莱牛教育：什么是大数据ETL？

什么是ETL？

 ETL（Extract Transform Load）它是将数据从源系统加载到数据仓库的过程，其中有三个步骤：数据抽取（extract）、数据的清洗转换（transform）、数据的加载（load）。

在设计ETL的时候我们也是从这三部分出发。数据的抽取是从各个不同的数据源抽取到ODS(Operational Data Store，操作型数据存储)中——这个过程也可以做一些数据的清洗和转换)，在抽取的过程中需要挑选不同的抽取方法，尽可能的提高ETL的运行效率。ETL三个部分中，花费时间最长的是“T”(Transform，清洗、转换)的部分，一般情况下这部分工作量是整个ETL的2/3。数据的加载一般在数据清洗完了之后直接写入DW(Data Warehousing，数据仓库)中去。

ETL三步解答：

一、 数据抽取（extract）

这一部分需要在调研阶段做大量的工作，首先要搞清楚数据是从哪几个系统中来,各个系统的数据库服务器运行什么DBMS,是否存在手工数据，手工数据量有多大，是否存在非结构化的数据等等，当收集完这些信息之后才可以进行数据抽取的设计。

1、对于与存放DW的数据库系统相同的数据源处理方法

这一类数据源在设计上比较容易。一般情况下，DBMS(SQLServer、Oracle)都会提供数据库链接功能，在DW数据库服务器和原业务系统之间建立直接的链接关系就可以写Select 语句直接访问。

2、对于与DW数据库系统不同的数据源的处理方法

对于这一类数据源，一般情况下也可以通过ODBC的方式建立数据库链接——如SQL Server和Oracle之间。如果不能建立数据库链接，可以有两种方式完成，一种是通过工具将源数据导出成.txt或者是.xls文件，然后再将这些源系统文件导入到ODS中。另外一种方法是通过程序接口来完成。

3、增量更新的问题

对于数据量大的系统，必须考虑增量抽取。一般情况下，系统会记录业务发生的时间，我们可以用来做增量的标志,每次抽取之前首先判断ODS中记录最大的时间，然后根据这个时间去系统取大于这个时间所有的记录。利用系统的时间戳，一般情况下，系统没有或者部分有时间戳。

二、数据的清洗转换（Cleaning、Transform）

一般情况下，数据仓库分为ODS、DW两部分。通常的做法是从系统到ODS做清洗，将脏数据和不完整数据过滤掉，在从ODS到DW的过程中转换，进行一些规则的计算和聚合。

1、数据清洗

数据清洗的任务是过滤那些不符合要求的数据，将过滤的结果交给主管部门，确认是否过滤掉还是由单位修正之后再进行抽取。不符合要求的数据主要是有不完整的数据、错误的数据、重复的数据三大类。

2、 数据转换

数据转换的任务主要进行不一致数据转换、数据粒度转换，以及一些商务规则计算。

(1)不一致数据转换：这个过程是一个整合的过程，将不同业务系统的相同类型的数据统一

(2)数据粒度转换：系统一般存储非常明细的数据，而数据仓库中数据是用来分析的，不需要非常明细的数据。一般情况下，会将业务系统数据按照数据仓库粒度进行聚合。

(3) 商务规则计算：不同的企业有不同的规则、不同的数据指标，这些指标有的时候不是简单的加加减减就能完成，这个时候需要在ETL中将这些数据指标计算好了之后再存储在数据仓库中，以供分析使用。

三、数据的加载（load）

加载是将数据写入目标数据库的过程。在加载步骤中, 有必要确保正确执行加载并使用尽可能少的资源。

加载可以通过两种方式进行：

1. 刷新：数据仓库数据已完全重写。这意味着将替换较旧的文件。刷新通常与静态提取结合使用, 以最初填充数据仓库。

2. 更新：仅将应用于源信息的那些更改添加到数据仓库中。通常在不删除或修改现有数据的情况下执行更新。此方法与增量提取结合使用, 可以定期更新数据仓库。