etl是bi專案最重要的乙個環節，通常情況下etl會花掉整個專案的1/3的時間，etl設計的好壞直接關接到bi專案的成敗。etl也是乙個長期的過程，只有不斷的發現問題並解決問題，才能使etl執行效率更高，為專案後期開發提供準確的資料。
etl的設計分三部分：資料抽取、資料的清洗轉換、資料的載入。在設計etl的時候也是從這三部分出發。資料的抽取是從各個不同的資料來源抽取到ods中(這個過程也可以做一些資料的清洗和轉換)，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的執行效率。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。資料的載入一般在資料清洗完了之後直接寫入dw(data warehouse)中去。
etl的實現有多種方法，常用的有三種，第一種是借助etl工具如oracle的owb、sql server 2000的dts、sql server2005的ssis服務、informatic等實現，第二種是sql方式實現，第三種是etl工具和sql相結合。前兩種方法各有優缺點，借助工具可以快速的建立起etl工程，遮蔽複雜的編碼任務，提高速度，降低難度，但是欠缺靈活性。sql的方法優點是靈活，提高etl執行效率，但是編碼複雜，對技術要求比較高。第三種是綜合了前面二種的優點，極大的提高etl的開發速度和效率。
資料的抽取
資料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：資料是從幾個業務系統中來？各個業務系統的資料庫伺服器執行什麼dbms？是否存在手工資料，手工資料量有多大？是否存在非結構化的資料？等等類似問題，當收集完這些資訊之後才可以進行資料抽取的設計。
1、與存放dw的資料庫系統相同的資料來源處理方法
這一類數源在設計比較容易，一般情況下，dbms(包括sqlserver，oracle)都會提供資料庫鏈結功能，在dw資料庫伺服器和原業務系統之間建立直接的鏈結關係就可以寫select 語句直接訪問。
2、與dw資料庫系統不同的資料來源的處理方法。
這一類資料來源一般情況下也可以通過odbc的方式建立資料庫鏈結，如sql server和oracle之間。如果不能建立資料庫鏈結，可以有兩種方式完成，一種是通過工具將源資料匯出成.txt或者是.xls檔案，然後再將這些源系統檔案匯入到ods中。另外一種方法通過程式介面來完成。
3、對於檔案型別資料來源(.txt,，xls)，可以培訓業務人員利用資料庫工具將這些資料匯入到指定的資料庫，然後從指定的資料庫抽取。或者可以借助工具實現，如sql server 2005 的ssis服務的平面資料來源和平面目標等元件匯入ods中去。
4、增量更新問題
對於資料量大的系統，必須考慮增量抽取。一般情況，業務系統會記錄業務發生的時間，可以用作增量的標誌，每次抽取之前首先判斷ods中記錄最大的時間，然後根據這個時間去業務系統取大於這個時間的所有記錄。利用業務系統的時間戳，一般情況下，業務系統沒有或者部分有時間戳。
資料的清洗轉換
一般情況下，資料倉儲分為ods、dw兩部分，通常的做法是從業務系統到ods做清洗，將髒資料和不完整資料過濾掉，再從ods到dw的過程中轉換，進行一些業務規則的計算和聚合。
1、資料清洗
資料清洗的任務是過濾那些不符合要求的資料，將過濾的結果交給業務主管部門，確認是否過濾掉還是由業務單位修正之後再進行抽取。不符合要求的資料主要是有不完整的資料、錯誤的資料和重複的資料三大類。
a、不完整的資料，其特徵是是一些應該有的資訊缺失，如**商的名稱，分公司的名稱，客戶的區域資訊缺失、業務系統中主表與明細表不能匹配等。需要將這一類資料過濾出來，按缺失的內容分別寫入不同excel檔案向客戶提交，要求在規定的時間內補全。補全後才寫入資料倉儲。
b、錯誤的資料，產生原因是業務系統不夠健全，在接收輸入後沒有進行判斷直接寫入後台資料庫造成的，比如數值資料輸成全角數字字元、字串資料後面有乙個回車、日期格式不正確、日期越界等。這一類資料也要分類，對於類似於全形字符、資料前後有不面見字元的問題只能寫sql的方式找出來，然後要求客戶在業務系統修正之後抽取;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執行失敗，這一類錯誤需要去業務系統資料庫用sql的方式挑出來，交給業務主管部門要求限期修正，修正之後再抽取。
c、重複的資料，特別是維表中比較常見，將重複的資料的記錄所有字段匯出來，讓客戶確認並整理。
資料清洗是乙個反覆的過程，不可能在幾天內完成，只有不斷的發現問題，解決問題。對於是否過濾、是否修正一般要求客戶確認;對於過濾掉的資料，寫入excel檔案或者將過濾資料寫入資料表，在etl開發的初期可以每天向業務單位傳送過濾資料的郵件，促使他們盡快的修正錯誤，同時也可以作為將來驗證資料的依據。資料清洗需要注意的是不要將有用的資料過濾掉了，對於每個過濾規則認真進行驗證，並要使用者確認才行。
2、資料轉換
資料轉換的任務主要是進行不一致的資料轉換、資料粒度的轉換和一些商務規則的計算。
a、不一致資料轉換，這個過程是乙個整合的過程，將不同業務系統的相同型別的資料統一，比如同乙個**商在結算系統的編碼是xx0001，而在crm中編碼是yy0001，這樣在抽取過來之後統一轉換成乙個編碼。
b、資料粒度的轉換，業務系統一般儲存非常明細的資料，而資料倉儲中的資料是用來分析的，不需要非常明細的資料，一般情況下，會將業務系統資料按照資料倉儲粒度進行聚合。
c、商務規則的計算，不同的企業有不同的業務規則，不同的資料指標，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中將這些資料指標計算好了之後儲存在資料倉儲中，供分析使用。
etl日誌與警告傳送
1、etl日誌，記錄日誌的目的是隨時可以知道etl運**況，如果出錯了，出錯在那裡。
etl日誌分為三類。第一類是執行過程日誌，是在etl執行過程中每執行一步的記錄，記錄每次執行每一步驟的起始時間，影響了多少行資料，流水賬形式。第二類是錯誤日誌，當某個模組出錯的時候需要寫錯誤日誌，記錄每次出錯的時間，出錯的模組以及出錯的資訊等。第三類日誌是總體日誌，只記錄etl開始時間，結束時間是否成功資訊。
如果使用etl工具，工具會自動產生一些日誌，這一類日誌也可以作為etl日誌的一部分。
2、警告傳送
etl出錯了，不僅要寫etl出錯日誌而且要向系統管理員傳送警告，傳送警告的方式有多種，常用的就是給系統管理員傳送郵件，並附上出錯的資訊，方便管理員排查錯誤。
大資料ETL詳解
etl是bi專案最重要的乙個環節，通常情況下etl會花掉整個專案的1 3的時間，etl設計的好壞直接關接到bi專案的成敗。etl也是乙個長期的過程，只有不斷的發現問題並解決問題，才能使etl執行效率更高，為專案後期開發提供準確的資料。etl的設計分三部分 資料抽取 資料的清洗轉換 資料的載入。在設計...
大資料 ETL之增量資料抽取 CDC
本文遵循 gpl開源協議，如若 change data capture，變化的資料捕獲，也稱 增量資料抽取 名詞解釋 cdc是一種實現資料的增量抽取解決方案，是實現 etl整體解決方案 中的一項子方案 子問題。對cdc的定位 在etl專案中，面臨需要抽取哪部分資料載入到資料倉儲？全量抽取，還是增量抽...
ETL設計詳解
etl是bi專案最重要的乙個環節，通常情況下etl會花掉整個專案的1 3的時間，etl設計的好壞直接關接到bi專案的成敗。etl也是乙個長期的過程，只有不斷的發現問題並解決問題，才能使etl執行效率更高，為專案後期開發提供準確的資料。etl的設計分三部分 資料抽取 資料的清洗轉換 資料的載入。在設計...