CDC+ETL实现数据集成方案

欢迎咨询，合作！ weix：wonter

名词解释：

CDC又称变更数据捕获（Change Data Capture），开启cdc的源表在插入INSERT、更新UPDATE和删除DELETE活动时会插入数据到日志表中。CDC通过捕获进程将变更数据捕获到变更表中，通过cdc提供的查询函数，我们可以捕获这部分数据。

ETL数据仓库技术（Extract-Transform-Load），它是将数据从源系统加载到数据仓库的过程。用来描述将数据从来源端经过萃取（extract）、转置（transform）、加载（load）至目的端的过程。使用到的工具包含（kettle、flume、sqoop）。

Kettle基于JAVA的ETL工具，支持图形化的GUI设计界面，然后可以以工作流的形式流转，在做一些简单或复杂的数据抽取、质量检测、数据清洗、数据转换、数据过滤等方面有着比较稳定的表现。

Flume是Cloudera提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统，Flume支持在日志系统中定制各类数据发送方，用于收集数据；同时，Flume提供对数据进行简单处理，并写到各种数据接受方（可定制）的能力。

Sqoop是Apache开源软件，主要用于在HADOOP(Hive)与传统的数据库(mysql、postgresql…)间进行数据的传递。
适用于能与大数据集群直接通信的关系数据库间的大批量数据传输。

数据集成方案对比

数据集成有两种方案：

一种是通过ESB接口方式进行数据集成，优点是数据的时效性高，但最大的弊端是依赖于业务系统的接口改造，往往会涉及和厂商的接口费用。另一种方式就是通过ETL方式抽取数据，并通过CDC方式实现数据实时同步，优点是不依赖于业务系统，只需要获取业务系统数据库权限便可实现集成。

CDC+ETL数据集成方案

第一步：通过kettle抽取历史数据到数仓中间库。

支持图形化的GUI设计界面，方便第一轮实施人员无业务化操作流程，稳定、高效。

第二步：业务系统镜像数据库启动CDC功能，并实时同步数据到数仓中间库。

该技术通过读取镜像数据库日志文件，解析回放数据库操作方式，实现业务数据变更捕获。日志读取、解析、回放等操作都是在镜像数据库上进行，业务数据库只会产生少量的I/O开销，以最大限度地降低对业务系统的影响。

第三步：通过Sqoop从中间库抽取历史数据到Haoop。

使用颐东数仓配置数据目录映射关系，自动生成跨数据库抽取的SQL语句。

第四步：基础表通过CDC功能实时同步数据到Hadoop。

基础表为人员信息表、数据字典表等会经常维护变更的表。

第五步：记录表通过flume增量实时抽取数据到Hadoop。

记录表为数据携带时间戳的表，该表内容变更多以修改操作状态形式增量添加。

第六步：数据中台

数据湖提供数据中台服务，根据业务活动，自定义勾选数据集市所需字段，生成ElasticSearch索引，并自动生成数据接口。

需要考虑的几个问题

做数据集成前需要对业务表进行分析

1、哪些表是基础表（需对原数据做物理变更操作），哪些表是记录表

2、集成后哪些数据需要实时查询，哪些数据可以离线查询（生成调度任务，延时给出结果。）

数据应用

CTO老王