ETL是BI項目最重要的一個環(huán)節(jié)，通常情況下ETL會花掉整個項目的1/3的時間，ETL設計的好壞直接關接到BI項目的成敗。ETL也是一個長期的過程，只有不斷的發(fā)現(xiàn)問題并解決問題，才能使ETL運行效率更高，為項目后期開發(fā)提供準確的數(shù)據(jù)。

ETL的設計分三部分：數(shù)據(jù)抽取、數(shù)據(jù)的清洗轉換、數(shù)據(jù)的加載。在設計ETL的時候也是從這三部分出發(fā)。數(shù)據(jù)的抽取是從各個不同的數(shù)據(jù)源抽取到ODS中(這個過程也可以做一些數(shù)據(jù)的清洗和轉換)，在抽取的過程中需要挑選不同的抽取方法，盡可能的提高ETL的運行效率。ETL三個部分中，花費時間最長的是T(清洗、轉換)的部分，一般情況下這部分工作量是整個ETL的2/3。數(shù)據(jù)的加載一般在數(shù)據(jù)清洗完了之后直接寫入DW中去。

ETL的實現(xiàn)有多種方法，常用的有三種，***種是借助ETL工具如Oracle的OWB、SQL server 2000的DTS、SQL Server2005的SSIS服務、informatic等實現(xiàn)，第二種是SQL方式實現(xiàn)，第三種是ETL工具和SQL相結合。前兩種方法各有優(yōu)缺點，借助工具可以快速的建立起ETL工程，屏蔽復雜的編碼任務，提高速度，降低難度，但是欠缺靈活性。SQL的方法優(yōu)點是靈活，提高ETL運行效率，但是編碼復雜，對技術要求比較高。第三種是綜合了前面二種的優(yōu)點，極大的提高ETL的開發(fā)速度和效率。

數(shù)據(jù)的抽取

數(shù)據(jù)的抽取需要在調研階段做大量工作，首先要搞清楚以下幾個問題：數(shù)據(jù)是從幾個業(yè)務系統(tǒng)中來？各個業(yè)務系統(tǒng)的數(shù)據(jù)庫服務器運行什么DBMS？是否存在手工數(shù)據(jù)，手工數(shù)據(jù)量有多大？是否存在非結構化的數(shù)據(jù)？等等類似問題，當收集完這些信息之后才可以進行數(shù)據(jù)抽取的設計。

1、與存放DW的數(shù)據(jù)庫系統(tǒng)相同的數(shù)據(jù)源處理方法

這一類數(shù)源在設計比較容易，一般情況下，DBMS(包括SQLServer，Oracle)都會提供數(shù)據(jù)庫鏈接功能，在DW數(shù)據(jù)庫服務器和原業(yè)務系統(tǒng)之間建立直接的鏈接關系就可以寫Select 語句直接訪問。

2、與DW數(shù)據(jù)庫系統(tǒng)不同的數(shù)據(jù)源的處理方法。

這一類數(shù)據(jù)源一般情況下也可以通過ODBC的方式建立數(shù)據(jù)庫鏈接，如SQL Server和Oracle之間。如果不能建立數(shù)據(jù)庫鏈接，可以有兩種方式完成，一種是通過工具將源數(shù)據(jù)導出成.txt或者是.xls文件，然后再將這些源系統(tǒng)文件導入到ODS中。另外一種方法通過程序接口來完成。

3、對于文件類型數(shù)據(jù)源(.txt,，xls)，可以培訓業(yè)務人員利用數(shù)據(jù)庫工具將這些數(shù)據(jù)導入到指定的數(shù)據(jù)庫，然后從指定的數(shù)據(jù)庫抽取?；蛘呖梢越柚ぞ邔崿F(xiàn)，如SQL SERVER 2005 的SSIS服務的平面數(shù)據(jù)源和平面目標等組件導入ODS中去。

4、增量更新問題

對于數(shù)據(jù)量大的系統(tǒng)，必須考慮增量抽取。一般情況，業(yè)務系統(tǒng)會記錄業(yè)務發(fā)生的時間，可以用作增量的標志，每次抽取之前首先判斷ODS中記錄***的時間，然后根據(jù)這個時間去業(yè)務系統(tǒng)取大于這個時間的所有記錄。利用業(yè)務系統(tǒng)的時間戳，一般情況下，業(yè)務系統(tǒng)沒有或者部分有時間戳。

數(shù)據(jù)的清洗轉換

一般情況下，數(shù)據(jù)倉庫分為ODS、DW兩部分，通常的做法是從業(yè)務系統(tǒng)到ODS做清洗，將臟數(shù)據(jù)和不完整數(shù)據(jù)過濾掉，再從ODS到DW的過程中轉換，進行一些業(yè)務規(guī)則的計算和聚合。

1、數(shù)據(jù)清洗

數(shù)據(jù)清洗的任務是過濾那些不符合要求的數(shù)據(jù)，將過濾的結果交給業(yè)務主管部門，確認是否過濾掉還是由業(yè)務單位修正之后再進行抽取。不符合要求的數(shù)據(jù)主要是有不完整的數(shù)據(jù)、錯誤的數(shù)據(jù)和重復的數(shù)據(jù)三大類。

A、不完整的數(shù)據(jù)，其特征是是一些應該有的信息缺失，如供應商的名稱，分公司的名稱，客戶的區(qū)域信息缺失、業(yè)務系統(tǒng)中主表與明細表不能匹配等。需要將這一類數(shù)據(jù)過濾出來，按缺失的內容分別寫入不同Excel文件向客戶提交，要求在規(guī)定的時間內補全。補全后才寫入數(shù)據(jù)倉庫。

B、錯誤的數(shù)據(jù)，產生原因是業(yè)務系統(tǒng)不夠健全，在接收輸入后沒有進行判斷直接寫入后臺數(shù)據(jù)庫造成的，比如數(shù)值數(shù)據(jù)輸成全角數(shù)字字符、字符串數(shù)據(jù)后面有一個回車、日期格式不正確、日期越界等。這一類數(shù)據(jù)也要分類，對于類似于全角字符、數(shù)據(jù)前后有不面見字符的問題只能寫SQL的方式找出來，然后要求客戶在業(yè)務系統(tǒng)修正之后抽??；日期格式不正確的或者是日期越界的這一類錯誤會導致ETL運行失敗，這一類錯誤需要去業(yè)務系統(tǒng)數(shù)據(jù)庫用SQL的方式挑出來，交給業(yè)務主管部門要求限期修正，修正之后再抽取。

C、重復的數(shù)據(jù)，特別是維表中比較常見，將重復的數(shù)據(jù)的記錄所有字段導出來，讓客戶確認并整理。

數(shù)據(jù)清洗是一個反復的過程，不可能在幾天內完成，只有不斷的發(fā)現(xiàn)問題，解決問題。對于是否過濾、是否修正一般要求客戶確認；對于過濾掉的數(shù)據(jù)，寫入Excel文件或者將過濾數(shù)據(jù)寫入數(shù)據(jù)表，在ETL開發(fā)的初期可以每天向業(yè)務單位發(fā)送過濾數(shù)據(jù)的郵件，促使他們盡快的修正錯誤，同時也可以作為將來驗證數(shù)據(jù)的依據(jù)。數(shù)據(jù)清洗需要注意的是不要將有用的數(shù)據(jù)過濾掉了，對于每個過濾規(guī)則認真進行驗證，并要用戶確認才行。

2、數(shù)據(jù)轉換

數(shù)據(jù)轉換的任務主要是進行不一致的數(shù)據(jù)轉換、數(shù)據(jù)粒度的轉換和一些商務規(guī)則的計算。

A、不一致數(shù)據(jù)轉換，這個過程是一個整合的過程，將不同業(yè)務系統(tǒng)的相同類型的數(shù)據(jù)統(tǒng)一，比如同一個供應商在結算系統(tǒng)的編碼是XX0001，而在CRM中編碼是YY0001，這樣在抽取過來之后統(tǒng)一轉換成一個編碼。

B、數(shù)據(jù)粒度的轉換，業(yè)務系統(tǒng)一般存儲非常明細的數(shù)據(jù)，而數(shù)據(jù)倉庫中的數(shù)據(jù)是用來分析的，不需要非常明細的數(shù)據(jù)，一般情況下，會將業(yè)務系統(tǒng)數(shù)據(jù)按照數(shù)據(jù)倉庫粒度進行聚合。

C、商務規(guī)則的計算，不同的企業(yè)有不同的業(yè)務規(guī)則，不同的數(shù)據(jù)指標，這些指標有的時候不是簡單的加加減減就能完成，這個時候需要在ETL中將這些數(shù)據(jù)指標計算好了之后存儲在數(shù)據(jù)倉庫中，供分析使用。

ETL日志與警告發(fā)送

1、ETL日志，記錄日志的目的是隨時可以知道ETL運行情況，如果出錯了，出錯在那里。

ETL日志分為三類。***類是執(zhí)行過程日志，是在ETL執(zhí)行過程中每執(zhí)行一步的記錄，記錄每次運行每一步驟的起始時間，影響了多少行數(shù)據(jù)，流水賬形式。第二類是錯誤日志，當某個模塊出錯的時候需要寫錯誤日志，記錄每次出錯的時間，出錯的模塊以及出錯的信息等。第三類日志是總體日志，只記錄ETL開始時間，結束時間是否成功信息。

如果使用ETL工具，工具會自動產生一些日志，這一類日志也可以作為ETL日志的一部分。

2、警告發(fā)送

ETL出錯了，不僅要寫ETL出錯日志而且要向系統(tǒng)管理員發(fā)送警告，發(fā)送警告的方式有多種，常用的就是給系統(tǒng)管理員發(fā)送郵件，并附上出錯的信息，方便管理員排查錯誤。

原文鏈接：http://liushaohua543.blog.163.com/blog/static/483202201010162517266/