BI項目中ETL設計與思考

    ETL即數據抽取（Extract）、轉換（Transform）、裝載（Load）的過程，它是構建數據倉庫的重要環節。 

    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、標準不統一的數據整合到一起，爲企業的決策提供分析依據。ETL是BI項目重要的一個環節。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設計的好壞直接關接到BI項目的成敗。

　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的時候我們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(OperationalDataStore，操作型數據存儲)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，儘可能的提高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(DataWarehousing，數據倉庫)中去。

    ETL的實現有多種方法，常用的有三種。一種是藉助ETL工具(如Oracle的OWB、SQLServer2000的DTS、SQLServer2005的SSIS服務、Informatic等)實現，一種是SQL方式實現，另外一種是ETL工具和SQL相結合。前兩種方法各有各的優缺點，藉助工具可以快速的建立起ETL工程，屏蔽了複雜的編碼任務，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，會極大地提高ETL的開發速度和效率。

　　一、數據的抽取

　　這一部分需要在調研階段做大量的工作，首先要搞清楚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麼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，當收集完這些信息之後纔可以進行數據抽取的設計。

　　1、對於與存放DW的數據庫系統相同的數據源處理方法

　　這一類數據源在設計上比較容易。一般情況下，DBMS(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係就可以寫Select語句直接訪問。

　　2、對於與DW數據庫系統不同的數據源的處理方法

　　對於這一類數據源，一般情況下也可以通過ODBC的方式建立數據庫鏈接——如SQLServer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。另外一種方法是通過程序接口來完成。

　　3、對於文件類型數據源(.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中抽取。或者還可以藉助工具實現，如SQLServer2005的SSIS服務的平面數據源和平面目標等組件導入ODS中去。

　　4、增量更新的問題

　　對於數據量大的系統，必須考慮增量抽取。一般情況下，業務系統會記錄業務發生的時間，我們可以用來做增量的標誌,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所有的記錄。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。

    二、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，在從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、重複的數據三大類。

　　(1)不完整的數據：這一類數據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、客戶的區域信息缺失、業務系統中主表與明細表不能匹配等。對於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。

　　(2)錯誤的數據：這一類錯誤產生的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臺數據庫造成的，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操作、日期格式不正確、日期越界等。這一類數據也要分類，對於類似於全角字符、數據前後有不可見字符的問題，只能通過寫SQL語句的方式找出來，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。

　　(3)重複的數據：對於這一類數據——特別是維表中會出現這種情況——將重複數據記錄的所有字段導出來，讓客戶確認並整理。

　　數據清洗是一個反覆的過程，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，促使他們儘快地修正錯誤,同時也可以做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，對於每個過濾規則認真進行驗證，並要用戶確認。

　　2、數據轉換

　　數據轉換的任務主要進行不一致的數據轉換、數據粒度的轉換，以及一些商務規則的計算。

　　(1)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。

　　(2)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。

　　(3)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，以供分析使用。

    三、ETL日誌、警告發送

　　1、ETL日誌

　　ETL日誌分爲三類。一類是執行過程日誌，這一部分日誌是在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。一類是錯誤日誌，當某個模塊出錯的時候寫錯誤日誌，記錄每次出錯的時間、出錯的模塊以及出錯的信息等。第三類日誌是總體日誌，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,ETL工具會自動產生一些日誌，這一類日誌也可以作爲ETL日誌的一部分。記錄日誌的目的是隨時可以知道ETL運行情況，如果出錯了，可以知道哪裏出錯。

　　2、警告發送

　　如果ETL出錯了，不僅要形成ETL出錯日誌，而且要向系統管理員發送警告。發送警告的方式多種，一般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BI項目的關鍵部分，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BI項目後期開發提供準確的數據。