| 導購 | 订阅 | 在线投稿
分享
 
 
 

數據抽取、清洗與轉換 BI項目中ETL設計

來源:互聯網  2008-08-14 23:14:26  評論

ETL是將業務系統的數據經過抽取、清洗轉換之後加載到數據倉庫的過程,目的是將企業中的分散、零亂、標准不統一的數據整合到一起,爲企業的決策提供分析的依據。

ETL是BI項目最重要的一個環節,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,只有不斷的發現問題並解決問題,才能使ETL運行效率更高,爲項目後期開發提供准確的數據。

ETL的設計分三部分:數據抽取、數據的清洗轉換、數據的加載。在設計ETL的時候也是從這三部分出發。數據的抽取是從各個不同的數據源抽取到ODS中(這個過程也可以做一些數據的清洗和轉換),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。數據的加載一般在數據清洗完了之後直接寫入DW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,屏蔽複雜的編碼任務,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運行效率,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。

數據的抽取

數據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:數據是從幾個業務系統中來?各個業務系統的數據庫服務器運行什麽DBMS?是否存在手工數據,手工數據量有多大?是否存在非結構化的數據?等等類似問題,當收集完這些信息之後才可以進行數據抽取的設計。

1、與存放DW的數據庫系統相同的數據源處理方法

這一類數源在設計比較容易,一般情況下,DBMS(包括SQLServer,Oracle)都會提供數據庫鏈接功能,在DW數據庫服務器和原業務系統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數據庫系統不同的數據源的處理方法

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

3、對于文件類型數據源(.txt,,xls),可以培訓業務人員利用數據庫工具將這些數據導入到指定的數據庫,然後從指定的數據庫抽取。或者可以借助工具實現,如SQL SERVER 2005 的SSIS服務的平面數據源和平面目標等組件導入ODS中去

4、增量更新問題

對于數據量大的系統,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,可以用作增量的標志,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于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。

數據的清洗轉換

一般情況下,數據倉庫分爲ODS、DW兩部分,通常的做法是從業務系統到ODS做清洗,將髒數據和不完整數據過濾掉,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、數據清洗

數據清洗的任務是過濾那些不符合要求的數據,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。不符合要求的數據主要是有不完整的數據、錯誤的數據和重複的數據三大類。

A、不完整的數據,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,客戶的區域信息缺失、業務系統中主表與明細表不能匹配等。需要將這一類數據過濾出來,按缺失的內容分別寫入不同Excel文件向客戶提交,要求在規定的時間內補全。補全後才寫入數據倉庫。

B、錯誤的數據,産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數據庫造成的,比如數值數據輸成全角數字字符、字符串數據後面有一個回車、日期格式不正確、日期越界等。這一類數據也要分類,對于類似于全角字符、數據前後有不面見字符的問題只能寫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運行失敗,這一類錯誤需要去業務系統數據庫用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、重複的數據,特別是維表中比較常見,將重複的數據的記錄所有字段導出來,讓客戶確認並整理。

數據清洗是一個反複的過程,不可能在幾天內完成,只有不斷的發現問題,解決問題。對于是否過濾、是否修正一般要求客戶確認;對于過濾掉的數據,寫入Excel文件或者將過濾數據寫入數據表,在ETL開發的初期可以每天向業務單位發送過濾數據的郵件,促使他們盡快的修正錯誤,同時也可以作爲將來驗證數據的依據。數據清洗需要注意的是不要將有用的數據過濾掉了,對于每個過濾規則認真進行驗證,並要用戶確認才行。

2、數據轉換

數據轉換的任務主要是進行不一致的數據轉換、數據粒度的轉換和一些商務規則的計算。

A、不一致數據轉換,這個過程是一個整合的過程,將不同業務系統的相同類型的數據統一,比如同一個供應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一個編碼。

B、數據粒度的轉換,業務系統一般存儲非常明細的數據,而數據倉庫中的數據是用來分析的,不需要非常明細的數據,一般情況下,會將業務系統數據按照數據倉庫粒度進行聚合。

C、商務規則的計算,不同的企業有不同的業務規則,不同的數據指標,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中將這些數據指標計算好了之後存儲在數據倉庫中,供分析使用。

ETL日志與警告發送

◆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,出錯在那裏。

ETL日志分爲三類。第一類是執行過程日志,是在ETL執行過程中每執行一步的記錄,記錄每次運行每一步驟的起始時間,影響了多少行數據,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,工具會自動産生一些日志,這一類日志也可以作爲ETL日志的一部分。

◆2、警告發送

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

ETL是將業務系統的數據經過抽取、清洗轉換之後加載到數據倉庫的過程,目的是將企業中的分散、零亂、標准不統一的數據整合到一起,爲企業的決策提供分析的依據。 ETL是BI項目最重要的一個環節,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,只有不斷的發現問題並解決問題,才能使ETL運行效率更高,爲項目後期開發提供准確的數據。 ETL的設計分三部分:數據抽取、數據的清洗轉換、數據的加載。在設計ETL的時候也是從這三部分出發。數據的抽取是從各個不同的數據源抽取到ODS中(這個過程也可以做一些數據的清洗和轉換),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。數據的加載一般在數據清洗完了之後直接寫入DW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,屏蔽複雜的編碼任務,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運行效率,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。 數據的抽取 數據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:數據是從幾個業務系統中來?各個業務系統的數據庫服務器運行什麽DBMS?是否存在手工數據,手工數據量有多大?是否存在非結構化的數據?等等類似問題,當收集完這些信息之後才可以進行數據抽取的設計。 1、與存放DW的數據庫系統相同的數據源處理方法 這一類數源在設計比較容易,一般情況下,DBMS(包括SQLServer,Oracle)都會提供數據庫鏈接功能,在DW數據庫服務器和原業務系統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數據庫系統不同的數據源的處理方法 這一類數據源一般情況下也可以通過ODBC的方式建立數據庫鏈接,如SQL Server和Oracle之間。如果不能建立數據庫鏈接,可以有兩種方式完成,一種是通過工具將源數據導出成.txt或者是.xls文件,然後再將這些源系統文件導入到ODS中。另外一種方法通過程序接口來完成。 3、對于文件類型數據源(.txt,,xls),可以培訓業務人員利用數據庫工具將這些數據導入到指定的數據庫,然後從指定的數據庫抽取。或者可以借助工具實現,如SQL SERVER 2005 的SSIS服務的平面數據源和平面目標等組件導入ODS中去 4、增量更新問題 對于數據量大的系統,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,可以用作增量的標志,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于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。 數據的清洗轉換 一般情況下,數據倉庫分爲ODS、DW兩部分,通常的做法是從業務系統到ODS做清洗,將髒數據和不完整數據過濾掉,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、數據清洗 數據清洗的任務是過濾那些不符合要求的數據,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。不符合要求的數據主要是有不完整的數據、錯誤的數據和重複的數據三大類。 A、不完整的數據,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,客戶的區域信息缺失、業務系統中主表與明細表不能匹配等。需要將這一類數據過濾出來,按缺失的內容分別寫入不同Excel文件向客戶提交,要求在規定的時間內補全。補全後才寫入數據倉庫。 B、錯誤的數據,産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數據庫造成的,比如數值數據輸成全角數字字符、字符串數據後面有一個回車、日期格式不正確、日期越界等。這一類數據也要分類,對于類似于全角字符、數據前後有不面見字符的問題只能寫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運行失敗,這一類錯誤需要去業務系統數據庫用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、重複的數據,特別是維表中比較常見,將重複的數據的記錄所有字段導出來,讓客戶確認並整理。 數據清洗是一個反複的過程,不可能在幾天內完成,只有不斷的發現問題,解決問題。對于是否過濾、是否修正一般要求客戶確認;對于過濾掉的數據,寫入Excel文件或者將過濾數據寫入數據表,在ETL開發的初期可以每天向業務單位發送過濾數據的郵件,促使他們盡快的修正錯誤,同時也可以作爲將來驗證數據的依據。數據清洗需要注意的是不要將有用的數據過濾掉了,對于每個過濾規則認真進行驗證,並要用戶確認才行。 2、數據轉換 數據轉換的任務主要是進行不一致的數據轉換、數據粒度的轉換和一些商務規則的計算。 A、不一致數據轉換,這個過程是一個整合的過程,將不同業務系統的相同類型的數據統一,比如同一個供應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一個編碼。 B、數據粒度的轉換,業務系統一般存儲非常明細的數據,而數據倉庫中的數據是用來分析的,不需要非常明細的數據,一般情況下,會將業務系統數據按照數據倉庫粒度進行聚合。 C、商務規則的計算,不同的企業有不同的業務規則,不同的數據指標,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中將這些數據指標計算好了之後存儲在數據倉庫中,供分析使用。 ETL日志與警告發送 ◆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,出錯在那裏。 ETL日志分爲三類。第一類是執行過程日志,是在ETL執行過程中每執行一步的記錄,記錄每次運行每一步驟的起始時間,影響了多少行數據,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,工具會自動産生一些日志,這一類日志也可以作爲ETL日志的一部分。 ◆2、警告發送 ETL出錯了,不僅要寫ETL出錯日志而且要向系統管理員發送警告,發送警告的方式有多種,常用的就是給系統管理員發送郵件,並附上出錯的信息,方便管理員排查錯誤。
󰈣󰈤
王朝萬家燈火計劃
期待原創作者加盟
 
 
 
>>返回首頁<<
 
 
 
 
 熱帖排行
 
王朝網路微信公眾號
微信掃碼關註本站公眾號 wangchaonetcn
 
 
靜靜地坐在廢墟上,四周的荒凉一望無際,忽然覺得,淒涼也很美
© 2005- 王朝網路 版權所有