第一章ETL入门
1.1 OLPT和数据仓库对比
普通的事务系统和商业智能系统(BI)有什么区别?1个独立的普通事务系统也被称为在线事务处理系统(OLTP)商业智能系统也常被称为决策支持系统(DSS)
OLTP和BI数据库最大的区别在于处理的数据量。对比使用中BI系统也经常作为业务系统的一部分,预先处理好一部分数据提供给业务系统调用并展现。
1.2 ETL是什么
ETL是抽取、转换、加载的缩写。含义为从数据源抽取数据加工到数据仓库的一些操作的集合。抽取:一般需要连接到不同的数据源转换:任何对数据的处理都是转换比如以下操作
加载:将数据加载到目标系统的所有操作(不仅包含目标表)。
ETL的演化过程(1)手动编程时期(2)ETL工具(基于自动化代码):根据设计好的工作量自动生成代码。最大的问题是仅限于有限的数据库。(3)ETL工具(基于引擎):
数据仓库和数据集市的区别:数据仓库是单一的,大量数据的存储仓库,涉及各种主题和各个业务领域。通常一个数据仓库不能准备终端用户直接访问。数据集市可被终端用户直接访问,并且是以数据分析为目的的。我们可能基于某几个分析主题的需要,从数据仓库中读取数据建立数据集市。
ETL的基本构成:ETL就像一个业务流程,具有输入,加工,输出等多个环节和处理步骤。
1.3 ETL,ELT,EII
ETL: 从1/N个数据源抽取数据,经过1/N步架构,物理存储到目标环境中,目标环境通常是数据仓库。ELT: 抽取、加载、转换的简称,与ETL不同的在于数据整合的方法上略有不同:抽取数据到目标数据库后再转换。而ETL是抽取,转换后在加载到目标环境。另外的不同,ELT需要知道使用目标数据库对应的SQL方言。
EII: 虚拟数据整合,无需将数据复制到或移动到数据仓库。不需要额外存储,数据永远都是最新的。比较如下
1.4 挑战
数据整合的挑战在于 1需要对业务的理解 2技术的要求。
其他部分:Kettle是作者使用java基于敏捷方法迭代开发完成的工具。
1.5 ETL工具的功能
1 连接到数据源(db,文本,xml,excel),支持FTP,ssh方式获取数据2 能运行在不同平台3 支持集群,支持将数据根据要求进行分发处理,支持并发(复制:1份数据复制后处理 2分发:1数据分多份给不同处理)4 扩展性5 数据转换:ETL很大一部分工作是数据转换。在输入和输出之间可能需要如下的数据转换操作:效验、合并、转置、克隆、排重、过滤、删除、聚集、条件分割、替换、、缓慢变更纬度等。Kettle甚至还支持树形自关联这样的表的数据的加载转换(oracle的Connect by prior)。6 测试7 日志和审计8 血统和影响分析 (血统的含义:从数据追溯到其对应的元数据)