数据仓库基础（六）数据的ETL

本文转载自：http://www.cnblogs.com/evencao/p/3140487.html

ETL是数据抽取（Extract）、转换（Transform）、加载（Load）的简写，是构建数据仓库最重要的一步。

1.抽取

抽取时元数据进入到数据仓库的第一步。因为每个业务系统数据的质量不相同，所以需要对每个数据源建立不同的抽取程序。

抽取的主要功能：

提供数据匹配器的功能：这样使得程序可以与多种业务数据源相连接。

提供标准化的功能：抽取最重要的一个功能就是对数据类型的标准化，将业务数据和数据仓库中的数据类型统一。

提供批处理的服务：

提供过滤的功能：

2.清洗

清洗是源数据进入到数据仓库的第二步。目的是保证源数据的数据质量符合数据仓库的要求，同时保证数据的一致性。

清洗的主要功能:

数据修正：使用固定算法或者相应的数据源检查程序区验证信息是否准确。

数据标准化功能：将业务数据源的数据标准化，以满足数据仓库中的数据一致的要求。

匹配和合并功能：对抽取出来的数据进行重复验证，然后对重复数据进行单独合并。

3.转换

转换的功能：

对数据进行计算：根据业务需求的特点对业务源数据进行相关的计算，以满足数据仓库的要求。

对数据进行放大：根据实际的业务需求，为数据调价额外的信息，从而保证数据仓库的一致性和正确性。

4.加载：这是ETL的最后一步。主要负责将数据加载到目标表中，这些目标表可能是事实表，也可能是维度表。

定义ETL的流程

1.从源数据抽取到ODS数据缓冲区：

ODS数据缓冲区是指数据临时存储区域，它基本上与源系统的数据结构保持一致。

2.从ODS数据缓冲区到ODS统一信息视图区：一般来说是定时抽取的，除了第一次做全量抽取外，其余时间都是做增量抽取，可以按照某种更新策略进行抽取。

3.从ODS统一信息视图区抽取到数据仓库：数据仓库是根据业务需求，对企业受进行整合，同时又是存储历史数据的地方

4.从数据仓库抽取到数据集市：数据集市是针对某个主题域、部门或者是特定用户的数据集合。

ETL的加载方法

1.以时间戳作为加载条件：

利用时间戳的方式对目标表进行数据加载是相对简单的一种方法。这种时间戳作为数据加载条件的

优点是使ETL设计简单清晰，抽取的效率相对较高，并且可以实现ETL数据加载的需求。

缺点是需要对业务数据源的时间戳进行维护。

2利用源表的日志信息对目标表进行加载:在业务系统中为源表中的数据增加、删除、修改时，及时更新该源表的日志表。

优点是：不需要更改数据源表结构和数据，降低了数据加载的风险。

缺点是需要维护日志表数据，增加了系统的开销。

3.进行全表对比的方式进行数据的加载

是对目标表的每一条数据进行比较，当目标表不存在该主键时，进行插入操作，如果该主键值已经存在，则需要对其余字段进行比较，如果有不相同的数值，则需要进行更新操作。

优点：安全性高

缺点：流程较为复杂，一般抽取的效率较低。

4.全表删除后再进行数据加载的方式`

利用ETL构建企业级数据仓库

1.在构建数据仓库的时候，通常的做法是将业务系统部署在一台服务器，而数据仓库部署在另一台服务器中。

2.构建企业级数据仓库需要充分发挥时间戳的作用。

3.在构建企业数据仓库时，可以使用ETL过程中产生的日志信息区查看数据处理的情况。