04_ETL测试基本知识

一、ETL测试的重要性：

ETL(Extract-Transform-Load的缩写，即数据抽取、转换、装载的过程)作为BI/DW（Business Intelligence）的核心和灵魂，能够按照统一的规则集成并提高数据的价值，是负责完成数据从数据源向目标数据仓库转化的过程，是实施数据仓库的重要步骤。如果说数据仓库的模型设计是一座大厦的设计蓝图，数据是砖瓦的话，那么ETL就是建设大厦的过程。在整个项目中最难部分是用户需求分析和模型设计，而ETL规则设计和实施则是工作量最大的，约占整个项目的60%～80%，这是国内外从众多实践中得到的普遍共识。 

在技术上，ETL主要涉及到关联、转换、增量、调度和监控等几个方面；数据仓库系统中数据不要求与联机事务处理系统中数据实时同步，所以ETL可以定时进行。但多个ETL的操作时间、顺序和成败对数据仓库中信息的有效性至关重要。所以做好ETL测试也至关重要。 

二、ETL测试过程： 

在独立验证与确认下，与任何其他测试一样，ETL也经历同样的阶段。 

1）业务和需求分析并验证。 

2）测试方案编写 

3）从所有可用的输入条件来设计测试用例和测试场景进行测试 

4）执行所有用例直到满足退出标准 

5）书写总结报告和测试过程结束。 

三、ETL测试的规则： 

测试数据的正确性、一致性、完整性 

四、ETL测试的方法 

1.数据量统计： 

源表和目标表数据量统计 

2.转换规则测试 

首先是数据格式的合法性。对于数据源中时间、数值、字符等数据的处理，是否符合数据仓库规则，是否进行统一的转换。 

其次是值域的有效性。是否有超出维表或者业务值域的范围。 

第三是空值的处理。是否捕获字段空值，或者需要对空值进行替换为其他含义值的处理。 

第四是主键的有效性。主键是否唯一。 

第五是乱码的检查。特殊符号或者乱码符号的护理规则。 

第六是脏数据的处理。比如不符合业务逻辑的数据 

3.关键字段测试 

    通过转换规则，查询关键字段是否正确。比如保费收入字段，看其是否乘以汇率，共保比率等; 

    一般表中会添加时间戳，时间戳数据和数据格式是否正确 

4.抽样测试 

通过抽样，测试源表和目标表映射是否正确。 

5.加载规则测试 

     一般加载方式有两种：全量加载和增量加载 

     增量加载一般是先删后插（delete and insert）。 

     全量加载一般是先清空再插入（truncate and insert)，但也要分情况，我们做的项目，源-->ODSSGA层为先清空后插入，向外提供的接口数据则为先删后插，这需要根据不同的情况不同对待。 

     增量加载方式 

     对于增量抽取，捕捉变化的数据有如下几种：1)采用快照方式。需要业务系统建立insert,update,delete触发器。2)时间戳方式，在业务系统表建一个时间戳字段，一旦数据发生变化，则修改此字段。3)全表删除插入方式，每次ETL操作先将目标表数据删除，然后抽取。4)hash比对，是全表比对的一个扩展，通过计算主要业务字段的MD5校验码存入hash维表，通过与hash维表的比对进行抽取。5)日志表方式，跟进业务系统的日志表进行数据抽取。6)oracle变化数据捕捉，通过分析数据库自身日志判断变化的数据。 

     由于我们采取的是时间戳方式，这里就只介绍这种方式的测试方案。 

     1）测试结果是否遗漏数据，如果为时间戳方式，要尤其注意时间戳是否带时分秒 

     2）增量规则是否正确 

        对于源表做好足够的数据探查，明白源表中的数据的增量是怎么回事，必要时需要讨论，然后根据业务规则做增量规则方案。 

     3）监控增量数据 

因为项目在上线前一般都会试运行一段时间，所以在这段时间，就要每天做表中数据量的的监控。 

对于日全量表的监控：只要看源表和目标表数据量是否一致就可以对于增量数据量监控：看全量+增量的数据是否与源表数据量是否一致。根据不同的业务规则，查看是否正确。 

然后通过多日监控，可以发现不管是增量还是全量，数据量基本都会处于一个值左右，幅度不会太大，如果出现特殊情况，就要去考虑检查一下它的正确性了。 

     4）监控增量运行时间 

     通过监控增量的运行时长，可以发现性能问题和批量数据的运行是否成功。对于时间浮动比较大的增量表，可以第一时间发现问题并解决问题。 

     全量加载方式 

     由于我们采取的是全量加载+增量加载（采用时间戳方式），我这里指的全量加载即数据仓库中数据的初始化。 

     全量加载的测试方案相对要简单些。 

     1）测试源和目标表的数据量的一致性 

     2）运行1,2,3,4测试测试方法测试一般来说即可。    

6.性能测试 

     确保数据在规定和预计的时间内被加载到数据仓库中，以确认改进的性能和可扩展性。 

7.测试用例 

    项目中的关键业务，复杂逻辑部分作为测试重点 

    基础数据：可以为真实数据，也可以单纯手工造数据。因为ETL数据量较大，并且表中字段数量比较多，各表关联比较大，所以本人觉得还是用真实数据效率比较高。 

    测试用例的编写：测试用例可以单独设计，也可以采用调度的思想进行设计，采用调度方法进行设计时，能一次验证多个用例，另外也方便回归。 

8.发布实施后 

    1）.测试Datastage中源、目标映射是否一致 

    2）.测试开发库和生产库中ETL程序是否一致 

    3）.监控增量数据和增量运行时间。 

增量数据监控：项目发布后，我们可以观察数据的波动趋势，一般来说数据的波动是在一定范围，遵循一定原则的，如果发现数据波动超出了预计范围，这个时候就需要特别注意了。 

增量运行时间监控：往往项目上线后，比较在意的是性能问题，以确保在规定的时间内，完成跑批。我们要通过监控增量运行时间，及时发现程序的性能问题。