽視的因素之一）。對(duì)于處理大數(shù)據(jù)量，處理復(fù)雜轉(zhuǎn)換邏輯，這種方式的ETL實(shí)現(xiàn)是非常直觀的。

3、代碼生成器型的，它就像是一個(gè)ETL代碼生成器，提供簡(jiǎn)單的圖形化界面操作，讓你拖拖拽拽將轉(zhuǎn)換規(guī)則都設(shè)定好，其實(shí)他的后臺(tái)都是生成基于某種語(yǔ)言的程序，要運(yùn)行這個(gè)ETL過(guò)程，必須要編譯才行。Datastage就是類似這樣的產(chǎn)品，設(shè)計(jì)好的job必須要編譯，這避免了每次轉(zhuǎn)換的解釋執(zhí)行，但是不知道它生成的中間語(yǔ)言是什么。以前我設(shè)計(jì)的ETL工具大挪移其實(shí)也是歸屬于這一類，它提供了界面讓用戶編寫規(guī)則，最后生成C++語(yǔ)言，編譯后即可運(yùn)行。這類工具的特點(diǎn)就是要在界面上下狠功夫，必須讓用戶輕松定義一個(gè)ETL過(guò)程，提供豐富的插件來(lái)完成讀、寫和轉(zhuǎn)換函數(shù)。大挪移在這方面就太弱了，規(guī)則必須手寫，而且要寫成標(biāo)準(zhǔn)c++語(yǔ)法，這未免還是有點(diǎn)難為最終用戶了，還不如做成一個(gè)專業(yè)編碼型的產(chǎn)品呢。另外一點(diǎn)，這類工具必須提供面向?qū)＜覒?yīng)用的功能，因?yàn)樗豢赡芸紤]到所有的轉(zhuǎn)換規(guī)則和所有的讀寫，一方面提供插件接口來(lái)讓第三方編寫特定的插件，另一方面還有提供特定語(yǔ)言來(lái)實(shí)現(xiàn)高級(jí)功能。例如Datastage提供一種類Basic的語(yǔ)言，不過(guò)他的Job的腳本化實(shí)現(xiàn)好像就做的不太好，只能手工繪制job，而不能編程實(shí)現(xiàn)Job。

4、最后還有一種類型叫做數(shù)據(jù)集線器，顧名思義，他就是像Hub一樣地工作。將這種類型分出來(lái)和上面幾種分類在標(biāo)準(zhǔn)上有所差異，上面三種更多指ETL實(shí)現(xiàn)的方法，此類主要從數(shù)據(jù)處理角度。目前有一些產(chǎn)品屬于EAI（Enterprise Application Integration），它的數(shù)據(jù)集成主要是一種準(zhǔn)實(shí)時(shí)性。所以這類產(chǎn)品就像Hub一樣，不斷接收各種異構(gòu)數(shù)據(jù)源來(lái)的數(shù)據(jù)，經(jīng)過(guò)處理，在實(shí)施發(fā)送到不同的目標(biāo)數(shù)據(jù)中去。

雖然，這些類看似各又千秋，特別在BI項(xiàng)目中，面對(duì)海量數(shù)據(jù)的ETL時(shí)，中間兩種的選擇就開始了，在選擇過(guò)程中，必須要考慮到開發(fā)效率、維護(hù)方面、性能、學(xué)習(xí)曲線、人員技能等各方面因素，當(dāng)然還有最重要也是最現(xiàn)實(shí)的因素就是客戶的意象。

探求ETL本質(zhì)之三（轉(zhuǎn)換）

ETL探求之一中提到，ETL過(guò)程最復(fù)雜的部分就是T，這個(gè)轉(zhuǎn)換過(guò)程，T過(guò)程究竟有哪些類型呢？

一、宏觀輸入輸出

從對(duì)數(shù)據(jù)源的整個(gè)宏觀處理分，看看一個(gè)ETL過(guò)程的輸入輸出，可以分成下面幾類：

1、大小交，這種處理在數(shù)據(jù)清洗過(guò)程是常見(jiàn)了，例如從數(shù)據(jù)源到ODS階段，如果數(shù)據(jù)倉(cāng)庫(kù)采用維度建模，而且維度基本采用代理鍵的話，必然存在代碼到此鍵值的轉(zhuǎn)換。如果用SQL實(shí)現(xiàn)，必然需要將一個(gè)大表和一堆小表都Join起來(lái)，當(dāng)然如果使用ETL工具的話，一般都是先將小表讀入內(nèi)存中再處理。這種情況，輸出數(shù)據(jù)的粒度和大表一樣。

2、大大交，大表和大表之間關(guān)聯(lián)也是一個(gè)重要的課題，當(dāng)然其中要有一個(gè)主表，在邏輯上，應(yīng)當(dāng)是主表Left Join輔表。大表之間的關(guān)聯(lián)存在最大的問(wèn)題就是性能和穩(wěn)定性，對(duì)于海量數(shù)據(jù)來(lái)說(shuō)，必須有優(yōu)化的方法來(lái)處理他們的關(guān)聯(lián)，另外，對(duì)于大數(shù)據(jù)的處理無(wú)疑會(huì)占用太多的系統(tǒng)資源，出錯(cuò)的幾率非常大，如何做到有效錯(cuò)誤恢復(fù)也是個(gè)問(wèn)題。對(duì)于這種情況，我們建議還是盡量將大表拆分成適度的稍小一點(diǎn)的表，形成大小交的類型。這類情況的輸出數(shù)據(jù)粒度和主表一樣。

3、站著進(jìn)來(lái)，躺著出去。事務(wù)系統(tǒng)中為了提高系統(tǒng)靈活性和擴(kuò)展性，很多信息放在代碼表中維護(hù)，所以它的“事實(shí)表”就是一種窄表，而在數(shù)據(jù)倉(cāng)庫(kù)中，通常要進(jìn)行寬化，從行變成列，所以稱這種處理情況叫做“站著進(jìn)來(lái)，躺著出去”。大家對(duì)Decode肯定不陌生，這是進(jìn)行寬表化常見(jiàn)的手段之一。窄表變寬表的過(guò)程主要體現(xiàn)在對(duì)窄表中那個(gè)代碼字段的操作。這種情況，窄表是輸入，寬表是輸出，寬表的粒度必定要比窄表粗一些，就粗在那個(gè)代碼字段上。

4、聚集。數(shù)據(jù)倉(cāng)庫(kù)中重要的任務(wù)就是沉淀數(shù)據(jù)，聚集是必不可少的操作，它是粗化數(shù)據(jù)粒度的過(guò)程。聚集本身其實(shí)很簡(jiǎn)單，就是類似SQL中Group by的操作，選取特定字段（維度），對(duì)度量字段再使用某種聚集函數(shù)。但是對(duì)于大數(shù)據(jù)量情況下，聚集算法的優(yōu)化仍是探究的一個(gè)課題。例如是直接使用SQL的Group by，還是先排序，在處理。

二、微觀規(guī)則

從數(shù)據(jù)的轉(zhuǎn)換的微觀細(xì)節(jié)分，可以分成下面的幾個(gè)基本類型，當(dāng)然還有一些復(fù)雜的組合情況，例如先運(yùn)算，在參照轉(zhuǎn)換的規(guī)則，這種基于基本類型組合的情況就不在此列了。ETL的規(guī)則是依賴目標(biāo)數(shù)據(jù)的，目標(biāo)數(shù)據(jù)有多少字段，就有多少條規(guī)則。

1、直接映射，原來(lái)是什么就是什么，原封不動(dòng)照搬過(guò)來(lái)，對(duì)這樣的規(guī)則，如果數(shù)據(jù)源字段和目標(biāo)字段長(zhǎng)度或精度不符，需要特別注意看是否真的可以直接映射還是需要做一些簡(jiǎn)單運(yùn)算。

2、字段運(yùn)算，數(shù)據(jù)源的一個(gè)或多個(gè)字段進(jìn)行數(shù)學(xué)運(yùn)算得到的目標(biāo)字段，這種規(guī)則一般對(duì)數(shù)值型字段而言。

3、參照轉(zhuǎn)換，在轉(zhuǎn)換中通常要用數(shù)據(jù)源的一個(gè)或多個(gè)字段作為Key，去一個(gè)關(guān)聯(lián)數(shù)組中去搜索特定值，而且應(yīng)該只能得到唯一值。這個(gè)關(guān)聯(lián)數(shù)組使用Hash算法實(shí)現(xiàn)是比較合適也是最常見(jiàn)的，在整個(gè)ETL開始之前，它就裝入內(nèi)存，對(duì)性能提高的幫助非常大。

4、字符串處理，從數(shù)據(jù)源某個(gè)字符串字段中經(jīng)?？梢垣@取特定信息，例如身份證號(hào)。而且，經(jīng)常會(huì)有數(shù)值型值以字符串形式體現(xiàn)。對(duì)字符串的操作通常有類型轉(zhuǎn)換、字符串截取等。但是由于字符類型字段的隨意性也造成了臟數(shù)據(jù)的隱患，所以在處理這種規(guī)則的時(shí)候，一定要加上異常處理。

5、空值判斷，對(duì)于空值的處理是數(shù)據(jù)倉(cāng)庫(kù)中一個(gè)常見(jiàn)問(wèn)題，是將它作為臟數(shù)據(jù)還是作為特定一種維成員？這恐怕還要看應(yīng)用的情況，也是需要進(jìn)一步探求的。但是無(wú)論怎樣，對(duì)于可能有NULL值的字段，不要采用“直接映射”的規(guī)則類型，必須對(duì)空值進(jìn)行判斷，目前我們的建議是將它轉(zhuǎn)換成特定的值。

6、日期轉(zhuǎn)換，在數(shù)據(jù)倉(cāng)庫(kù)中日期值一般都會(huì)有特定的，不同于日期類型值的表示方法，例如使用8位整型20040801表示日期。而在數(shù)據(jù)源中，這種字段基本都是日期類型的，所以對(duì)于這樣的規(guī)則，需要一些共通函數(shù)來(lái)處理將日期轉(zhuǎn)換為8位日期值、6位月份值等。

7、日期運(yùn)算，基于日期，我們通常會(huì)計(jì)算日差、月差、時(shí)長(zhǎng)等。一般數(shù)據(jù)庫(kù)提供的日期運(yùn)算函數(shù)都是基于日期型的，而在數(shù)據(jù)倉(cāng)庫(kù)中采用特定類型來(lái)表示日期的話，必須有一套自己的日期運(yùn)算函數(shù)集。

8、聚集運(yùn)算，對(duì)于事實(shí)表中的度量字段，他們通常是通過(guò)數(shù)據(jù)源一個(gè)或多個(gè)字段運(yùn)用聚集函數(shù)得來(lái)的，這些聚集函數(shù)為SQL標(biāo)準(zhǔn)中，包括sum,count,avg,min,max。

9、既定取值，這種規(guī)則和以上各種類型規(guī)則的差別就在于它不依賴于數(shù)據(jù)源字段，對(duì)目標(biāo)字段取一個(gè)固定的或是依賴系統(tǒng)的值。

探求ETL本質(zhì)之四（數(shù)據(jù)質(zhì)量）

“不要絕對(duì)的數(shù)據(jù)準(zhǔn)確，但要知道為什么不準(zhǔn)確?！?/p>

這是我們?cè)跇?gòu)建BI系統(tǒng)是對(duì)數(shù)據(jù)準(zhǔn)確性的要求。確實(shí)，對(duì)絕對(duì)的數(shù)據(jù)準(zhǔn)確誰(shuí)也沒(méi)有把握，不僅是系統(tǒng)集成商，包括客戶也是無(wú)法確定。準(zhǔn)確的東西需要一個(gè)標(biāo)準(zhǔn)，但首先要保證這個(gè)標(biāo)準(zhǔn)是準(zhǔn)確的，至少現(xiàn)在還沒(méi)有這樣一個(gè)標(biāo)準(zhǔn)?？蛻魰?huì)提出一個(gè)相對(duì)標(biāo)準(zhǔn)，例如將你的OLAP數(shù)據(jù)結(jié)果和報(bào)表結(jié)果對(duì)比。雖然這是一種不太公平的比較，你也只好認(rèn)了吧。

首先在數(shù)據(jù)源那里，已經(jīng)很難保證數(shù)據(jù)質(zhì)量了，這一點(diǎn)也是事實(shí)。在這一層有哪些可能原因?qū)е聰?shù)據(jù)質(zhì)量問(wèn)題？可以分為下面幾類：

1、數(shù)據(jù)格式錯(cuò)誤，例如缺失數(shù)據(jù)、數(shù)據(jù)值超出范圍或是數(shù)據(jù)格式非法等。要知道對(duì)于同樣處理大數(shù)據(jù)量的數(shù)據(jù)源系統(tǒng)，他們通常會(huì)舍棄一些數(shù)據(jù)庫(kù)自身的檢查機(jī)制，例如字段約束等。他們盡可能將數(shù)據(jù)檢查在入庫(kù)前保證，但是這一點(diǎn)是很難確保的。這類情況諸如身份證號(hào)碼、手機(jī)號(hào)、非日期類型的日期字段等。

2、數(shù)據(jù)一致性，同樣，數(shù)據(jù)源系統(tǒng)為了性能的考慮，會(huì)在一定程度上舍棄外鍵約束，這通常會(huì)導(dǎo)致數(shù)據(jù)不一致。例如在帳務(wù)表中會(huì)出現(xiàn)一個(gè)用戶表中沒(méi)有的用戶ID，在例如有些代碼在代碼表中找不到等。

3、業(yè)務(wù)邏輯的合理性，這一點(diǎn)很難說(shuō)對(duì)與錯(cuò)。通常，數(shù)據(jù)源系統(tǒng)的設(shè)計(jì)并不是非常嚴(yán)謹(jǐn)，例如讓用戶開戶日期晚于用戶銷戶日期都是有可能發(fā)生的，一個(gè)用戶表中存在多個(gè)用戶ID也是有可能發(fā)生的。對(duì)這種情況，有什么辦法嗎？

構(gòu)建一個(gè)BI系統(tǒng)，要做到完全理解數(shù)據(jù)源系統(tǒng)根本就是不可能的。特別是數(shù)據(jù)源系統(tǒng)在交付后，有更多維護(hù)人員的即興發(fā)揮，那更是要花大量的時(shí)間去尋找原因。以前曾經(jīng)爭(zhēng)辯過(guò)設(shè)計(jì)人員對(duì)規(guī)則描述的問(wèn)題，有人提出要在ETL開始之前務(wù)必將所有的規(guī)則弄得一清二楚。我并不同意這樣的意見(jiàn)，倒是認(rèn)為在ETL過(guò)程要有處理這些質(zhì)量有問(wèn)題數(shù)據(jù)的保證。一定要正面這些臟數(shù)據(jù)，是丟棄還是處理，無(wú)法逃避。如果沒(méi)有質(zhì)量保證，那么在這個(gè)過(guò)程中，錯(cuò)誤會(huì)逐漸放大，拋開數(shù)據(jù)源質(zhì)量問(wèn)題，我們?cè)賮?lái)看看ETL過(guò)程中哪些因素對(duì)數(shù)據(jù)準(zhǔn)確性產(chǎn)生重大影響。

1、規(guī)則描述錯(cuò)誤。上面提到對(duì)設(shè)計(jì)人員對(duì)數(shù)據(jù)源系統(tǒng)理解的不充分，導(dǎo)致規(guī)則理解錯(cuò)誤，這是一方面。另一方面，是規(guī)則的描述，如果無(wú)二義性地描述規(guī)則也是要探求的一個(gè)課題。規(guī)則是依附于目標(biāo)字段的，在探求之三中，提到規(guī)則的分類。但是規(guī)則總不能總是用文字描述，必須有嚴(yán)格的數(shù)學(xué)表達(dá)方式。我甚至想過(guò)，如果設(shè)計(jì)人員能夠使用某種規(guī)則語(yǔ)言來(lái)描述，那么我們的ETL單元就可以自動(dòng)生成、同步，省去很多手工操作了。

2、ETL開發(fā)錯(cuò)誤。即時(shí)規(guī)則很明確，ETL開發(fā)的過(guò)程中也會(huì)發(fā)生一些錯(cuò)誤，例如邏輯錯(cuò)誤、書寫錯(cuò)誤等。例如對(duì)于一個(gè)分段值，開區(qū)間閉區(qū)間是需要指定的，但是常常開發(fā)人員沒(méi)注意，一個(gè)大于等于號(hào)寫成大于號(hào)就導(dǎo)致數(shù)據(jù)錯(cuò)誤。

3、人為處理錯(cuò)誤。在整體ETL流程沒(méi)有完成之前，為了圖省事，通常會(huì)手工運(yùn)行ETL過(guò)程，這其中一個(gè)重大的問(wèn)題就是你不會(huì)按照正常流程去運(yùn)行了，而是按照自己的理解去運(yùn)行，發(fā)生的錯(cuò)誤可能是誤刪了數(shù)據(jù)、重復(fù)裝載數(shù)據(jù)等。

探求ETL本質(zhì)之五（質(zhì)量保證）

上回提到ETL數(shù)據(jù)質(zhì)量問(wèn)題，這是無(wú)法根治的，只能采取特定的手段去盡量避免，而且必須要定義出度量方法來(lái)衡量數(shù)據(jù)的質(zhì)量是好還是壞。對(duì)于數(shù)據(jù)源的質(zhì)量，客戶對(duì)此應(yīng)該更加關(guān)心，如果在這個(gè)源頭不能保證比較干凈的數(shù)據(jù)，那么后面的分析功能的可信度也都成問(wèn)題。數(shù)據(jù)源系統(tǒng)也在不斷進(jìn)化過(guò)程中，客戶的操作也在逐漸規(guī)范中，BI系統(tǒng)也同樣如此。本文探討一下對(duì)數(shù)據(jù)源質(zhì)量和ETL處理質(zhì)量的應(yīng)對(duì)方法。

如何應(yīng)對(duì)數(shù)據(jù)源的質(zhì)量問(wèn)題？記得在onteldatastage列表中也討論過(guò)一個(gè)話題－“-1的處理”，在數(shù)據(jù)倉(cāng)庫(kù)模型維表中，通常有一條-1記錄，表示“未知”，這個(gè)未知含義可廣了，任何可能出錯(cuò)的數(shù)據(jù)，NULL數(shù)據(jù)甚至是規(guī)則沒(méi)有涵蓋到的數(shù)據(jù)，都轉(zhuǎn)成-1。這是一種處理臟數(shù)據(jù)的方法，但這也是一種掩蓋事實(shí)的方法。就好像寫一個(gè)函數(shù)FileOpen(filename)，返回一個(gè)錯(cuò)誤碼，當(dāng)然，你可以只返回一種錯(cuò)誤碼，如-1，但這是一種不好的設(shè)計(jì)，對(duì)于調(diào)用者來(lái)說(shuō)，他需要依據(jù)這個(gè)錯(cuò)誤碼進(jìn)行某些判斷，例如是文件不存在，還是讀取權(quán)限不夠，都有相應(yīng)的處理邏輯。數(shù)據(jù)倉(cāng)庫(kù)中也是一樣，所以，建議將不同的數(shù)據(jù)質(zhì)量類型處理結(jié)果分別轉(zhuǎn)換成不同的值，譬如，在轉(zhuǎn)換后，-1表示參照不上，-2表示NULL數(shù)據(jù)等。不過(guò)這僅僅對(duì)付了上回提到的第一類錯(cuò)誤，數(shù)據(jù)格式錯(cuò)誤。對(duì)于數(shù)據(jù)一致性和業(yè)務(wù)邏輯合理性問(wèn)題，這仍有待探求。但這里有一個(gè)原則就是“必須在數(shù)據(jù)倉(cāng)庫(kù)中反應(yīng)數(shù)據(jù)源的質(zhì)量”。

對(duì)于ETL過(guò)程中產(chǎn)生的質(zhì)量問(wèn)題，必須有保障手段。從以往的經(jīng)驗(yàn)看，沒(méi)有保障手段給實(shí)施人員帶來(lái)麻煩重重。實(shí)施人員對(duì)于反復(fù)裝載數(shù)據(jù)一定不會(huì)陌生，甚至是最后數(shù)據(jù)留到最后的Cube，才發(fā)現(xiàn)了第一步ETL其實(shí)已經(jīng)錯(cuò)了。這個(gè)保障手段就是數(shù)據(jù)驗(yàn)證機(jī)制，當(dāng)然，它的目的是能夠在ETL過(guò)程中監(jiān)控?cái)?shù)據(jù)質(zhì)量，產(chǎn)生報(bào)警。這個(gè)模塊要將實(shí)施人員當(dāng)作是最終用戶，可以說(shuō)他們是數(shù)據(jù)驗(yàn)證機(jī)制的直接收益者。

首先，必須有一個(gè)對(duì)質(zhì)量的度量方法，什么是高質(zhì)什么是低質(zhì)，不能靠感官感覺(jué)，但這卻是在沒(méi)有度量方法條件下通常的做法。那經(jīng)營(yíng)分析系統(tǒng)來(lái)說(shuō)，聯(lián)通總部曾提出測(cè)試規(guī)范，這其實(shí)就是一種度量方法，例如指標(biāo)的誤差范圍不能高于5%等，對(duì)系統(tǒng)本身來(lái)說(shuō)其實(shí)必須要有這樣的度量方法，先不要說(shuō)這個(gè)度量方法是否科學(xué)。對(duì)于ETL數(shù)據(jù)處理質(zhì)量，他的度量方法應(yīng)該比聯(lián)通總部測(cè)試規(guī)范定義的方法更要嚴(yán)格，因?yàn)樗鄬I系統(tǒng)看作一個(gè)黑盒子，從數(shù)據(jù)源到展現(xiàn)的數(shù)據(jù)誤差允許一定的誤差。而ETL數(shù)據(jù)處理質(zhì)量度量是一種白盒的度量，要注重每一步過(guò)程。因此理論上，要求輸入輸出的指標(biāo)應(yīng)該完全一致。但是我們必須正面完全一致只是理想，對(duì)于有誤差的數(shù)據(jù)，必須找到原因。

在質(zhì)量度量方法的前提下，就可以建立一個(gè)數(shù)據(jù)驗(yàn)證框架。此框架依據(jù)總量、分量數(shù)據(jù)稽核方法，該方法在高的《數(shù)據(jù)倉(cāng)庫(kù)中的數(shù)據(jù)稽核技術(shù)》一文中已經(jīng)指出。作為補(bǔ)充，下面提出幾點(diǎn)功能上的建議：

1、提供前端。將開發(fā)實(shí)施人員當(dāng)作用戶，同樣也要為之提供友好的用戶界面?！痘思夹g(shù)》一文中指出測(cè)試報(bào)告的形式，這種形式還是要依賴人為判斷，在一堆數(shù)據(jù)中去找規(guī)律。到不如用OLAP的方式提供界面，不光是加上測(cè)試統(tǒng)計(jì)出來(lái)的指標(biāo)結(jié)果，并且配合度量方法的計(jì)算。例如誤差率，對(duì)于誤差率為大于0的指標(biāo)，就要好好查一下原因了。

2、提供框架。數(shù)據(jù)驗(yàn)證不是一次性工作，而是每次ETL過(guò)程中都必須做的。因此，必須有一個(gè)框架，自動(dòng)化驗(yàn)證過(guò)程，并提供擴(kuò)展手段，讓實(shí)施人員能夠增加驗(yàn)證范圍。有了這樣一個(gè)框架，其實(shí)它起到規(guī)范化操作的作用，開發(fā)實(shí)施人員可以將主要精力放在驗(yàn)證腳本的編寫上，而不必過(guò)多關(guān)注驗(yàn)證如何融合到流程中，如何展現(xiàn)等工作。為此，要設(shè)計(jì)一套表，類似于DM表，每次驗(yàn)證結(jié)果數(shù)據(jù)都記錄其中，并且自動(dòng)觸發(fā)多維分析的數(shù)據(jù)裝載、發(fā)布等。這樣，實(shí)施人員可以在每次裝載，甚至在流程過(guò)程中就可以觀察數(shù)據(jù)的誤差率。特別是，如果數(shù)據(jù)倉(cāng)庫(kù)的模型能夠統(tǒng)一起來(lái)，甚至數(shù)據(jù)驗(yàn)證腳本都可以確定下來(lái)，剩下的就是規(guī)范流程了。

3、規(guī)范流程。上回提到有一種ETL數(shù)據(jù)質(zhì)量問(wèn)題是由于人工處理導(dǎo)致的，其中最主要原因還是流程不規(guī)范。開發(fā)實(shí)施人員運(yùn)行單獨(dú)一個(gè)ETL單元是很方便的，雖然以前曾建議一個(gè)ETL單元必須是“可重入”的，這能夠解決誤刪數(shù)據(jù)，重復(fù)裝載數(shù)據(jù)問(wèn)題。但要記住數(shù)據(jù)驗(yàn)證也是在流程當(dāng)中，要讓數(shù)據(jù)驗(yàn)證能夠日常運(yùn)作，就不要讓實(shí)施者感覺(jué)到他的存在。總的來(lái)說(shuō)，規(guī)范流程是提高實(shí)施效率的關(guān)鍵工作，這也是以后要繼續(xù)探求的。

探求ETL本質(zhì)之六（元數(shù)據(jù)漫談）

對(duì)于元數(shù)據(jù)（Metadata）的定義到目前為止沒(méi)有什么特別精彩的，這個(gè)概念非常廣，一般都是這樣定義，“元數(shù)據(jù)是描述數(shù)據(jù)的數(shù)據(jù)（Data about Data）”，這造成一種遞歸定義，就像問(wèn)小強(qiáng)住在哪里，答，在旺財(cái)隔壁。按照這樣的定義，元數(shù)據(jù)所描述的數(shù)據(jù)是什么呢？還是元數(shù)據(jù)。這樣就可能有元元元...元數(shù)據(jù)。我還聽說(shuō)過(guò)一種對(duì)元數(shù)據(jù)，如果說(shuō)數(shù)據(jù)是一抽屜檔案，那么元數(shù)據(jù)就是分類標(biāo)簽。那它和索引有什么區(qū)別？

元數(shù)據(jù)體現(xiàn)是一種抽象，哲學(xué)家從古至今都在抽象這個(gè)世界，力圖找到世界的本質(zhì)。抽象不是一層關(guān)系，它是一種逐步由具體到一般的過(guò)程。例如我->男人->人->哺乳動(dòng)物->生物這就是一個(gè)抽象過(guò)程，你要是在軟件業(yè)混會(huì)發(fā)現(xiàn)這個(gè)例子很常見(jiàn)，面向?qū)ο蠓椒ň褪沁@樣一種抽象過(guò)程。它對(duì)世界中的事物、過(guò)程進(jìn)行抽象，使用面向?qū)ο蠓椒?，?gòu)建一套對(duì)象模型。同樣在面向?qū)ο蠓椒ㄖ?，類是?duì)象的抽象，接口又是對(duì)類的抽象。因此，我認(rèn)為可以將“元”和“抽象”換一下，叫抽象數(shù)據(jù)是不是好理解一些。常聽到這樣的話，“xx領(lǐng)導(dǎo)的講話高屋建瓴，給我們后面的工作指引的清晰的方向”，這個(gè)成語(yǔ)“高屋建瓴”，站在10樓往下到水，居高臨下，能砸死人，這是指站在一定的高度看待事物，這個(gè)一定的高度就是指他有夠“元”。在設(shè)計(jì)模式中，強(qiáng)調(diào)要對(duì)接口編程，就是說(shuō)你不要處理這類對(duì)象和那類對(duì)象的交互，而要處理這個(gè)接口和那個(gè)接口的交互，先別管他們內(nèi)部是怎么干的。

元數(shù)據(jù)存在的意義也在于此，雖然上面說(shuō)了一通都撤到哲學(xué)上去，但這個(gè)詞必須還是要結(jié)合軟件設(shè)計(jì)中看，我不知道在別的領(lǐng)域是不是存在Metadata這樣的叫法，雖然我相信別的領(lǐng)域必然有類似的東東。元數(shù)據(jù)的存在就是要做到在更高抽象一層設(shè)計(jì)軟件。這肯定有好處，什么靈活性啊，擴(kuò)展性啊，可維護(hù)性啊，都能得到提高，而且架構(gòu)清晰，只是彎彎太多，要是從下往上看，太復(fù)雜了。很早以前，我曾看過(guò)backorifice的代碼，我靠，一個(gè)簡(jiǎn)單的功能，從這個(gè)類轉(zhuǎn)到父類，又轉(zhuǎn)到父類，很不理解，為什么一個(gè)簡(jiǎn)單的功能不在一個(gè)類的方法中實(shí)現(xiàn)就拉到了呢？現(xiàn)在想想，還真不能這樣，這雖然使代碼容易看懂了，但是結(jié)構(gòu)確實(shí)混亂的，那他只能干現(xiàn)在的事，如果有什么功能擴(kuò)展，這些代碼就廢了。

我從98年剛工作時(shí)就開始接觸元數(shù)據(jù)的概念，當(dāng)時(shí)叫做元數(shù)據(jù)驅(qū)動(dòng)的系統(tǒng)架構(gòu)，后來(lái)在QiDSS中也用到這個(gè)概念構(gòu)建QiNavigator，但是現(xiàn)在覺(jué)得元數(shù)據(jù)也沒(méi)啥，不就是建一堆表描述界面的元素，再利用這些數(shù)據(jù)自動(dòng)生成界面嗎。到了數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)中，這個(gè)概念更強(qiáng)了，是數(shù)據(jù)倉(cāng)庫(kù)中一個(gè)重要的部分。但是至今，我還是認(rèn)為這個(gè)概念過(guò)于玄乎，看不到實(shí)際的東西，市面上有一些元數(shù)據(jù)管理的東西，但是從應(yīng)用情況就得知，用的不多。之所以玄乎，就是因?yàn)槌橄髮哟螞](méi)有分清楚，關(guān)鍵就是對(duì)于元數(shù)據(jù)的分類（這種分類就是一種抽象過(guò)程）和元數(shù)據(jù)的使用。你可以將元數(shù)據(jù)抽象成0和1，但是那樣對(duì)你的業(yè)務(wù)有用嗎？必須還得抽象到適合的程度，最后問(wèn)題還是“度”。

數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)的元數(shù)據(jù)作用如何？還不就是使系統(tǒng)自動(dòng)運(yùn)轉(zhuǎn)，易于管理嗎？要做到這一步，可沒(méi)必要將系統(tǒng)抽象到太極、兩儀、八卦之類的，業(yè)界也曾定義過(guò)一些元數(shù)據(jù)規(guī)范，向CWM、XMI等等，可以借鑒，不過(guò)俺對(duì)此也是不精通的說(shuō)，以后再說(shuō)

第五篇： ETL技術(shù)和數(shù)據(jù)倉(cāng)庫(kù)建設(shè)的研究

畢業(yè)論文（設(shè)計(jì)）開題報(bào)告

論文題目： ETL技術(shù)和數(shù)據(jù)倉(cāng)庫(kù)建設(shè)的研究