数据抽取、清洗与转换BI项目中ETL设计.docxVIP

1 ---真理惟一可靠的标准就是永远自相符合 数据抽取、清洗与转换 BI 项目中 ETL 设计 ETL 是将业务系统的数据经过抽取、清洗转换之后加载到数据仓库的过程， 目的是将企业中的分散、零乱、标准不统一的数据整合到一起，为企业的决策提供分析的依据。 ETL 是 BI 项目最重要的一个环节，通常情况下 ETL 会花掉整个项目的 1/3 的时间，ETL 设计的好坏直接关接到 BI 项目的成败。ETL 也是一个长期的过程，只有不断的发现问题并解决问题，才能使 ETL 运行效率更高，为项目后期开发提供准确的数据。 ETL 的设计分三部分：数据抽取、数据的清洗转换、数据的加载。在设计ETL 的时候也是从这三部分出发。数据的抽取是从各个不同的数据源抽取到ODS 中(这个过程也可以做一些数据的清洗和转换)，在抽取的过程中需要挑选不同的抽取方法，尽可能的提高 ETL 的运行效率。ETL 三个部分中，花费时间最长的是T(清洗、转换)的部分，一般情况下这部分工作量是整个 ETL 的 2/3。数据的加载一般在数据清洗完了之后直接写入 DW 中去。 ETL 的实现有多种方法，常用的有三种，第一种是借助 ETL 工具如 Oracle 的OWB、SQLserverXXXX 的 DTS、SQLServerXXXX 的 SSIS 服务、informatic 等实现， 第二种是 SQL 方式实现，第三种是 ETL 工具和 SQL 相结合。前两种方法各有优缺点，借助工具可以快速的建立起 ETL 工程，屏蔽复杂的编码任务，提高速 度，降低难度，但是欠缺灵活性。SQL 的方法优点是灵活，提高 ETL 运行效率， 2 ---真理惟一可靠的标准就是永远自相符合 但是编码复杂，对技术要求比较高。第三种是综合了前面二种的优点，极大的提高 ETL 的开发速度和效率。 数据的抽取 数据的抽取需要在调研阶段做大量工作，首先要搞清楚以下几个问题：数据是从几个业务系统中来?各个业务系统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?等等类似问题，当收集完这些信息之后才可以进行数据抽取的设计。 1、与存放 DW 的数据库系统相同的数据源处理方法 这一类数源在设计比较容易，一般情况下，DBMS(包括 SQLServer，Oracle) 都会提供数据库链接功能，在 DW 数据库服务器和原业务系统之间建立直接的链接关系就可以写 Select 语句直接访问。 2、与 DW 数据库系统不同的数据源的处理方法 这一类数据源一般情况下也可以通过 ODBC 的方式建立数据库链接，如SQLServer 和 Oracle 之间。如果不能建立数据库链接，可以有两种方式完成，一种是通过工具将源数据导出成.txt 或者是.xls 文件，然后再将这些源系统文件导入到 ODS 中。另外一种方法通过程序接口来完成。 3、对于文件类型数据源(.txt,，xls)，可以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，然后从指定的数据库抽取。或者可以借助工具实 3 ---真理惟一可靠的标准就是永远自相符合 现，如 SQLSERVERXXXX 的 SSIS 服务的平面数据源和平面目标等组件导入 ODS 中去 4、增量更新问题 对于数据量大的系统，必须考虑增量抽取。一般情况，业务系统会记录业务发生的时间，可以用作增量的标志，每次抽取之前首先判断ODS 中记录的时间，然后根据这个时间去业务系统取大于这个时间的所有记录。利用业务系统的时间戳，一般情况下，业务系统没有或者部分有时间戳。数据的清洗转换 一般情况下，数据仓库分为 ODS、DW 两部分，通常的做法是从业务系统到ODS 做清洗，将脏数据和不完整数据过滤掉，再从 ODS 到 DW 的过程中转换， 进行一些业务规则的计算和聚合。 1、数据清洗 数据清洗的任务是过滤那些不符合要求的数据，将过滤的结果交给业务主管部门，确认是否过滤掉还是由业务单位修正之后再进行抽取。不符合要求的数据主要是有不完整的数据、错误的数据和重复的数据三大类。 A、不完整的数据，其特征是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、业务系统中主表与明细表不能匹配等。需要将这一类数据过滤出来，按缺失的内容分别写入不同Excel 文件向客户提交，要求在规定的时间内补全。补全后才写入数据仓库。 4 ---真理惟一可靠的标准就是永远自相符合 B、错误的数据，产生原因是业务系统不够健全，在接收输入后没有进行判断直接写入后台数据库造成的，比如数值数据输成全角数字字符、字符串数据后面有一个回车、日期格式不正确、日期越界等。这一类数据也要分类，对于类似于全角字符、数据前后有不面见字符的问题只能写 SQL 的方式找出来，然后要求客户在