系列 | 漫谈数仓第三篇NO.3 『数据魔法』ETL

本文目录CONTENTS

☞ ETL同步之道 [ Sqoop、DataX、Kettle、Canal、StreaSets ]

☞ ETL之技术栈 [ 重工具 vs 开发语言 ]

☞ ETL加载策略 [ Merge、Delta、拉链 ]

ETL，是英文 Extract-Transform-Load 的缩写，用来描述将数据从来源端经过抽取(extract)、转换(transform)、加载(load)至目的端的过程。

ETL工具或类ETL的数据集成同步工具或语言，企业生产中工具也非常之多，主流的etl工具有Sqoop、DataX、Canal、flume、Logstash、kettle、DataStage、Informatica、Talend等，语言有强悍的SQL、Shell、Python、Java、Scala等。而数据源多为业务系统，埋点日志，离线文件，第三方数据等。

数据同步之道

01. sqoop

Sqoop，SQL-to-Hadoop 即 “SQL到Hadoop和Hadoop到SQL”。

是Apache开源的一款在Hadoop和关系数据库服务器之间传输数据的工具。主要用于在Hadoop与关系型数据库之间进行数据转移，可以将一个关系型数据库（MySQL ,Oracle等）中的数据导入到Hadoop的HDFS中，也可以将HDFS的数据导出到关系型数据库中。

sqoop命令的本质是转化为MapReduce程序。sqoop分为导入（import）和导出（export），策略分为table和query，模式分为增量和全量。

命令简单示例：

02. DataX

DataX 是阿里巴巴集团内被广泛使用的离线数据同步工具/平台，实现包括 MySQL、Oracle、SqlServer、Postgre、HDFS、Hive、ADS、HBase、TableStore(OTS)、MaxCompute(ODPS)、DRDS 等各种异构数据源之间高效的数据同步功能。

github地址：https://github.com/alibaba/DataX

支持数据源：

DataX本身作为离线数据同步框架，采用Framework + plugin架构构建。将数据源读取和写入抽象成为Reader+Writer插件，纳入到整个同步框架中。

目前已到datax3.0框架设计：

datax使用示例，核心就是编写json配置文件job：

03. kettle

Kettle，中文名：水壶，是一款国外免费开源的、可视化的、功能强大的ETL工具，纯java编写，可以在Windows、Linux、Unix上运行，数据抽取高效稳定。

Kettle家族目前包括4个产品：Spoon、Pan、CHEF、Kitchen。

Kettle的最大特点：

• 免费开源：基于Java免费开源软件
• 易配置：可跨平台，绿色无需安装
• 不同数据库：ETL工具集，可管理不同数据库的数据
• 两种脚本文件：transformation和job，transformation完成针对数据的基础转换，job则完成整个工作流的控制
• 图形界面设计：托拉拽，无需写代码
• 定时功能：在Job下的start模块，有一个定时功能，可以每日，每周等方式进行定时

福利：需要Kettle资源教程视频的同学，公众号后台回复关键字：kettle，即可获取哦~

04. canal

canal是阿里巴巴旗下的一款开源项目，纯Java开发。基于数据库增量日志解析，提供增量数据实时订阅和消费，目前主要支持了MySQL，也支持mariaDB。

很多大型的互联网项目生产环境中使用，包括阿里、美团等都有广泛的应用，是一个非常成熟的数据库同步方案，基础的使用只需要进行简单的配置即可。

github地址：https://github.com/alibaba/canal

当前的 canal 支持源端 MySQL 版本包括 5.1.x , 5.5.x , 5.6.x , 5.7.x , 8.0.x

canal是通过模拟成为mysql 的slave的方式，监听mysql 的binlog日志来获取数据，binlog设置为row模式以后，不仅能获取到执行的每一个增删改的脚本，同时还能获取到修改前和修改后的数据，基于这个特性，canal就能高性能的获取到mysql数据数据的变更。

05. StreamSets

Streamsets是一个大数据实时采集ETL工具，可以实现不写一行代码完成数据的采集和流转。通过拖拽式的可视化界面，实现数据管道(Pipelines)的设计和定时任务调度。

数据源支持MySQL、Oracle等结构化和半/非结构化，目标源支持HDFS、Hive、Hbase、Kudu、Solr、Elasticserach等。创建一个Pipelines管道需要配置数据源(Origins)、操作(Processors)、目的地(Destinations)三部分。

Streamsets的强大之处：

• 拖拽式可视化界面操作，No coding required 可实现不写一行代码
• 强大整合力，100+ Ready-to-Use Origins and Destinations，支持100+数据源和目标源
• 可视化内置调度监控，实时观测数据流和数据质量

二、ETL之技术栈

2.1 工具

重工具，kettle、DataStage、Informatica 三大工具依旧牢牢稳固传统数仓三大主力位置。kettle与时俱进，在大数据数仓，如一些互联网公司也有在使用kettle。

工具本文不再多做介绍。

2.2 语言

开发语言，传统数仓一般SQL/Shell为主，互联网数仓又对Python、Java、Scala提出了新的要求。

不管是传统数仓，还是基于Hadoop生态的构建的(hive、spark、flink)数仓，SQL虽然戏码在下降，但依然是重头戏。强大的存储过程，更是屹立不倒，这么多年都在熠熠生辉。

善于发现的你，一定会发现，在大数据生态，不管哪种数据处理框架，总有一天都会孵化出强大SQL的支持。如Hive SQL，Spark SQL，Blink SQL 等。此时，你或许会得出一个结论：

SQL是最好的语言！（不接受反驳。。）

对于SQL，基本技能也是必备技能。

各种join、嵌套/标量子查询，强大的分析/窗口函数，变化无穷的正则表达式，层次查询，扩展分组，MODEL，递归with，多维分析，排列组合，行列互转，json解析，执行计划，四大类型(dql、dml、ddl、dcl)等，依然需要每个etl·er熟悉掌握。

SQLjoin，left/rignt/full join，每一个join都是暗藏韵理，on和where也不容小觑。

分析函数 简捷高效，4类30+个分析/窗口函数最全总结，感兴趣的同学请移步：SQL分析函数，看这一篇就够了 （点击链接即可）。

SQL开发规范和执行计划也需要每个erl·er在实际实践中不断加强、提炼、升级。

SQL开发规范 示例：

如果你还在传统数仓领域，如果你还想将薪比薪，建议赶紧开始学Java、scala，拥抱大数据生态Hadoop/Spark/Flink，机会总是垂青有准备的人。

三、ETL加载策略

数据集成加载策略，按类型可包括快照、流水、增量、全量、拉链等。

01. 增量

有些表巨大，我们需要选择增量策略，新增delta数据需要和存量数据merge合并。欣赏并学习两种处理方式，直接上图，可斟酌体会：

（如果看图不能理解，来数仓ers群里，加入高手如云，我们一起探讨！加小助微：iom1128，备注：ETL）

Merge方式（一）

图片来源于《阿里巴巴大数据之路》

Merge方式（二）

1）只有新增数据

2）新增+删除

图片来源于《美团技术》

02. 全量

每天一个全量表，也可一个分区一个全量。

03. 拉链

拉链表，记录数据生命周期，记录一条数据生命周期的开始和结束。

建议在设计拉链表的时候不仅要有开始时间和结束时间，最好再加一个生命状态字段，如chain_status：有效 active、失效 expired、历史 history。

回想一下前面文章介绍的缓慢变化维，可类比SCD的TYPE2，有异曲同工之处

全量拉链，或许会存在性能问题，故建议根据实际业务场景中进行取舍，可只和最近一个时间周期(eg:1个月)的进行拉链处理。

四、结束语

学思想，数据思维；

学Java，走大数据；

学实时，不怕被淘汰！