ETL是将业务零碎的数据通过抽取、荡涤转换之后加载到数据仓库的过程，目标是将企业中的扩散、零乱、规范不对立的数据整合到一起，为企业的决策提供剖析根据。

ETL是BI我的项目重要的一个环节。通常状况下，在BI我的项目中ETL会花掉整个我的项目至多1/3的工夫,ETL设计的好坏间接关接到BI我的项目的成败。

ETL的设计分三局部：数据抽取、数据的荡涤转换、数据的加载。在设计ETL的时候咱们也是从这三局部登程。数据的抽取是从各个不同的数据源抽取到ODS (Operational Data Store，操作型数据存储) 中——这个过程也能够做一些数据的荡涤和转换，在抽取的过程中须要筛选不同的抽取办法，尽可能的进步ETL的运行效率。

ETL三个局部中，破费工夫最长的是“T”(Transform，荡涤、转换) 的局部，个别状况下这部分工作量是整个ETL的2/3。数据的加载个别在数据荡涤完了之后间接写入DW (Data Warehousing，数据仓库) 中去。

ETL的实现有多种办法，罕用的有三种。一种是借助ETL工具 (如：Oracle的OWB、SQL Server 2000 的 DTS、SQL Server2005 的SSIS服务、Informatic等) 实现，一种是SQL形式实现，另外一种是ETL工具和SQL相结合。

前两种办法各有各的优缺点，借助工具能够疾速的建设起ETL工程，屏蔽了简单的编码工作，进步了速度，升高了难度，然而短少灵活性。SQL的办法长处是灵便，进步ETL运行效率，然而编码简单，对技术要求比拟高。第三种是综合了后面二种的长处，会极大地提高ETL的开发速度和效率。

数据的抽取（Extract）

这一部分须要在调研阶段做大量的工作，首先要搞清楚数据是从几个业务零碎中来,各个业务零碎的数据库服务器运行什么DBMS,是否存在手工数据，手工数据量有多大，是否存在非结构化的数据等等，当收集完这些信息之后才能够进行数据抽取的设计。

对于与寄存DW的数据库系统雷同的数据源解决办法

这一类数据源在设计上比拟容易。个别状况下，DBMS (SQLServer、Oracle) 都会提供数据库链接性能，在DW数据库服务器和原业务零碎之间建设间接的链接关系就能够写Select 语句间接拜访。

对于与DW数据库系统不同的数据源的解决办法

对于这一类数据源，个别状况下也能够通过ODBC的形式建设数据库链接——如SQL Server和Oracle之间。如果不能建设数据库链接，能够有两种形式实现，一种是通过工具将源数据导出成.txt或者是.xls文件，而后再将这些源系统文件导入到ODS中。另外一种办法是通过程序接口来实现。

对于文件类型数据源(.txt,.xls)，能够培训业务人员利用数据库工具将这些数据导入到指定的数据库，而后从指定的数据库中抽取。或者还能够借助工具实现。

增量更新的问题

对于数据量大的零碎，必须思考增量抽取。个别状况下，业务零碎会记录业务产生的工夫，咱们能够用来做增量的标记,每次抽取之前首先判断ODS中记录最大的工夫，而后依据这个工夫去业务零碎取大于这个工夫所有的记录。利用业务零碎的工夫戳，个别状况下，业务零碎没有或者局部有工夫戳。

数据的荡涤转换（Cleaning、Transform）

个别状况下，数据仓库分为ODS、DW两局部。通常的做法是从业务零碎到ODS做荡涤，将脏数据和不残缺数据过滤掉，在从ODS到DW的过程中转换，进行一些业务规定的计算和聚合。

数据荡涤

数据荡涤的工作是过滤那些不符合要求的数据，将过滤的后果交给业务主管部门，确认是否过滤掉还是由业务单位修改之后再进行抽取。

不符合要求的数据次要是有不残缺的数据、谬误的数据、反复的数据三大类。

(1)不残缺的数据：这一类数据次要是一些应该有的信息缺失，如供应商的名称、分公司的名称、客户的区域信息缺失、业务零碎中主表与明细表不能匹配等。对于这一类数据过滤出来，按缺失的内容别离写入不同Excel文件向客户提交，要求在规定的工夫内补全。补全后才写入数据仓库。

(2)谬误的数据：这一类谬误产生的起因是业务零碎不够健全，在接管输出后没有进行判断间接写入后盾数据库造成的，比方数值数据输成全角数字字符、字符串数据前面有一个回车操作、日期格局不正确、日期越界等。这一类数据也要分类，对于相似于全角字符、数据前后有不可见字符的问题，只能通过写SQL语句的形式找进去，而后要求客户在业务零碎修改之后抽取。日期格局不正确的或者是日期越界的这一类谬误会导致ETL运行失败，这一类谬误须要去业务零碎数据库用SQL的形式挑出来，交给业务主管部门要求限期修改，修改之后再抽取。

(3)反复的数据：对于这一类数据——特地是维表中会呈现这种状况——将反复数据记录的所有字段导出来，让客户确认并整顿。

数据荡涤是一个重复的过程，不可能在几天内实现，只有一直的发现问题，解决问题。对于是否过滤，是否修改个别要求客户确认，对于过滤掉的数据，写入Excel文件或者将过滤数据写入数据表，在ETL开发的初期能够每天向业务单位发送过滤数据的邮件，促使他们尽快地修改谬误,同时也能够做为未来验证数据的根据。数据荡涤须要留神的是不要将有用的数据过滤掉，对于每个过滤规定认真进行验证，并要用户确认。

数据转换

数据转换的工作次要进行不统一的数据转换、数据粒度的转换，以及一些商务规定的计算。

(1)不统一数据转换：这个过程是一个整合的过程，将不同业务零碎的雷同类型的数据对立，比方同一个供应商在结算零碎的编码是XX0001,而在CRM中编码是YY0001，这样在抽取过去之后对立转换成一个编码。

(2)数据粒度的转换：业务零碎个别存储十分明细的数据，而数据仓库中数据是用来剖析的，不须要十分明细的数据。个别状况下，会将业务零碎数据依照数据仓库粒度进行聚合。

(3)商务规定的计算：不同的企业有不同的业务规定、不同的数据指标，这些指标有的时候不是简略的加加减减就能实现，这个时候须要在ETL中将这些数据指标计算好了之后存储在数据仓库中，以供剖析应用。

ETL日志、正告发送

ETL日志

ETL日志分为三类：

一类是执行过程日志，这一部分日志是在ETL执行过程中每执行一步的记录，记录每次运行每一步骤的起始工夫，影响了多少行数据，流水账模式。

一类是谬误日志，当某个模块出错的时候写谬误日志，记录每次出错的工夫、出错的模块以及出错的信息等。

第三类日志是总体日志，只记录ETL开始工夫、完结工夫是否胜利信息。如果应用ETL工具,ETL工具会主动产生一些日志，这一类日志也能够作为ETL日志的一部分。

记录日志的目标是随时能够晓得ETL运行状况，如果出错了，能够晓得哪里出错。

正告发送

如果ETL出错了，不仅要造成ETL出错日志，而且要向系统管理员发送正告。发送正告的形式多种，个别罕用的就是给系统管理员发送邮件，并附上出错的信息，不便管理员排查谬误。

ETL是BI我的项目的要害局部，也是一个长期的过程，只有一直的发现问题并解决问题，能力使ETL运行效率更高，为BI我的项目前期开发提供精确与高效的数据。

后记

做数据仓库零碎，ETL是要害的一环。说大了，ETL是数据整合解决方案，说小了，就是倒数据的工具。回顾一下工作这么长时间以来，解决数据迁徙、转换的工作倒还真的不少。然而那些工作基本上是一次性工作或者很小数据量。可是在数据仓库零碎中，ETL回升到了肯定的实践高度，和原来小打小闹的工具应用不同了。到底什么不同，从名字上就能够看到，人家曾经将倒数据的过程分成3个步骤，E、T、L别离代表抽取、转换和装载。

其实ETL过程就是数据流动的过程，从不同的数据源流向不同的指标数据。但在数据仓库中，

ETL有几个特点：

一是数据同步，它不是一次性倒完数据就拉到，它是经常性的流动，依照固定周期运行的，甚至当初还有人提出了实时ETL的概念。

二是数据量，个别都是微小的，值得你将数据流动的过程拆分成E、T和L。

当初有很多成熟的工具提供ETL性能，且不说他们的好坏。从利用角度来说，ETL的过程其实不是非常复杂，这些工具给数据仓库工程带来和很大的便利性，特地是开发的便当和保护的便当。但另一方面，开发人员容易迷失在这些工具中。

举个例子，VB是一种非常简单的语言并且也是十分易用的编程工具，上手特地快，然而真正VB的高手有多少？微软设计的产品通常有个准则是“将使用者当作傻瓜”，在这个准则下，微软的货色的确十分好用，然而对于开发者，如果你本人也将本人当作傻瓜，那就真的傻了。

ETL工具也是一样，这些工具为咱们提供图形化界面，让咱们将次要的精力放在规定上，以期进步开发效率。从应用成果来说，的确应用这些工具可能十分疾速地构建一个job来解决某个数据，不过从整体来看，并不见得他的整体效率会高多少。

问题次要不是出在工具上，而是在设计、开发人员上。他们迷失在工具中，没有去探究ETL的实质。能够说这些工具利用了这么长时间，在这么多我的项目、环境中利用，它必然有它胜利之处，它必然体现了ETL的实质。

如果咱们不透过外表这些工具的简略应用去看它背地蕴涵的思维，最终咱们作出来的货色也就是一个个独立的job，将他们整合起来依然有微小的工作量。大家都晓得“实践与实际相结合”，如果在一个畛域有所超过，必须要在实践程度上达到肯定的高度.