衛星ETL技術的發展？

衛星數據ETL技術的發展重點是什麼？其未來發展方向會是怎樣的？可能在星上實現嗎？如果能，需要怎樣的基礎？

ETL，Extraction-Transformation-Loading的縮寫，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、清洗轉換之後載入到數據倉庫的過程，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，為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。

　　在數據倉庫的構建中，ETL貫穿於項目始終，它是整個數據倉庫的生命線，包括了數據清洗、整合、轉換、載入等各個過程。如果說數據倉庫是一座大廈，那麼ETL就是大廈的根基。ETL抽取整合數據的好壞直接影響到最終的結果展現。所以ETL在整個數據倉庫項目中起著十分關鍵的作用，必須擺到十分重要的位置。

　　通過ETL，我們可以基於源系統中的數據來生成數據倉庫。ETL為我們搭建了OLTP系統和OLAP系統之間的橋樑，是數據從源系統流入數據倉庫的通道。在數據倉庫的項目實施中，它關係到整個項目的數據質量，所以馬虎不得，必須將其擺到重要位置，將數據倉庫這一大廈的根基築牢!

　　ETL主要是利用轉換伺服器的處理能力，從源表抽取數據後，在轉換伺服器中進行數據清洗、轉換，完成後載入到目標庫中。它的轉換過程都是在轉換伺服器中進行的，所以它的性能瓶頸在中間的轉換伺服器中。

　　ETL的設計分三部分：數據抽取、數據的清洗轉換、數據的載入。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。數據的載入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,各個業務系統的資料庫伺服器運行什麼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才可以進行數據抽取的設計。

　　1、對於與存放DW的資料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）都會提供資料庫鏈接功能，在DW資料庫伺服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資料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的方式建立資料庫鏈接——如 SQLServer和Oracle之間。如果不能建立資料庫鏈接，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介面來完成。

　　3、對於文件類型數據源（.txt,.xls），可以培訓業務人員利用資料庫工具將這些數據導入到指定的資料庫，然後從指定的資料庫中抽取。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，數據倉庫分為ODS、DW兩部分。通常的做法是從業務系統到ODS做清洗，將臟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台資料庫造成的，比如數值數據輸成全形數字字元、字元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，對於類似於全形字元、數據前後有不可見字元的問題，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資料庫用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欄位導出來，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,同時也可以做為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日誌分為三類。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為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，可以知道哪裡出錯。

　　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，為BI項目後期開發提供準確的數據。

　　四、補充對ETL的理解：

　　1、數據收集：

　　a）收集位置多樣：不同伺服器上，不同位置上;

　　b）收集數據形式多樣：不同存儲文件，不同存儲格式;

　　2、分析轉換統一數據形式：

　　a）分析解析不同文件和不同數據格式;

　　b）將不同格式數據轉換為統一格式;

　　c）合併收集的數據;

　　3、將統一格式數據導入數據倉庫。

　　如果說數據倉庫的模型設計是一座大廈的設計藍圖，數據是磚瓦的話，那麼ETL就是建設大廈的過程。在整個項目中最難部分是用戶需求分析和模型設計，而ETL規則設計和實施則是工作量最大的，約佔整個項目的60%～80%，這是國內外從眾多實踐中得到的普遍共識。

　　目前，ETL工具的典型代表有:微軟SSIS（取代了原來的DTS）、Informatica、Datastage、ORACLE的OWB和ODI、另外，Sun也有一套完整的ETL工具。開源的工具有eclips的etl插件。

　　ETL的質量問題具體表現為正確性、完整性、一致性、完備性、有效性、時效性和可獲取性等幾個特性。

　　為了能更好地實現ETL，建議用戶在實施ETL過程中應注意以下幾點：

　　第一，保證集成與載入的高效性，可以分散式分析然後匯總;

　　第二，增強可控性，主動收集數據不要被動推送數據;

　　第三，應制定流程化的配置管理和標準協議;

　　第四，制定關鍵數據標準和非關鍵數據標準。

　　四種數據ETL模式：

　　1）完全刷新：數據倉庫數據表中只包括最新的數據，每次載入均刪除原有數據，然後完全載入最新的源數據。這種模式下，數據抽取程序抽取源數據中的所有記錄，在載入前，將目標數據表清空，然後載入所有記錄。為提高刪除數據的速度，一般是採用Truncate清空數據表。如本系統中的入庫當前信息表採用此種模式。

　　2）鏡像增量：源數據中的記錄定期更新，但記錄中包括記錄時間欄位，源數據中保存了數據歷史的記錄，ETL可以通過記錄時間將增量數據從源數據抽取出來以附加的方式載入到數據倉庫中，數據的歷史記錄也會被保留在數據倉庫中

　　3）事件增量：每一個記錄是一個新的事件，相互之間沒有必然的聯繫，新記錄不是對原有記錄數值的變更，記錄包括時間欄位，可以通過時間欄位將新增數據抽取出來載入到資料庫中。

　　4）鏡像比較：數據倉庫數據具有生效日期欄位以保存數據的歷史信息，而源數據不保留歷史並且每天都可能被更新。因此，只能將新的鏡像數據與上次載入的數據的鏡像進行比較，找出變更部分，更新歷史數據被更新記錄的生效終止日期，並添加變更後的數據。大多數源數據中需保存歷史信息的維表。