【ETL技能】白话数据仓库 ETL 搭建全过程

经过多年来企业信息化建设,大部分都拥有了自己的财务,OA,CRM 等软件。这些系统都有自己的独立数据库,记录着企业运行情况某个方面的数据。但是单独看这些系统的报表,并不一定能对企业运行情况有全面客观的了解。就像只凭身高不能判断一个人是否健康,所以体检的时候我们需要化验许多指标,做各种检测,就是为了对身体情况有更全面的了解,作出更准确的判断。

同样对一个企业,不能仅根据出勤率就判断一个人的绩效高低,因为你不知道他的工作成果情况。仅根据财务报表输入支出也体现不了各部门的收益情况,这个部门有多少工作人员,完成了哪些任务你也不知道。正式由于这种需求,产生了OLAP(Online analytical processing )应用,在建立了汇集各系统数据的数据仓库后,OLAP应用可以快速解析多维的查询分析,针对查询出的数据,用户也可以方便的进行钻取,如查询出了年度数据,可以很方便的查看月度数据;查询好地区的数据,可以再看相应城市的数据,还可以显示相应的趋势图,柱状图,饼图等,从而给决策者的判断提供有效的数据支持。

数据抽取

我们做饭之前,先要从菜场各个摊位去买我们需要的原材料,如青菜,番茄,鸡蛋,和鱼,然后把菜上的老叶子去掉,鱼鳞和内脏去掉,洗干净。建立OLAP应用之前,我们要想办法把各个独立系统的数据抽取出来,经过一定的转换和过滤,存放到一个集中的地方,成为数据仓库。这个抽取,转换,加载的过程叫ETL(Extract, Transform,Load).相应的开发工具Oracle有DataStage,微软有SQL Server Integration Services,Pentaho有Kettle。这些ETL工具一般都支持图形化流程建模,文本文件映射导入,XML,XSLT,可执行SQL,javascript等。

数据建模

材料准备好后,我们要规划他们可以做出什么样的菜。首先我们选择主要材料:如鱼,同样是鱼,可以有多种烧法,红烧,清蒸,油炸,水煮。不同的烧法还要搭配相应的辅助材料,如红烧一定要酱油和葱姜。想好了菜单,实际上就已经把这些原材料按不同的组合建立了一定的关系。对于OLAP应用,也要根据客户需求,我们对数据仓库中这些物理存在的表要进行逻辑建模,以某些重要的事实数据(如销售数据)为核心,建立与其他物理表(维度表)之间的业务关系。如销售数据跟部门表,客户表之间的关系。事实和维度之间的组合,就建立了将来做多维查询的基础。建模过程形成的结果在各中平台上的叫法不一样,如BO的叫Universe,Oracle中叫Cube,SqlServer2005的叫统一维度模型UDM,开源Pentaho中也叫Cube。相应的开发工具BO有Business Objects Crystal Decisions,Oracle有 Analytic WorkspaceManager ,SqlServer2005有BusinessIntelligence Development Studio,Pentaho有Schema Workbench。相对其他商业产品,Schema Workbench比较简单,也没有和软件开发平台如Eclipse集成在一起。

多维查询

准备好了原材料和相应的菜单,接下来就是根据要求烧菜了。这当中需要有一种表达需求的语言,例如同样是这个红烧鱼,有的人希望甜一些,有些人不喜欢放葱。如果有一个标准的语言描述这种执行要求,就能保证烧的菜符合你的口味了。同样,有了表达逻辑关系的模型Cube,数据仓库中也导入了业务数据,我们还要告诉执行引擎如何取得我们真正所要的数据。这个查询语言就是MDX(Multidimensional Expression),它是微软在1997年首次提出,并为多家厂商采用。如果要学习它的相关语法,微软MSDN上有详细的文档:http://technet.microsoft.com/zh-cn/library/bb500184.aspx

数据展现

烧好了菜,还要决定如何上菜,是用碗,用盘子还是砂锅,这些都要根据所做的菜式和客户要求。MDX查询返回的是多维数据,普通的二维表很难表现超过2个维度的数据,如果要进行数据的钻取等操作更是难上加难。各厂家的技术平台都有想应的实现技术。比较底层的界面表现技术Oracle 有Business Intelligence Beans,开源的有JPivot,这些需要开发相应的展示页面和维护界面,但可以和已有的系统紧密结合。另外为了方便用户使用和维护,也有做成可运行程序的系统平台。如Oracle有Oracle Business IntelligenceFoundation,开源的有SpagoBI,Pentaho BI Platform等。这些系统都有完整的DashBoard,多维查询,报表等功能,使用维护都比较方便,缺点就是比较庞大笨重。

以上是建立OLAP应用的几个重要环节和相关技术,最后总结一下:用户需求——数据建模——数据仓库

用户需求决定了如何设计模型和数据仓库,数据模型又是描述数据仓库的逻辑关系,而数据模型和数据仓库的某些技术限制也可能影响用户需求的实现。这三者之间是相互依存和影响着的。而MDX查询,又是这三者之间的粘合剂,它表达了用户的需求,经过OLAP引擎的解析,根据数据模型的描述,从数据仓库找到所需要的数据。

原文发布于微信公众号 - 数据科学与人工智能(DS_AI_shujuren)

原文发表时间:2015-12-18

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏纯洁的微笑

如何成为一位「不那么差」的程序员

也不知道啥时候我居然成人生导师了。当然我不排斥这些问题,和大家交流都是学习的过程。

1193
来自专栏SEO

「消息」Google推出新的弧形移动搜索结果界面

3738
来自专栏平凡文摘

理解程序员并不是一项简单的任务, 即使你当过程序员

1494
来自专栏ytkah

“小程序矩阵”时代来临 “小程序互跳”的N种玩法

  两个小程序终于实现跳转了,对于小程序来说,这是具有划时代意义的。我们来剖析一下这个能力的意义和玩法儿。6月21号晚官方放出新能力后,萤连长和几个小程序开发商...

5875
来自专栏华章科技

6个用于大数据分析的最好工具

大数据是一个含义广泛的术语,是指数据集,如此庞大而复杂的,他们需要专门设计的硬件和软件工具进行处理。该数据集通常是万亿或EB的大小。这些数据集收集自各种各样的来...

712
来自专栏北京马哥教育

5个超高评价的机器学习Python 库

? 作者 | Serdar Yegulalp 来源 | 搜狐 糖豆贴心提醒,本文阅读时间6分钟,文末有秘密! 机器学习令人无比神往,但从事这个工作的人可能...

3885
来自专栏架构专栏

互联网企业开发三年月薪15K,在第四年达到30K需要怎么做?

虽然我现在做反思和调整,也不算太晚,但如果早一点醒悟,能够静下心来想想,现在一定更轻松。

1926
来自专栏IT技术精选文摘

浅谈开发实时视频直播平台的技术要点

1852
来自专栏FreeBuf

开源软件安全现状分析报告

一、背景情况 开源软件具有开放、共享、自由等特性,在软件开发中扮演着越来越重要的角色,也是软件供应链的重要组成部分。据Gartner调查显示,99%的组织在其 ...

4675
来自专栏大数据技术学习

大数据的存储与备份,更离不开技术与创新

根据IDC研究报告,未来10年全球数据量将以40%多的增长速度呈直线上升趋势,2020年,全球的数据量将达到35ZB(35,000,000PB),是2010年的...

2528

扫码关注云+社区