ETL开发面试题集.pdfVIP

ETL开发⾯试题集 ETL讲解（很详细） 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依据。 ETL是BI项⽬重要的⼀个环节。 通常情况下，在BI项⽬中ETL会花掉整个项⽬⾄少1/3的时间,ETL设计的好坏 直接关接到BI项⽬的成败。 　　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的时候我们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(Operational Data Store，操作型数据存储)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”(Transform，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(Data Warehousing，数据仓库)中去。 　　ETL的实现有多种⽅法，常⽤的有三种。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⽅式实现，另外⼀种是ETL⼯具和SQL相结合。前两种⽅法各有各的优缺点，借助⼯具可以快 速的建⽴起ETL⼯程，屏蔽了复杂的编码任务，提⾼了速度，降低了难度，但是缺少灵活性。SQL的⽅法优点是灵活，提⾼ETL运⾏效率， 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，会极⼤地提⾼ETL的开发速度和效率。 　　⼀、 数据的抽取（Extract） 　　这⼀部分需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，当收集完这些信息之后才可以进⾏数据抽取的设计。 　　1、对于与存放DW的数据库系统相同的数据源处理⽅法 　　这⼀类数据源在设计上⽐较容易。⼀般情况下，DBMS(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、对于与DW数据库系统不同的数据源的处理⽅法 　　对于这⼀类数据源，⼀般情况下也可以通过ODBC的⽅式建⽴数据库链接——如SQL Server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。另外⼀种⽅法是 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中抽取。 或者还可以借助⼯具实现。 　　4、增量更新的问题 　　对于数据量⼤的系统，必须考虑增量抽取。⼀般情况下，业务系统会记录业务发⽣的时间，我们可以⽤来做增量的标志,每次抽取之前⾸ 先判断ODS中记录最⼤的时间，然后根据这个时间去业务系统取⼤于这个时间所有的记录。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。 ⼆、数据的清洗转换（Cleaning、Transform） 　　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，在从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 取。 不符合要求的数据主要是有不完整的数据、错误的数据、重复的数据三⼤类。 　　(1)不完整的数据：这⼀类数据主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、业务系统中主 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。 　　(2)错误的数据：这⼀类错误产⽣的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操作、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 后有不可见字符的问题，只能通过写SQL语句的⽅式找出来，然后要求客户在业务系统修正之后抽取。⽇