专栏首页jouypub数据仓库之ETL实战
原创

数据仓库之ETL实战

ETL,Extraction-Transformation-Loading的缩写,中文名称为数据抽取、转换和加载。

一般随着业务的发展扩张,产线也越来越多,产生的数据也越来越多,这些数据的收集方式、原始数据格式、数据量、存储要求、使用场景等方面有很大的差异。作为数据中心,既要保证数据的准确性,存储的安全性,后续的扩展性,以及数据分析的时效性,这是一个很大的挑战。

名词解释:

  • ODS——操作性数据
  • DW——数据仓库
  • DM——数据集市

一、数据抽取

数据抽取是指把ODS源数据抽取到DW中,然后处理成展示给相关人员查看的数据

源数据:

  • 用户访问日志
  • 自定义事件日志、操作日志
  • 业务日志
  • 各服务产生的日志
  • 系统日志:操作系统日志,CDN日志等
  • 监控日志
  • 其它日志

抽取频次:

  • 如果没有特殊要求可以一天一次,但是需要避开拉去日志的高峰期
  • 对于有实时性要求的日志,可以一小时一次,或者直接使用kafka等相关工具收集,需要考虑到系统能否承受

抽取策略:

  • 由于数据量较大,一般都是采用增量抽取,但是对于一些特殊场景的数据,比如订单数据,由于订单的状态会发生变化,并且订单的量级是可预知和相对较少的,就需要采用全量拉取的策略
  • 对于增量拉取的日志,如果是文件类型,可以在文件名称上追加日期,例如 server_log_2018082718.log,这样就可以满足按小时拉取的需求
  • 对于源数据的保留,考虑到突发情况,服务器上的源数据至少要保证2天以上的时间

二、数据转换、清洗

顾名思义,就是把不需要的和不符合规范的数据进行处理。数据清洗最好不要放在抽取的环节进行,考虑到有时可能会查原始数据。一般各公司都会有自己的规范,以下列出几点仅供参考

数据清洗主要包括以下几个方面:

  1. 空值处理;根据业务需要,可以将空值替换为特定的值或者直接过滤掉;
  2. 验证数据正确性;主要是把不符合业务含义的数据做一处理,比如,把一个表示数量的字段中的字符串替换为0,把一个日期字段的非日期字符串过滤掉等等;
  3. 规范数据格式;比如,把所有的日期都格式化成yyyy-MM-dd HH:mm:ss的格式等;
  4. 数据转码;把一个源数据中用编码表示的字段,通过关联编码表,转换成代表其真实意义的值等等;
  5. 数据标准,统一;比如在源数据中表示男女的方式有很多种,在抽取的时候,直接根据模型中定义的值做转化,统一表示男女;
  6. 其他业务规则定义的数据清洗...

三、数据加载

数据拉取,清洗完之后,就需要展示了。一般是把清洗好的数据加载到mysql中,然后在各系统中使用,或者使用Tableau直接给相关人员展示

四、ETL相关工具

ELT相关的工具有很多,这里只列举一些常用的,而且各公司的技术原型也不一样,就需要根据实际情况来选择

数据抽取工具:

  • kafka
  • flume
  • sync

数据清洗

  • hive/tez
  • pig/tez
  • storm
  • spark

其它工具

  • 数据存储:hadoop、hbase,ES、redis
  • 任务管理:azkaban、oozie
  • 数据同步:datax、sqoop

五、ETL过程中的元数据

试想一下,你作为一个新人接手别人的工作,没有文档,程序没有注释,数据库中的表和字段也没有任何comment,你是不是会望着窗外,一声长叹...

所以元数据管理系统对于数据仓库来说是必须的,并且相关人员必须定时维护,如果元数据和数据仓库中的变动不同步,那么元数据系统就形同虚设。

这里说一句:对于元数据管理不应该是规范,应该是硬性规定。

欢迎订阅「K叔区块链」 - 专注于区块链技术学习

博客地址:http://www.jouypub.com

简书主页:https://www.jianshu.com/u/756c9c8ae984

segmentfault主页:https://segmentfault.com/blog/jouypub

腾讯云主页:https://cloud.tencent.com/developer/column/72548

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 迷恋猫CryptoKitties案例分析

    CryptoKitties别名:迷恋猫、加密猫,是Axiom Zen于2017年推出的一款基于以太坊的游戏,上线一周就受到了各种路人的追捧,上线不久后,以太坊的...

    JouyPub
  • Linux命令之awk

    awk '{cmd="rm "$0;system(cmd)}' filename.txt

    JouyPub
  • DSP广告系统架构

    不同的流量资源会有不同的效果,如何选择媒体和广告位是关键。平台上各种站点,频道,广告位,广告投放前制定投放策略喝中药作,需要根据投放KPI(即广告主用于评估...

    JouyPub
  • 数据仓库之ETL实战

    ETL,Extraction-Transformation-Loading的缩写,中文名称为数据抽取、转换和加载。 一般随着业务的发展扩张,产线也越来越多,产生...

    taskctl官方频道
  • 独家 | 一文读懂PySpark数据框(附实例)

    本文中我们将探讨数据框的概念,以及它们如何与PySpark一起帮助数据分析员来解读大数据集。

    数据派THU
  • 机器学习准备数据时如何避免数据泄漏

    本篇文章主要介绍了几种常用的数据准备方法,以及在数据准备的过程中如何避免数据泄露。

    Sam Gor
  • 【新闻】:大数据可否算准世界杯?

    人类一思考,上帝就发笑;世界杯一来到,上帝笑得血压也升高。倒不是足球踢得多欢乐,而是世界杯预测太恶搞。   我略微总结了下,剔除掉贝利和大校这种...

    小莹莹
  • 电商企业数据分类怎么做?这几点不能落下!

    大家都知道,随着现在互联网的快速发展,电商行业也是与日俱增,而这又带来了大量数据需要分析,那么电商企业数据分类该怎么做呢?亿信华辰小编总结了这几点,希望对你有所...

    数据前沿
  • 终于!Supervise.ly 发布人像分割数据集啦(免费开源)

    本文为雷锋字幕组编译的技术博客,原标题Releasing “Supervisely Person” dataset for teaching machines ...

    AI研习社
  • 大数据入门

    这篇文章主要是入门大数据,不涉及到高深的知识点和理论,我相信每个人都看得懂。如果文章有错误的地方,不妨在评论区友善指出~

    敖丙

扫码关注云+社区

领取腾讯云代金券