ETL,用來描述將數(shù)據(jù)從來源端經(jīng)過抽取、轉(zhuǎn)換、加載至目的端的過程。ETL是BI項(xiàng)目中重要的一個(gè)環(huán)節(jié)，用戶從數(shù)據(jù)源抽取出所需的數(shù)據(jù)，經(jīng)過數(shù)據(jù)清洗，最終按照預(yù)先定義好的數(shù)據(jù)模型，將數(shù)據(jù)加載到數(shù)據(jù)倉庫中去，為后續(xù)的數(shù)據(jù)分析提供數(shù)據(jù)支撐。 舉個(gè)例子來說就是，某電商公司分析人員根據(jù)訂單數(shù)據(jù)進(jìn)行用戶特征分析。這時(shí)需要基于訂單數(shù)據(jù)，計(jì)算一些相應(yīng)的分析指標(biāo)，如每個(gè)用戶的消費(fèi)頻次，銷售額最大的單品，用戶復(fù)購(gòu)時(shí)間間隔等。這些指標(biāo)都要通過計(jì)算轉(zhuǎn)換得到，這時(shí)候ETL的作用就顯現(xiàn)出來了。 所以ETL在商務(wù)智能中能夠起到的作用是巨大的，那么ETL究竟是什么？應(yīng)該怎么用？?jī)|信ABI今天就和大家聊聊這些。 一、什么是ETL？ ETL，Extract-Transform-Load的縮寫，是將業(yè)務(wù)系統(tǒng)的數(shù)據(jù)經(jīng)過抽取、清洗轉(zhuǎn)換之后加載到數(shù)據(jù)倉庫的過程。ETL是數(shù)據(jù)集成的第一步，也是構(gòu)建數(shù)據(jù)倉庫最重要的步驟，目的是將企業(yè)中的分散、零亂、標(biāo)準(zhǔn)不統(tǒng)一的數(shù)據(jù)整合到一起，為企業(yè)的決策提供分析依據(jù)。ETL一詞較常用在數(shù)據(jù)倉庫，但其對(duì)象并不限于數(shù)據(jù)倉庫。 ETL 是企業(yè)數(shù)據(jù)應(yīng)用過程中的一個(gè)數(shù)據(jù)流（pipeline）的控制技術(shù)，把原始的數(shù)據(jù)經(jīng)過一定的處理，放入數(shù)據(jù)倉庫里?？梢韵胂笠幌乱粭l大河的源頭被污染，下游就無法作為飲用水源，也無法用于灌溉。如果想用于灌溉，就要將河上游工廠的污水進(jìn)行處理之后再排入，如果想用于飲用，那就要用水淡化或者滲透過濾技術(shù)，對(duì)水質(zhì)進(jìn)行改造。同樣，原始數(shù)據(jù)并不是完美的、潔凈的，質(zhì)量參差不齊的數(shù)據(jù)對(duì)于數(shù)據(jù)最終的使用會(huì)產(chǎn)生很大的影響。 2、ETL的流程是什么？ ETL如同它代表的三個(gè)英文單詞，涉及三個(gè)獨(dú)立的過程：抽取、轉(zhuǎn)換和加載。工作流程往往作為一個(gè)正在進(jìn)行的過程來實(shí)現(xiàn)，各模塊可靈活進(jìn)行組合，形成ETL處理流程。 1.數(shù)據(jù)抽取 數(shù)據(jù)抽取指的是從不同的網(wǎng)絡(luò)、不同的操作平臺(tái)、不同的數(shù)據(jù)庫和數(shù)據(jù)格式、不同的應(yīng)用中抽取數(shù)據(jù)的過程。目標(biāo)源可能包括ERP、CRM和其他企業(yè)系統(tǒng)，以及來自第三方源的數(shù)據(jù)。 不同的系統(tǒng)傾向于使用不同的數(shù)據(jù)格式，在這個(gè)過程中，首先需要結(jié)合業(yè)務(wù)需求確定抽取的字段，形成一張公共需求表頭，并且數(shù)據(jù)庫字段也應(yīng)與這些需求字段形成一一映射關(guān)系。這樣通過數(shù)據(jù)抽取所得到的數(shù)據(jù)都具有統(tǒng)一、規(guī)整的字段內(nèi)容，為后續(xù)的數(shù)據(jù)轉(zhuǎn)換和加載提供基礎(chǔ)，具體步驟如下： ①確定數(shù)據(jù)源，需要確定從哪些源系統(tǒng)進(jìn)行數(shù)據(jù)抽取 ②定義數(shù)據(jù)接口，對(duì)每個(gè)源文件及系統(tǒng)的每個(gè)字段進(jìn)行詳細(xì)說明 ③確定數(shù)據(jù)抽取的方法：是主動(dòng)抽取還是由源系統(tǒng)推送？是增量抽取還是全量抽?。渴前凑彰咳粘槿∵€是按照每月抽?。? 2.數(shù)據(jù)轉(zhuǎn)換 數(shù)據(jù)轉(zhuǎn)換實(shí)際上還包含了數(shù)據(jù)清洗的工作，需要根據(jù)業(yè)務(wù)規(guī)則對(duì)異常數(shù)據(jù)進(jìn)行清洗，主要將不完整數(shù)據(jù)、錯(cuò)誤數(shù)據(jù)、重復(fù)數(shù)據(jù)進(jìn)行處理，保證后續(xù)分析結(jié)果的準(zhǔn)確性。 數(shù)據(jù)轉(zhuǎn)換就是處理抽取上來的數(shù)據(jù)中存在的不一致的過程。數(shù)據(jù)轉(zhuǎn)換一般包括兩類：第一類：數(shù)據(jù)名稱及格式的統(tǒng)一，即數(shù)據(jù)粒度轉(zhuǎn)換、商務(wù)規(guī)則計(jì)算以及統(tǒng)一的命名、數(shù)據(jù)格式、計(jì)量單位等；第二類：數(shù)據(jù)倉庫中存在源數(shù)據(jù)庫中可能不存在的數(shù)據(jù)，因此需要進(jìn)行字段的組合、分割或計(jì)算。主要涉及以下幾個(gè)方面： ①空值處理：可捕獲字段空值，進(jìn)行加載或替換為其他含義數(shù)據(jù)，或數(shù)據(jù)分流問題庫 ②數(shù)據(jù)標(biāo)準(zhǔn)：統(tǒng)一元數(shù)據(jù)、統(tǒng)一標(biāo)準(zhǔn)字段、統(tǒng)一字段類型定義 ③數(shù)據(jù)拆分：依據(jù)業(yè)務(wù)需求做數(shù)據(jù)拆分，如身份證號(hào)，拆分區(qū)劃、出生日期、性別等 ④數(shù)據(jù)驗(yàn)證：時(shí)間規(guī)則、業(yè)務(wù)規(guī)則、自定義規(guī)則 ⑤數(shù)據(jù)替換：對(duì)于因業(yè)務(wù)因素，可實(shí)現(xiàn)無效數(shù)據(jù)、缺失數(shù)據(jù)的替換 ⑥數(shù)據(jù)關(guān)聯(lián)：關(guān)聯(lián)其他數(shù)據(jù)或數(shù)學(xué)，保障數(shù)據(jù)完整性 3.數(shù)據(jù)加載 數(shù)據(jù)加載的主要任務(wù)是將經(jīng)過清洗后的干凈的數(shù)據(jù)集按照物理數(shù)據(jù)模型定義的表結(jié)構(gòu)裝入目標(biāo)數(shù)據(jù)倉庫的數(shù)據(jù)表中，如果是全量方式則采用LOAD方式，如果是增量則根據(jù)業(yè)務(wù)規(guī)則MERGE進(jìn)數(shù)據(jù)庫，并允許人工干預(yù)，以及提供強(qiáng)大的錯(cuò)誤報(bào)告、系統(tǒng)日志、數(shù)據(jù)備份與恢復(fù)功能。整個(gè)操作過程往往要跨網(wǎng)絡(luò)、跨操作平臺(tái)。 在實(shí)際的工作中，數(shù)據(jù)加載需要結(jié)合使用的數(shù)據(jù)庫系統(tǒng)（Oracle、Mysql、Spark、Impala等），確定最優(yōu)的數(shù)據(jù)加載方案，節(jié)約CPU、硬盤IO和網(wǎng)絡(luò)傳輸資源。 三、ETL有什么價(jià)值？ ETL 的成功應(yīng)用將為企業(yè)帶來巨大的價(jià)值，一般來說，ETL在企業(yè)中的價(jià)值主要體現(xiàn)在： 1、簡(jiǎn)化了用戶的操作 ETL通常通過圖形化的配置方式，簡(jiǎn)單，靈活，使得用戶無需過分關(guān)心數(shù)據(jù)庫的各種內(nèi)部細(xì)節(jié)，而專注于功能。 2、支持各種數(shù)據(jù)源，特別是平面數(shù)據(jù)源 ETL出了支持所有常見的數(shù)據(jù)源，如Oracle,Sqlserver,DB2,,Mysql,Access,Vf等，還提供了對(duì)各種平面數(shù)據(jù)源，如txt，excel，csv，xml等的支持。 3 、簡(jiǎn)化內(nèi)部業(yè)務(wù)系統(tǒng)的數(shù)據(jù)集成 舉個(gè)例子來看，如果由于各種原因，企業(yè)的生產(chǎn)物資系統(tǒng)數(shù)據(jù)庫采用分布式部署，每天需要將分布在全國(guó)各地20 多個(gè)數(shù)據(jù)庫的數(shù)據(jù)約2200 多萬條物資采購(gòu)和使用數(shù)據(jù)集中匯總至總部進(jìn)行整理分析。應(yīng)用ETL技術(shù)后，數(shù)據(jù)采集和清洗的效率、準(zhǔn)確性和系統(tǒng)性能大幅提高，同時(shí)簡(jiǎn)化了整個(gè)數(shù)據(jù)匯總分析的過程。 能夠通過ETL的三個(gè)流程，大大提高效率簡(jiǎn)化流程。 4、提高設(shè)備采集數(shù)據(jù)分析效率 繼續(xù)舉例子來看，如果企業(yè)生產(chǎn)的大型港口機(jī)械裝備遍布全球碼頭，每臺(tái)設(shè)備上都裝有起重機(jī)管理系統(tǒng)，這些設(shè)備的故障、旁路、工作循環(huán)等各類工況數(shù)據(jù)都會(huì)存入起重機(jī)管理系統(tǒng)，由于用戶的要求不同，系統(tǒng)使用的數(shù)據(jù)庫各不一樣，數(shù)據(jù)項(xiàng)也會(huì)略有差異。企業(yè)需要收集這些設(shè)備的工況數(shù)據(jù)到內(nèi)部的云平臺(tái)上匯總分析并為用戶提供主動(dòng)性服務(wù)，而ETL技術(shù)在設(shè)備工況數(shù)據(jù)的采集、清洗加工和匯總分析等應(yīng)用上發(fā)揮了巨大的作用。 ETL是構(gòu)建整個(gè)數(shù)據(jù)倉庫的核心和靈魂，對(duì)于大型裝備制造企業(yè)，如果能夠規(guī)劃和設(shè)計(jì)好ETL的使用，同時(shí)結(jié)合云計(jì)算及大數(shù)據(jù)分析和處理平臺(tái)，不管是對(duì)于企業(yè)內(nèi)部業(yè)務(wù)系統(tǒng)的有效集成，為管理層提供高效的商業(yè)智能分析，或是結(jié)合大型裝備產(chǎn)品進(jìn)行工況數(shù)據(jù)的采集分析，為使用者提供更多的增值服務(wù)，都將起到至關(guān)重要的作用。 四、ETL應(yīng)用優(yōu)勢(shì) 市面上大多BI工具都不含ETL功能，在進(jìn)行上述項(xiàng)目時(shí)，通常會(huì)用到BI、ETL兩個(gè)工具，成本高、花費(fèi)時(shí)間長(zhǎng)。而億信ABI基于這個(gè)需求，依賴十余年數(shù)倉經(jīng)驗(yàn)，推出可視化ETL功能，通過簡(jiǎn)單的拖拽就可以完成ETL過程，所以下面的講解我們以億信ABI為例。 1、程序設(shè)計(jì)人性化，操作更易用 一般情況下，ETL過程設(shè)計(jì)需要用到大量的代碼，且重復(fù)利用率較低。億信ABI中的ETL功能充分結(jié)合大量項(xiàng)目人員實(shí)施習(xí)慣，操作敏捷易用，可快速地建立起ETL過程，提高效率，降低實(shí)施難度。億信ABI有著更友好易用的數(shù)據(jù)處理體驗(yàn)： 數(shù)據(jù)處理支持批量創(chuàng)建，ETL定義支持?jǐn)?shù)據(jù)抽樣； 開發(fā)過程支持多人協(xié)同定義，共享資料庫，使得數(shù)據(jù)處理過程更高效； 系統(tǒng)內(nèi)部封裝大量清洗轉(zhuǎn)換規(guī)則，極大程度的降低技術(shù)門檻，只需簡(jiǎn)單的拖拽配置，即可玩轉(zhuǎn)數(shù)據(jù)處理； 2、擁有豐富的數(shù)據(jù)處理組件 億信ABI中的ETL組件豐富多樣，面向數(shù)據(jù)分析師精心打造，滿足各種各樣的數(shù)據(jù)處理場(chǎng)景。一般情況下，一個(gè)簡(jiǎn)單的數(shù)據(jù)處理需求，前期在技術(shù)人員這里可能徘徊2到3天，更何況還有后期的修改。有了豐富的可視化ETL組件，復(fù)用率高，屏蔽復(fù)雜的編碼任務(wù)，操作簡(jiǎn)單，數(shù)據(jù)處理更高效。 億信ABI中內(nèi)置組件包括：輸入輸出組件、轉(zhuǎn)換組件、流程組件、統(tǒng)計(jì)組件、數(shù)倉組件、腳本組件、大數(shù)據(jù)組件等。 以轉(zhuǎn)換組件里面的清洗組件為例，清洗組件支持記錄級(jí)清洗和字段級(jí)清洗，內(nèi)置50多種規(guī)則，支持在一個(gè)組件中完成多次清洗轉(zhuǎn)換設(shè)置。支持清洗前后結(jié)果預(yù)覽。 3、可以靈活的調(diào)度任務(wù) 一般情況下，ETL過程都會(huì)伴隨著調(diào)度任務(wù)的設(shè)置。比如，某銷售部門需要每周五抽取數(shù)據(jù)計(jì)算當(dāng)周銷售利潤(rùn)用于匯報(bào)，如果利用ETL實(shí)現(xiàn)，時(shí)間調(diào)度管理必不可少。億信ABI的ETL調(diào)度導(dǎo)向，深度考慮各使用場(chǎng)景，用戶只需簡(jiǎn)單操作，即可實(shí)現(xiàn)復(fù)雜的調(diào)度任務(wù)。 支持基于時(shí)間或事件的調(diào)度機(jī)制,如:任意事件周期、文件到達(dá)、腳本事件等； 調(diào)度設(shè)置支持crontab表達(dá)式； 調(diào)度設(shè)置能指定到月份、星期、日期、小時(shí)、分鐘的粒度； 支持設(shè)置調(diào)度的時(shí)間窗口，重調(diào)時(shí)間間隔等； 4、隔離設(shè)計(jì)，應(yīng)用更穩(wěn)定 為保證運(yùn)行環(huán)境的穩(wěn)定可靠，提供了設(shè)計(jì)區(qū)與運(yùn)行區(qū)隔離的機(jī)制，所有作業(yè)的修訂和更改通過在設(shè)計(jì)區(qū)完成調(diào)試和試運(yùn)行后，通過發(fā)布機(jī)制，發(fā)布到穩(wěn)定的運(yùn)行環(huán)境，保證開發(fā)和運(yùn)行兩不耽誤。 億信ABI除了高效的數(shù)據(jù)處理能力，還擁有智能分析引擎、高擴(kuò)展性、高集成性等亮點(diǎn)功能，在數(shù)據(jù)填報(bào)、數(shù)據(jù)處理、大屏可視化、自助分析、預(yù)測(cè)挖掘等場(chǎng)景的的應(yīng)用效果也首屈一指。 五、小結(jié) 對(duì)于ETL，我們要有一個(gè)清晰的認(rèn)識(shí)，它不是想象中的簡(jiǎn)單一蹴而就，在實(shí)際的過程，你可以會(huì)遇到各種各樣的問題，甚至是部門之間溝通的問題。出現(xiàn)以上問題時(shí)，可以和團(tuán)隊(duì)小伙伴或者業(yè)務(wù)側(cè)一起制定解決方案，不斷完善，只有這樣才能保證我們的業(yè)務(wù)分析結(jié)果是準(zhǔn)確的，才能指導(dǎo)公司做出正確的決策。也只有這樣，才能真正發(fā)揮ETL在企業(yè)中的作用。