使用Oracle内建功能构建ETL流程

经常听到客户抱怨一些企业级的数据仓库软件许可证过于昂贵；也曾经见到过一次性的Access到 Oracle的数据迁移就使用了DataStage（这是真的！在发现 Server版本不能连接Access后，还专门购买了DataStage for ODBC --__--!）。实际上一些简单的ETL流程完全可以使用Oracle内建的功能完成。本文的主旨在于说明这一思想，文中代码未必是最佳实践。本文中所有的代码经过了测试，但一些错误与疏忽还是难免的。如果你发现了错误，或者有不同的观点，欢迎讨论。

    概述
    假如把一个完整的数据仓库系统比作一个提供美味菜肴的餐馆，那么ETL系统就是这个餐馆的厨房。在大多数情况下，ETL对最终用户来说是透明的，正像食客往往不需要进入厨房获取服务，厨房也不会对食客开放。但是，ETL模块常常占用整个数据仓库项目70%以上的资源，实际情况也大概也是如此，厨师的工资比侍者要高出很多。

    在当前的数据仓库项目中，企业级ETL工具昂贵的许可证、培训费用常常使许多中小型用户望而却步。真实世界的应用中相当一部分的数据源(E) 都是以文件或数据库的方式提供，进行的转换 (T) 也可以在数据库之内完成，基于这一实际情况，利用Oracle自身的一些功能，我们可以构建相对简单的ETL流程。

    在Oracle9i中引入了外部表(External Table)的概念，通过访问驱动程序ORACLE_LOADER可以对数据库之外的文件进行只读的SQL查询。在Oracle10g中，提供了第二个访问驱动程序ORACLE_DATAPUMP，允许用户对外部表进行写操作，写出的结果文件以特定的结构保存并允许DPAPI访问，即该结果文件可以被加载到另一个数据库中。同时，新的访问驱动程序也支持列对象的投影。

    配合10g中新增的DBMS_SCHEDULER包，可以很方便地实现ETL工具的定时调度功能。这个新的DBMS_SCHEDULER包取代了原有的DBMS_JOB包，并提供了更加强大完善的功能，笔者在本文中仅举一简单示例说明。

Ralph Kimball在他的<The Data Warehouse ETL Toolkit>中提出了ECCD(Extract-Clean-Conform-Deliver)的架构，在此文章中笔者将使用ECCD的四个步骤进行描述：源系统通过FTP提供文件格式的数据源文件，使用ORACLE_LOADER访问驱动程序使用该文件构建外部表（抽取），与数据库中的标准数据表进行校验并写入对应的Staging表（清洗与整合），处理的结果通过ORACLE_DATAPUMP访问驱动程序写入目标文件（分发）。

准备工作
在使用外部表之前，首先要建立DIRECTORY对象。同时给需要进行外部表操作的用户赋予适当的权限。

SQL> CREATE OR REPLACE DIRECTORY source_dir as 'C:\oracle\oradata\source'; --源文件目录
Directory created.
SQL> grant connect, dba to stenny identified by stenny;
Grant succeeded.
SQL> CREATE OR REPLACE DIRECTORY source_dir as 'C:\oracle\oradata\source';
Directory created.
SQL> CREATE OR REPLACE DIRECTORY target_dir as 'C:\oracle\oradata\target';
Directory created.
SQL> CREATE OR REPLACE DIRECTORY log_dir as 'C:\oracle\oradata\log';
Directory created.
SQL> grant read on directory source_dir to stenny;
Grant succeeded.
SQL> grant write on directory target_dir to stenny;
Grant succeeded.
SQL> grant write on directory log_dir to stenny;
Grant succeeded.

    数据抽取— ORACLE_LOADER
    平文件的数据源一般有两种格式：定长格式或者分隔符格式，ORACLE_LOADER对这两种格式都提供支持。如果是分隔符格式的源文件，使用关键字FIELDS TERMINATED BY指定分隔符；如果是定长格式文件，使用关键字POSITION指定数据列的位置。
    --数据源文件product1.dat
    1,Bicycle,JiangSu
    2,Camps,ZheJiang
    3,Wearings,SiChuan
    4,Gloves,SiChuan
    5,Food,YunNan
    6,Shoes,NULL
    使用EXTERNAL ORGANIZATIONAL关键字构建外部表，注意DRIVER关键字指定了ORACLE_LOADER驱动；DEFAULT DIRECTORY子句指定了默认的操作目录；在ACCESS PARAMETERS子句中定义了分隔符、坏文件、LOG文件；LOCATION关键字指定了外部表依存的数据文件，如果存在多个文件，使用逗号分隔。

SQL> ed
Wrote file afiedt.buf

1 CREATE TABLE stenny_ext_product
2 (product_id NUMBER(4),
3 product_name VARCHAR2(20),
4 location VARCHAR2(25)
5 )
6 ORGANIZATION EXTERNAL
7 (
8 TYPE ORACLE_LOADER
9 DEFAULT DIRECTORY source_dir
10 ACCESS PARAMETERS
11 (
12 records delimited by newline
13 badfile log_dir:'bad_product.dat'
14 logfile log_dir:'product.log'
15 fields terminated by ','
16 missing field values are null
17 ( product_id, product_name, location )
18 )
19 LOCATION ('product1.dat')
20 )
21* REJECT LIMIT UNLIMITED
SQL> /

Table created.

SQL> select * from stennY_ext_product;

PRODUCT_ID PRODUCT_NAME LOCATION
---------- -------------------- -------------------------
1 Bicycle JiangSu
2 Camps ZheJiang
3 Wearings SiChuan
4 Gloves SiChuan
5 Food YunNan
6 Shoes NULL

6 rows selected.

经过上面的步骤，我们将数据库之外的一个平文件通过访问驱动程序ORACLE_LOADER与一个数据库表STENNY_EXT_PRODUCT建立了映射关系。我们对这个外部表可以进行排序，表连接等只读操作。

数据清洗与数据整合
在典型的数据仓库系统中，事实表中的大部分字段都采用KEY的形式进行存储。在我们的例子中，我们将对LOCATION列进行LOOKUP，满足地区标准的数据被视为正确数据并附以标准键值；如果出现在标准表中不存在的纪录，我们将认为其为脏数据。脏数据将被另行处理。我们的标准表为LOC_STD，正确记录的Staging表为STG_PRODUCT，异常记录的Staging表为STG_EXCEP。建表语句与测试数据见附录A。在数据文件中，ID为6的产品没有对应的Location，该记录将被视为异常记录。通过一个简单的存储过程，我们将STENNY_EXT_PRODUCT与LOC_STD表进行连接，正确的记录与异常记录将被写入对应的Staging表中。

--proc_txn_product
CREATE OR REPLACE PROCEDURE proc_txn_product AS
BEGIN
insert into stg_product select product_id,product_name,loc_id from stenny_ext_product,loc_std
where loc_std.loc_name=stenny_ext_product.location;
insert into stg_excep select * from stenny_ext_product where product_id not in (select product_ id from stg_product);
commit;
END proc_txn_product

执行存储过程可以得到如下的结果：

SQL> exec proc_txn_product;
PL/SQL procedure successfully completed.
SQL> select * from stg_product;
PRODUCT_ID PRODUCT_NAME LOC_ID
---------- -------------------- ----------
1 Bicycle 1
2 Camps 2
3 Wearings 3
4 Gloves 3
5 Food 4

SQL> select * from stg_excep;

PRODUCT_ID PRODUCT_NAME LOCATION
---------- -------------------- -------------------------
6 Shoes NULLEND proc_txn_product

    数据分发 – ORACLE_DATAPUMP
    在经过了上面的抽取、清洗整合的步骤后，我们将使用ORACLE_DATAPUMP将staging表中的数据写入目标文件中。典型的数据仓库系统最终的目标是数据库，而本文中的ECCD流程可以是数据准备的一个过程，众所周知，数据仓库的刷新频率与Staging区域可能不同，目标文件可以被传输到数据仓库系统，并按照其刷新频率进行第二步加载。顺便提一句，DBMS_SCHEDULER可以用来完成在数据库之间进行文件传输。

    下面的代码演示了如何使用ORACLE_DATAPUMP驱动访问程序unload数据库表的过程。

SQL> ed
Wrote file afiedt.buf

1 CREATE TABLE tgt_product
2 ORGANIZATION EXTERNAL (TYPE ORACLE_DATAPUMP
3 DEFAULT DIRECTORY target_dir
4 LOCATION ('tgt_product.dmp'))
5 PARALLEL 2
6 AS
7 SELECT product_id,
8 product_name,
9 loc_id
10* FROM stg_product
SQL> /

Table created.

SQL> select * from tgt_product;

PRODUCT_ID PRODUCT_NAME LOC_ID
---------- -------------------- ----------
1 Bicycle 1
2 Camps 2
3 Wearings 3
4 Gloves 3
5 Food 4

同时，在target_dir目录下可以看到创建的TGT_PRODUCT.DMP文件，该文件可以被加载到真正的目标数据库，但是必须使用ORACLE_DATAPUMP访问驱动程序。

定时调度 – DBMS_SCHEDULER
首先我们将使用proc_file_watcher存储过程每5分钟对某一个目录进行扫描等待文件。如果文件存在，调用proc_txn_product对文件进行处理，否则睡眠5分钟。这个文件扫描过程在周二早上4点钟被激活，如果超过8点文件还是没有到，可以抛出用户异常或者调用UTL_SMTP包发邮件通知相关责任人。

create or replace procedure proc_file_watcher
is
v_exists boolean;
v_file_length number;
v_blocksize number;
begin
<<L_sleeping_child>>
if to_char(sysdate,'hh24')>='08' then
--超时，可以调用UTL_SMTP
null;
else
utl_file.fgetattr('SOURCE_DIR','product1.dat',v_exists,v_file_length,v_blocksize);
if v_exists then
dbms_output.put_line('File there!');
proc_txn_product;
else
dbms_output.put_line('404 Error');
dbms_lock.sleep(300);
goto L_sleeping_child;
end if;
end if;
end proc_file_watcher;

现在，我们只需要将这个文件扫描程序加入调度，每个周二早上4点钟开始运行即可。
--创建程序

SQL> ed
Wrote file afiedt.buf

1 BEGIN
2 DBMS_SCHEDULER.CREATE_PROGRAM(
3 program_name=>'STENNY.STP_PROC_FILE_WATCHER',
4 program_action=>'STENNY.PROC_FILE_WATCHER',
5 program_type=>'STORED_PROCEDURE',
6 comments=>'Firing the ETL process if file arrives',
7 enabled=>TRUE);
8* END;
SQL> /

PL/SQL procedure successfully completed.
--创建调度
SQL> ed
Wrote file afiedt.buf

1 BEGIN
2 SYS.DBMS_SCHEDULER.CREATE_SCHEDULE(
3 repeat_interval => 'FREQ=WEEKLY;BYDAY=TUE;BYHOUR=8;BYMINUTE=0;BYSECOND=0',
4 start_date => to_timestamp_tz('2004-04-27 US/Central', 'YYYY-MM-DD TZR'),
5 comments => 'Tuesday AM Schedule',
6 schedule_name => '"STENNY"."SCS_TXN_PROD"');
7* END;
SQL> /

PL/SQL procedure successfully completed.
创建工作
SQL> ed
Wrote file afiedt.buf

1 BEGIN
2 SYS.DBMS_SCHEDULER.CREATE_JOB(
3 job_name => 'STENNY.SCJ_TXN_PROD',
4 program_name => 'STENNY.STP_PROC_FILE_WATCHER',
5 schedule_name => 'STENNY.SCS_TXN_PROD',
6 comments => 'Start the ETL process on Tuesday',
7 auto_drop => FALSE,
8 enabled => TRUE);
9* END;
SQL> /

PL/SQL procedure successfully completed.
--进行测试
SQL> select count(*) from stenny.stg_product;

COUNT(*)
----------
0
SQL> EXEC DBMS_SCHEDULER.RUN_JOB('STENNY.SCJ_TXN_PROD',FALSE);

PL/SQL procedure successfully completed.

SQL> select count(*) from stenny.stg_product;

COUNT(*)
----------

附录A, 创建测试表的语句

--stg_excep
Create table stg_excep as select * from stenny_ext_product where 1=2;
--stg_product
CREATE TABLE STG_PRODUCT
(
PRODUCT_ID NUMBER,
PRODUCT_NAME VARCHAR2(20),
LOC_ID NUMBER
);
--loc_std
CREATE TABLE LOC_STD
(
LOC_ID NUMBER,
LOC_NAME VARCHAR2(20)
);
INSERT INTO LOC_STD ( LOC_ID, LOC_NAME ) VALUES ( 1, 'JiangSu');
INSERT INTO LOC_STD ( LOC_ID, LOC_NAME ) VALUES ( 2, 'ZheJiang');
INSERT INTO LOC_STD ( LOC_ID, LOC_NAME ) VALUES ( 3, 'SiChuan');
INSERT INTO LOC_STD ( LOC_ID, LOC_NAME ) VALUES ( 4, 'YunNan');

posted on 2009-03-10 15:59 一江水阅读(4243) 评论(0) 编辑收藏举报