【正文】 ETL即數(shù)據(jù)抽取（Extract）、轉(zhuǎn)換（Transform）、裝載（Load）的過程，它是構(gòu)建數(shù)據(jù)倉庫的重要環(huán)節(jié)。 ETL是將業(yè)務系統(tǒng)的數(shù)據(jù)經(jīng)過抽取、清洗轉(zhuǎn)換之后加載到數(shù)據(jù)倉庫的過程，目的是將企業(yè)中的分散、零亂、標準不統(tǒng)一的數(shù)據(jù)整合到一起，為企業(yè)的決策提供分析依據(jù)。ETL是BI項目重要的一個環(huán)節(jié)。通常情況下，在BI項目中ETL會花掉整個項目的1/3的時間,ETL設計的好壞直接關(guān)接到BI項目的成敗?！　TL的設計分三部分：數(shù)據(jù)抽取、數(shù)據(jù)的清洗轉(zhuǎn)換、數(shù)據(jù)的加載。在設計ETL的時候我們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(OperationalDataStore，操作型數(shù)據(jù)存儲)中——這個過程也可以做一些數(shù)據(jù)的清洗和轉(zhuǎn)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”(Transform，清洗、轉(zhuǎn)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(DataWarehousing，數(shù)據(jù)倉庫)中去?！　TL的實現(xiàn)有多種方法，常用的有三種。一種是借助ETL工具(如Oracle的OWB、SQLServer2000的DTS、SQLServer2005的SSIS服務、Informatic等)實現(xiàn)，一種是SQL方式實現(xiàn)，另外一種是ETL工具和SQL相結(jié)合。前兩種方法各有各的優(yōu)缺點，借助工具可以快速的建立起ETL工程，屏蔽了復雜的編碼任務，提高了速度，降低了難度，但是缺少靈活性。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(shù)要求比較高。第三種是綜合了前面二種的優(yōu)點，會極大地提高ETL的開發(fā)速度和效率?！　∫弧?shù)據(jù)的抽取　　這一部分需要在調(diào)研階段做大量的工作，首先要搞清楚數(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(jié)構(gòu)化的數(shù)據(jù)等等，當收集完這些信息之后才可以進行數(shù)據(jù)抽取的設計?！　τ谂c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)據(jù)源在設計上比較容易。一般情況下，DBMS(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(guān)系就可以寫Select語句直接訪問。　　對于與DW數(shù)據(jù)庫系統(tǒng)不同的數(shù)據(jù)源的處理方法　　對于這一類數(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SQLServer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，然后再將這些源系統(tǒng)文件導入到ODS中。另外一種方法是通過程序接口來完成?！　τ谖募愋蛿?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)庫中抽取。或者還可以借助工具實現(xiàn)，如SQLServer2005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?！　≡隽扛碌膯栴}　　對于數(shù)據(jù)量大的系統(tǒng)，必須考慮增量抽取。一般情況下，業(yè)務系統(tǒng)會記錄業(yè)務發(fā)生的時間，我們可以用來做增量的標志,每次抽取之前首先判斷ODS中記錄最大的時間，然后根據(jù)這個時間去業(yè)務系統(tǒng)取大于這個時間所有的記錄。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。 二、數(shù)據(jù)的清洗轉(zhuǎn)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，在從ODS到DW的過程中轉(zhuǎn)換，進行一些業(yè)務規(guī)則的計算和聚合。 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(jié)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)、重復的數(shù)據(jù)三大類?！　?1)不完整的數(shù)據(jù)：這一類數(shù)據(jù)主要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。對于這一類數(shù)據(jù)過濾出來，按缺失的內(nèi)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(nèi)補全。補全后才寫入數(shù)據(jù)倉庫?！　?2)錯誤的數(shù)據(jù)：這一類錯誤產(chǎn)生的原因是業(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)后面有一個回車操作、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)前后有不可見字符的問題，只能通過寫SQL語句的方式找出來，然后要求客戶在業(yè)務系統(tǒng)修正之后抽取。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?！　?3)重復的數(shù)據(jù)：對于這一類數(shù)據(jù)——特別是維表中會出現(xiàn)這種情況——將重復數(shù)據(jù)記錄的所有字段導出來，讓客戶確認并整理?！　?shù)據(jù)清洗是一個反復的過程，不可能在幾天內(nèi)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，促使他們盡快地修正錯誤,同時也可以做為將來驗證數(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，對于每個過濾規(guī)則認真進行驗證，并要用戶確認?！　?shù)據(jù)轉(zhuǎn)換　　數(shù)據(jù)轉(zhuǎn)換的任務主要進行不一致的數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)粒度的轉(zhuǎn)換，以及一些商務規(guī)則的計算?！　?1)不一致數(shù)據(jù)轉(zhuǎn)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(jié)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(zhuǎn)換成一個編碼?！　?2)數(shù)據(jù)粒度的轉(zhuǎn)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?！　?3)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，以供分析使用。 三、ETL日志、警告發(fā)送　　ETL日志　　ETL日志分為三類。一類是執(zhí)行過程日志，這一部分日志是在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。一類是錯誤日志，當某個模塊出錯的時候?qū)戝e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(jié)束時間是否成功信息。如果使用ETL工具,ETL工具會自動產(chǎn)生一些日志，這一類日志也可以作為ETL日志的一部分。記錄日志的目的是隨時可以知道ETL運行情況，如果出錯了，可以知道哪里出錯?！　【姘l(fā)送　　如果ETL出錯了，不僅要形成ETL出錯日志，而且要向系統(tǒng)管理員發(fā)送警告。發(fā)送警告的方式多種，一般常用的就是給系統(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?！　TL是BI項目的關(guān)鍵部分，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BI項目后期開發(fā)提供準確的數(shù)據(jù)。數(shù)據(jù)抽取、清洗與轉(zhuǎn)換 BI項目中ETL設計作者: 葉江, 　出處:ITPub,　責任編輯: 葉江,　 20070514 13:39　　ETL是將業(yè)務系統(tǒng)的數(shù)據(jù)經(jīng)過抽取、清洗轉(zhuǎn)換之后加載到數(shù)據(jù)倉庫的過程，目的是將企業(yè)中的分散、零亂、標準不統(tǒng)一的數(shù)據(jù)整合到一起，為企業(yè)的決策提供分析的依據(jù)　　ETL是BI項目最