【正文】 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。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。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。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(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。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(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。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。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。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。　　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(guān)系就可以寫Select 語句直接訪問?！　∵@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。另外一種方法通過程序接口來完成?；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。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)取大于這個時間的所有記錄。　　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，再從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。 1 2 :12下一頁 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。補全后才寫入數(shù)據(jù)倉庫。 　　B、錯誤的數(shù)據(jù)，產(chǎn)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。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。對于是否過濾、是否修正一般要求客戶確認。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。 　　ETL日志與警告發(fā)送　　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。第一類是執(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?！　【姘l(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。但是隨著信息系統(tǒng)的增加，各自孤立工作的信息系統(tǒng)將會造成大量的冗余數(shù)據(jù)和業(yè)務人員的重復勞動。EAI通過建立底層數(shù)據(jù)交換平臺來聯(lián)系橫貫整個企業(yè)的異構(gòu)系統(tǒng)、應用、數(shù)據(jù)源等，完成在企業(yè)內(nèi)部的ERP、CRM、SCM、數(shù)據(jù)庫、數(shù)據(jù)倉庫，以及其它重要的內(nèi)部系統(tǒng)之間無縫地共享和交換數(shù)據(jù)的需要。 　　但是，在實施數(shù)據(jù)集成的過程中，由于不同用戶提供的數(shù)據(jù)可能來自不同的途徑，其數(shù)據(jù)內(nèi)容、數(shù)據(jù)格式和數(shù)據(jù)質(zhì)量千差萬別，有時甚至會遇到數(shù)據(jù)格式不能轉(zhuǎn)換或數(shù)據(jù)轉(zhuǎn)換格式后丟失信息等棘手問題，嚴重阻礙了數(shù)據(jù)在各部門和各應用系統(tǒng)中的流動與共享。ETL是實現(xiàn)數(shù)據(jù)集成的主要技術(shù)。(1)數(shù)據(jù)抽?。簭脑磾?shù)據(jù)源系統(tǒng)抽取目的數(shù)據(jù)源系統(tǒng)需要的數(shù)據(jù)。(3)數(shù)據(jù)加載：將轉(zhuǎn)換后的數(shù)據(jù)裝載到目的數(shù)據(jù)源。現(xiàn)在也越來越多地將ETL應用于一般信息系統(tǒng)中數(shù)據(jù)的遷移、交換和同步。為了實現(xiàn)這些功能，各個ETL工具一般會進行一些功能上的擴充，例如工作流、調(diào)度引擎、規(guī)則引擎、腳本支持、統(tǒng)計信息等。實際應用中，數(shù)據(jù)源較多采用的是關(guān)系數(shù)據(jù)庫?！　?1)全量抽取　　全量抽取類似于數(shù)據(jù)遷移或數(shù)據(jù)復制，它將數(shù)據(jù)源中的表或視圖的數(shù)據(jù)原封不動的從數(shù)據(jù)庫中抽取出來，并轉(zhuǎn)換成自己的ETL工具可以識別的格式?！　?2)增量抽取　　增量抽取只抽取自上次抽取以來數(shù)據(jù)庫中要抽取的表中新增或修改的數(shù)據(jù)。增量抽取較全量抽取應用更廣。對捕獲方法一般有兩點要求：準確性，能夠?qū)I(yè)務系統(tǒng)中的變化數(shù)據(jù)按一定的頻率準確地捕獲到。目前增量數(shù)據(jù)抽取中常用的捕獲變化數(shù)據(jù)的方法有：?。涸谝槿〉谋砩辖⑿枰挠|發(fā)器，一般要建立插入、修改、刪除三個觸發(fā)器，每當源表中的數(shù)據(jù)發(fā)生變化，就被相應的觸發(fā)器將變化的數(shù)據(jù)寫入一個臨時表，抽取線程從臨時表中抽取數(shù)據(jù)，臨時表中抽取過的數(shù)據(jù)被標記或刪除?！　。核且环N基于快照比較的變化數(shù)據(jù)捕獲方式，在源表上增加一個時間戳字段，系統(tǒng)中更新修改表數(shù)據(jù)的時候，同時修改時間戳字段的值。有的數(shù)據(jù)庫的時間戳支持自動更新，即表的其它字段的數(shù)據(jù)發(fā)生改變時，自動更新時間戳字段的值。同觸發(fā)器方式一樣，時間戳方式的性能也比較好，數(shù)據(jù)抽取相對清楚簡單，但對業(yè)務系統(tǒng)也有很大的傾入性(加入額外的時間戳字段)，特別是對不支持時間戳的自動更新的數(shù)據(jù)庫，還要求業(yè)務系統(tǒng)進行額外的更新時間戳操作?！　。旱湫偷娜肀葘Φ姆绞绞遣捎肕D5校驗碼。每次進行數(shù)據(jù)抽取時，對源表和MD5臨時表進行MD5校驗碼的比對，從而決定源表中的數(shù)據(jù)是新增、修改還是刪除，同時更新MD5校驗碼。當表中沒有主鍵或唯一列且含有重復記錄時，MD5方式的準確性較差。Oracle的改變數(shù)據(jù)捕獲(CDC，Changed Data Capture)技術(shù)是這方面的代表。CDC能夠幫助你識別從上次抽取之后發(fā)生變化的數(shù)據(jù)。這樣就可以捕獲發(fā)生變化的數(shù)據(jù)，然后利用數(shù)據(jù)庫視圖以一種可控的方式提供給目標系統(tǒng)。發(fā)布者捕捉變化數(shù)據(jù)并提供給訂閱者。通常，CDC系統(tǒng)擁有一個發(fā)布者和多個訂閱者。然后，它捕捉變化的數(shù)據(jù)并將其保存在特別創(chuàng)建的變化表中。訂閱者需要清楚自己感興趣的是哪些變化數(shù)據(jù)。訂閱者需要創(chuàng)建一個訂閱者視圖來訪問經(jīng)發(fā)布者授權(quán)可以訪問的變化數(shù)據(jù)。異步模式則是基于Oracle的流復制技術(shù)。對文件數(shù)據(jù)的抽取一般是進行全量抽取，一次抽取前可保存文件的時間戳或計算文件的MD5校驗碼，下次抽取時進行比對，如果相同則可忽略本次抽取?！　?shù)據(jù)的轉(zhuǎn)換和加工可以在ETL引擎中進行，也可以在數(shù)據(jù)抽取過程中利用關(guān)系數(shù)據(jù)庫的特性同時進行。常用的數(shù)據(jù)轉(zhuǎn)換組件有字段映射、數(shù)據(jù)過濾、數(shù)據(jù)清洗、數(shù)據(jù)替換、數(shù)據(jù)計算、數(shù)據(jù)驗證、數(shù)據(jù)加解密、數(shù)據(jù)合并、數(shù)據(jù)拆分等?！　∮行〦TL工具還提供了腳本支