大数据平台架构＋ETL

1

ETL，Extraction-Trasformation-Loading，即数据读取，转换，装载的过程，是构建数据仓库的重要环节。

ETL是将业务系统的数据经过抽取，清洗转换之后加载到数据仓库的过程，目的是将企业中的额分散的，零乱的，标准不统一的数据整合到一起，为企业决策提供分析依据。ETL是BI项目中重要的一个环节。

数据抽取：把不同的数据源数据抓取过来，存到某个地方。例如：网络爬虫。

数据清洗：过滤那些不符合要求的数据或者修正数据之后再抽取。清洗包括以下几种不符合要求的数据：

1、不完整的数据：数据缺失需要不全才能写入数据仓库。

2、错误的数据：格式错误，日期越界，或者多了一个空格等。

3、重复的数据：重复数据记录的所有字段都要去重。

数据转换：不一致的数据转换。统一编码。

ETL的实现方法：

1、借助ETL工具。（如OWB，DTS，SSIS等）实现。

2、SQL方法实现。

3、ETL工具与SQL相结合。

工具降低难度，但缺少灵活性。SQL灵活但编码复杂，因此结合两者。

2

大数据平台架构

首先，对于做大数据开发而言，平台的监控与报警和平台管理不归我们管，主要是给运维人员做的事情。我们要做的就是中间的事情。

然后来看看数据基础平台。接入层，获取数据，一般用Canal，Sqoop与Flume。存储层，当我们拿到数据以后，我们需要找个地方存储，首选HDFS（分布式文件系统，前面讲过），这里就是作为一个存储层。另外还有HBase，可以称作大数据中的数据库。Kafka的话一般会跟Flume作为一个组合。调度层，就是把计算层的计算放到调度层运行。如前面讲的小案例，就是把mapreduce放到yarn上面去运行。计算层，就是对数据的处理运算。

接着看数据应用平台。元数据管理。这边的元数据要存储到关系型数据库中。作业平台管理，就是任务调度。交互分析就关系到sql语句。多维分析主要是对数据的维度分析，如按年分析，按月分析，按周分析等。数据可视化，展示数据，供给决策。

最后看看数据应用。一般做的就是流量统计和用户行为分析，做数据展示。

3

系统数据流动

最左边是数据来源，可以看到，一个是来自日志数据，另外一个是来源于关系型数据库。

实时流。拿到数据后直接存入kafka或者是hdfs中进行缓存，如果此时计算层需要调度数据，可以直接从kafka中直接消费。计算完后对数据存储还可以存储回kafka或者放到HBase或mysql，从而作为业务上的使用。

离线流，存储到hdfs然后由MR调用，接着是ETL对数据的处理，处理完后将数据存储到关系型数据库，最后可以做出BI报表展示。

这边的话可能我的逻辑也有点乱...主要还是看图分析吧。