浅谈数据仓库的ETL
一、基本概念
ETL，它是Extract、Transform、Load三个单词的首写字母。ETL是建立数据仓库最重要的处理过程，也是工作量最大的环节，一般会占到整个数据仓库建立的一半工作量。
- 抽取：从操作型数据源获取数据；
- 转换：转换数据，使之转变为适用于查询和分析的形式和结构；
- 装载：将转换后的数据导入到最终的目标数据仓库；
建立一个数据仓库，就是要把来自多个异构的源系统的数据集成在一起，然后放置于一个集中的位置，用于数据分析。
二、E：抽取
典型的源系统一般是事务处理应用，可能是一个销售分析数据仓库的源系统之一，又可能是一个订单录入系统，其中包括了订单的相关操作的全部行为记录。这些记录很多，很复杂，确定需要抽取的数据（目标数据）非常困难。通常数据都不是只抽取一次，而是需要一定的时间间隔反复抽取，通过这样的方式把数据的所有变化提供给数据仓库，保持数据的及时性。假设已经明确抽取的目标数据，就可以考虑使用哪种抽取方法。
抽取方法的选择高度依赖于源系统和目标数仓环境的业务需求。一般遵循两大原则：一、不可在源系统添加额外的逻辑；二、不能增加源系统的工作负载。即不可以对源系统具有侵入性。下面介绍抽取的两大方法：逻辑抽取和物理抽取。
1、逻辑抽取
逻辑抽取分为：全量抽取和增量抽取。
1.1 全量抽取
全量，即将源系统的全部数据都抽取过来。这种抽取方式有一种好处，就是不需要跟踪自上次成功抽取以来的数据变化，不需要给源系统数据附加逻辑信息（譬如时间戳）。一般情况下，第一次抽取会采用全量抽取。
1.2 增量抽取
增量，只抽取某个事件发生的特定时间点之后的数据，即某个时间点变化的数据。往往源系统的数据量是非常庞大的，譬如一些c端的行为信息，那么采用全量抽取，会使得抽取的效率很慢，所以增量抽取是一种很好的手段。使用增量抽取，必须能够标识出特定时间点之后所有的数据变化，因为数据由源系统提供，那么常用的可以是在抽取逻辑上将时间戳提取出来，作为标识。增量抽取的技术，也常被称作“变化数据获取”，简称“CDC”。常用的有四种手段：时间戳、快照、触发器和日志。
- 时间戳：需要源系统有相应的时间数据列标识；
- 快照：可以使用OLTP数据库系统自带的机制实现，也可以自定义实现；
- 触发器：触发器是关系型数据库的特性；
- 日志：可以使用应用日志或者系统日志，这种方式对源系统不具有侵入性，但需要额外的日志解析工作；
在很多数据仓库中，抽取过程并不含有任何变化数据捕获技术，其增量抽取的过程是这样的：把源系统中的整个表抽取到数据仓库过渡区，然后用这个表的数据和上次从源系统抽取的表数据做对比，从而得到变化的数据。当然，这种做法会给数仓处理增加负担，特别是数据量特别大的时候。
2、物理抽取
依赖于选择的逻辑抽取方法，以及能够对源系统所做的操作和所受的限制，可以有两种物理抽取机制：联机抽取和脱机抽取。
2.1 联机抽取
数据直接从源系统抽取。
2.2 脱机抽取
数据不从源系统直接抽取，而是从一个源系统以外的过渡区抽取。过渡区可以是已经存在（如数据库备份文件、重做日志或者归档日志），也可以是抽取程序自己建立。
三、T：转换
数据从操作型源系统获取之后，需要多种转换操作，如统一数据类型、处理拼写错误、消除数据歧义、解析为标准格式等。数据转换一个重要的功能是数据清洗，目的是只有“合规”的数据才能进入目标数据仓库。转换操作是ETL最复杂，最繁琐的环节，占据整个ETL50%时间，由于篇幅有限，这里不详细说明。
四、L：加载
ETL的最后步骤是把转换后的数据装载进目标数据仓库，需要关注的两个问题：
1、数据的装载效率
要提高装载的效率，可以从下面几个方面入手：
- 保证足够的系统资源；
- 海量数据情况下，服务器具备高性能，资源独占，即不与其他系统共用；
- 禁用数据库约束（唯一性、非空性，检查约束等），装载结束，再启动这些约束；
- 不使用外键约束；
2、一旦装载中途失败，如何再次重复执行装载过程
需要再次执行装载过程，一般有两种情况。
一种情况是，数据装载过程中，可能由于各种原因而失败，比如源表与目标表的结构不一致，而这时已经有部分表装载成功。那么，在大数据情况下，如何只装载失败的部分数据，是一个不小的挑战。这种情况下，解决方案是记录失败点，并在装载程序中处理相关逻辑。
另一种情况是，装载成功后，某些数据滞后了，会带来数据的更新或新增，对于这种情况，是先删除再插入，或者使用replace into、merge into等类似功能的操作。
（附上一张简单的关系图）
