做數(shù)據(jù)倉庫系統(tǒng)，ETL是關鍵的一環(huán)。說大了，ETL是數(shù)據(jù)整合解決方案，說小了，就是導數(shù)據(jù)的工具?；貞浺幌鹿ぷ鬟@么些年來，處理數(shù)據(jù)遷移、轉(zhuǎn)換的工作倒還真的不少。但是那些工作基本上是一次性工作或者很小數(shù)據(jù)量，使用access、DTS或是自己編個小程序搞定?？墒窃跀?shù)據(jù)倉庫系統(tǒng)中，ETL上升到了一定的理論高度，和原來小打小鬧的工具使用不同了。究竟什么不同，從名字上就可以看到，人家已經(jīng)將倒數(shù)據(jù)的過程分成3個步驟，E、T、L分別代表抽取、轉(zhuǎn)換和裝載。其實ETL過程就是數(shù)據(jù)流動的過程，從不同的數(shù)據(jù)源流向不同的目標數(shù)據(jù)。但在數(shù)據(jù)倉庫中，ETL有幾個特點，一是數(shù)據(jù)同步，它不是一次性倒完數(shù)據(jù)就拉到，它是經(jīng)常性的活動，按照固定周期運行的，甚至現(xiàn)在還有人提出了實時ETL的概念。二是數(shù)據(jù)量，一般都是巨大的，值得你將數(shù)據(jù)流動的過程拆分成E、T和L。現(xiàn)在有很多成熟的工具提供ETL功能，例如datastage、powermart等，且不說他們的好壞。從應用角度來說，ETL的過程其實不是非常復雜，這些工具給數(shù)據(jù)倉庫工程帶來很大的便利性，特別是開發(fā)的便利和維護的便利。但另一方面，開發(fā)人員容易迷失在這些工具中。舉個例子，VB是一種非常簡單的語言并且也是非常易用的編程工具，上手特別快，但是真正VB的高手有多少？微軟設計的產(chǎn)品通常有個原則是“將使用者當作傻瓜”，在這個原則下，微軟的東西確實非常好用，但是對于開發(fā)者，如果你自己也將自己當作傻瓜，那就真的傻了。ETL工具也是一樣，這些工具為我們提供圖形化界面，讓我們將主要的精力放在規(guī)則上，以期提高開發(fā)效率。從使用效果來說，確實使用這些工具能夠非?？焖俚貥嫿ㄒ粋€job來處理某個數(shù)據(jù)，不過從整體來看，并不見得他的整體效率會高多少。問題主要不是出在工具上，而是在設計、開發(fā)人員上。他們迷失在工具中，沒有去探求ETL的本質(zhì)?？梢哉f這些工具應用了這么長時間，在這么多項目、環(huán)境中應用，它必然有它成功之處，它必定體現(xiàn)了ETL的本質(zhì)。如果我們不透過表面這些工具的簡單使用去看它背后蘊涵的思想，最終我們作出來的東西也就是一個個獨立的job，將他們整合起來仍然有巨大的工作量。大家都知道“理論與實踐相結合”，如果在一個領域有所超越，必須要在理論水平上達到一定的高度。探求ETL本質(zhì)之一ETL的過程就是數(shù)據(jù)流動的過程，從不同異構數(shù)據(jù)源流向統(tǒng)一的目標數(shù)據(jù)。其間，數(shù)據(jù)的抽取、清洗、轉(zhuǎn)換和裝載形成串行或并行的過程。ETL的核心還是在于T這個過程，也就是轉(zhuǎn)換，而抽取和裝載一般可以作為轉(zhuǎn)換的輸入和輸出，或者，它們作為一個單獨的部件，其復雜度沒有轉(zhuǎn)換部件高。和OLTP系統(tǒng)中不同，那里充滿這單條記錄的insert、update和select等操作，ETL過程一般都是批量操作，例如它的裝載多采用批量裝載工具，一般都是DBMS系統(tǒng)自身附帶的工具，例如OracleSQLLoader和DB2autoloader等。ETL本身有一些特點，在一些工具中都有體現(xiàn)，下面以datastage和powermart舉例來說。1、靜態(tài)的ETL單元和動態(tài)的ETL單元實例一次轉(zhuǎn)換指明了某種格式的數(shù)據(jù)如何格式化成另一種格式的數(shù)據(jù)，對于數(shù)據(jù)源的物理形式在設計時可以不用指定，它可以在運行時，當這個ETL單元創(chuàng)建一個實例時才指定。對于靜態(tài)和動態(tài)的ETL單元，Datastage沒有嚴格區(qū)分，它的一個Job就是實現(xiàn)這個功能，在早期版本，一個Job同時不能運行兩次，所以一個Job相當于一個實例，在后期版本，它支持multipleinstances，而且還不是默認選項。Powermart中將這兩個概念加以區(qū)分，靜態(tài)的叫做Mapping，動態(tài)運行時叫做Session。2、ETL元數(shù)據(jù)元數(shù)據(jù)是描述數(shù)據(jù)的數(shù)據(jù)，他的含義非常廣泛，這里僅指ETL的元數(shù)據(jù)。主要包括每次轉(zhuǎn)換前后的數(shù)據(jù)結構和轉(zhuǎn)換的規(guī)則。ETL元數(shù)據(jù)還包括形式參數(shù)的管理，形式參數(shù)的ETL單元定義的參數(shù)，相對還有實參，它是運行時指定的參數(shù)，實參不在元數(shù)據(jù)管理范圍之內(nèi)。3、數(shù)據(jù)流程的控制要有可視化的流程編輯工具，提供流程定義和流程監(jiān)控功能。流程調(diào)度的最小單位是ETL單元實例，ETL單元是不能再細分的ETL過程，當然這由開發(fā)者來控制，例如可以將抽取、轉(zhuǎn)換放在一個ETL單元中，那樣這個抽取和轉(zhuǎn)換只能同時運行，而如果將他們分作兩個單元，可以分別運行，這有利于錯誤恢復操作。當然，ETL單元究竟應該細分到什么程度應該依據(jù)具體應用來看，目前還沒有找到很好的細分策略。比如，我們可以規(guī)定將裝載一個表的功能作為一個ETL單元，但是不可否認，這樣的ETL單元之間會有很多共同的操作，例如兩個單元共用一個Hash表，要將這個Hash表裝入內(nèi)存兩次。4、轉(zhuǎn)換規(guī)則的定義方法提供函數(shù)集常用規(guī)則方法，提供規(guī)則定義語言描述規(guī)則。5、對數(shù)據(jù)的快速索引一般都是利用Hash技術，將參照關系表提前裝入內(nèi)存，在轉(zhuǎn)換時查找這個hash表。Datastage中有Hash文件技術，Powermart也有類似的Lookup功能。探求ETL本質(zhì)之二（分類）一般來說，我們眼中的ETL工具都是價格昂貴，能夠處理海量數(shù)據(jù)的家伙，但是這是其中的一種。它可以分成4種，針對不同的需求，主要是從轉(zhuǎn)換規(guī)則的復雜度和數(shù)據(jù)量大小來看。它們包括1、交互式運行環(huán)境，你可以指定數(shù)據(jù)源、目標數(shù)據(jù)，指定規(guī)則，立馬ETL。這種交互式的操作無疑非常方便，但是只能適合小數(shù)據(jù)量和復雜度不高的ETL過程，因為一旦規(guī)則復雜了，可能需要語言級的描述，不能簡簡單單拖拖拽拽就可以的。還有數(shù)據(jù)量的問題，這種交互式必然建立在解釋型語言基礎上，另外他的靈活性必然要犧牲一定的性能為代價。所以如果要處理海量數(shù)據(jù)的話，每次讀取一條記錄，每次對規(guī)則進行解釋執(zhí)行，每次再寫入一條記錄，這對性能影響是非常大的。2、專門編碼型的，它提供了一個基于某種語言的程序框架，你可以不必將編程精力放在一些周邊的功能上，例如讀文件功能、寫數(shù)據(jù)庫的功能，而將精力主要放在規(guī)則的實現(xiàn)上面。這種近似手工代碼的性能肯定是沒話說，除非你的編程技巧不過關（這也是不可忽視的因素之一）。對于處理大數(shù)據(jù)量，處理復雜轉(zhuǎn)換邏輯，這種方式的ETL實現(xiàn)是非常直觀的。3、代碼生成器型的，它就像是一個ETL代碼生成器，提供簡單的圖形化界面操作，讓你拖拖拽拽將轉(zhuǎn)換規(guī)則都設定好，其實他的后臺都是生成基于某種語言的程序，要運行這個ETL過程，必須要編譯才行。Datastage就是類似這樣的產(chǎn)品，設計好的job必須要編譯，這避免了每次轉(zhuǎn)換的解釋執(zhí)行，但是不知道它生成的中間語言是什么。以前我設計的ETL工具大挪移其實也是歸屬于這一類，它提供了界面讓用戶編寫規(guī)則，最后生成C++語言，編譯后即可運行。這類工具的特點就是要在界面上下狠功夫，必須讓用戶輕松定義一個ETL過程，提供豐富的插件來完成讀、寫和轉(zhuǎn)換函數(shù)。大挪移在這方面就太弱了，規(guī)則必須手寫，而且要寫成標準c++語法，這未免還是有點難為最終用戶了，還不如做成一個專業(yè)編碼型的產(chǎn)品呢。另外一點，這類工具必須提供面向?qū)＜覒玫墓δ?，因為它不可能考慮到所有的轉(zhuǎn)換規(guī)則和所有的讀寫，一方面提供插件接口來讓第三方編寫特定的插件，另一方面還有提供特定語言來實現(xiàn)高級功能。例如Datastage提供一種類Basic的語言，不過他的Job的腳本化實現(xiàn)好像就做的不太好，只能手工繪制job，而不能編程實現(xiàn)Job。4、最后還有一種類型叫做數(shù)據(jù)集線器，顧名思義，他就是像Hub一樣地工作。將這種類型分出來和上面幾種分類在標準上有所差異，上面三種更多指ETL實現(xiàn)的方法，此類主要從數(shù)據(jù)處理角度。目前有一些產(chǎn)品屬于EAI（EnterpriseApplicationIntegration），它的數(shù)據(jù)集成主要是一種準實時性。所以這類產(chǎn)品就像Hub一樣，不斷接收各種異構數(shù)據(jù)源來的數(shù)據(jù)，經(jīng)過處理，再實施發(fā)送到不同的目標數(shù)據(jù)中去。雖然，這些看似各又千秋，特別在BI項目中，面對海量數(shù)據(jù)的ETL時，中間兩種的選擇就開始了，在選擇過程中，必須要考慮到開發(fā)效率、維護方面、性能、學習曲線、人員技能等各方面因素，當然還有最重要也是最現(xiàn)實的因素就是客戶的意象。探求ETL本質(zhì)之三（轉(zhuǎn)換）ETL過程最復雜的部分就是T，這個轉(zhuǎn)換過程，T過程究竟有哪些類型呢？一、宏觀輸入輸出從對數(shù)據(jù)源的整個宏觀處理分，看看一個ETL過程的輸入輸出，可以分成下面幾類：1、大小交，這種處理在數(shù)據(jù)清洗過程是常見了，例如從數(shù)據(jù)源到ODS階段，如果數(shù)據(jù)倉庫采用維度建模，而且維度基本采用代理鍵的話，必然存在代碼到此鍵值的轉(zhuǎn)換。如果用SQL實現(xiàn)，必然需要將一個大表和一堆小表都Join起來，當然如果使用ETL工具的話，一般都是先將小表讀入內(nèi)存中再處理。這種情況，輸出數(shù)據(jù)的粒度和大表一樣。2、大大交，大表和大表之間關聯(lián)也是一個重要的課題，當然其中要有一個主表，在邏輯上，應當是主表LeftJoin輔表。大表之間的關聯(lián)存在最大的問題就是性能和穩(wěn)定性，對于海量數(shù)據(jù)來說，必須有優(yōu)化的方法來處理他們的關聯(lián)，另外，對于大數(shù)據(jù)的處理無疑會占用太多的系統(tǒng)資源，出錯的幾率非常大，如何做到有效錯誤恢復也是個問題。對于這種情況，我們建議還是盡量將大表拆分成適度的稍小一點的表，形成大小交的類型。這類情況的輸出數(shù)據(jù)粒度和主表一樣。3、站著進來，躺著出去。事務系統(tǒng)中為了提高系統(tǒng)靈活性和擴展性，很多信息放在代碼表中維護，所以它的“事實表”就是一種窄表，而在數(shù)據(jù)倉庫中，通常要進行寬化，從行變成列，所以稱這種處理情況叫做“站著進來，躺著出去”。大家對Decode肯定不陌生，這是進行寬表化常見的手段之一。窄表變寬表的過程主要體現(xiàn)在對窄表中那個代碼字段的操作。這種情況，窄表是輸入，寬表是輸出，寬表的粒度必定要比窄表粗一些，就粗在那個代碼字段上。4、聚集數(shù)據(jù)倉庫中重要的任務就是沉淀數(shù)據(jù)，聚集是必不可少的操作，它是粗化數(shù)據(jù)粒度的過程。聚集本身其實很簡單，就是類似SQL中Groupby的操作，選取特定字段（維度），對度量字段再使用某種聚集函數(shù)。但是對于大數(shù)據(jù)量情況下，聚集算法的優(yōu)化仍是探究的一個課題。例如是直接使用SQL的Groupby，還是先排序再處理。二、微觀規(guī)則從數(shù)據(jù)的轉(zhuǎn)換的微觀細節(jié)分，可以分成下面的幾個基本類型，當然還有一些復雜的組合情況，例如先運算，在參照轉(zhuǎn)換的規(guī)則，這種基于基本類型組合的情況就不在此列了。ETL的規(guī)則是依賴目標數(shù)據(jù)的，目標數(shù)據(jù)有多少字段，就有多少條規(guī)則。1、直接映射，原來是什么就是什么，原封不動照搬過來，對這樣的規(guī)則，如果數(shù)據(jù)源字段和目標字段長度或精度不符，需要特別注意看是否真的可以直接映射還是需要做一些簡單運算。2、字段運算，數(shù)據(jù)源的一個或多個字段進行數(shù)學運算得到的目標字段，這種規(guī)則一般對數(shù)值型字段而言。3、參照轉(zhuǎn)換，在轉(zhuǎn)換中通常要用數(shù)據(jù)源的一個或多個字段作為Key，去一個關聯(lián)數(shù)組中去搜索特定值，而且應該只能得到唯一值。這個關聯(lián)數(shù)組使用Hash算法實現(xiàn)是比較合適也是最常見的，在整個ETL開始之前，它就裝入內(nèi)存，對性能提高的幫助非常大。4、字符串處理，從數(shù)據(jù)源某個字符串字段中經(jīng)常可以獲取特定信息，例如身份證號。而且，經(jīng)常會有數(shù)值型值以字符串形式體現(xiàn)。對字符串的操作通常有類型轉(zhuǎn)換、字符串截取等。但是由于字符類型字段的隨意性也造成了臟數(shù)據(jù)的隱患，所以在處理這種規(guī)則的時候，一定要加上異常處理。5、空值判斷，對于空值的處理是數(shù)據(jù)倉庫中一個常見問題，是將它作為臟數(shù)據(jù)還是作為特定一種維成員？這恐怕還要看應用的情況，也是需要進一步探求的。但是無論怎樣，對于可能有NULL值的字段，不要采用“直接映射”的規(guī)則類型，必須對空值進行判斷，目前我們的建議是將它轉(zhuǎn)換成特定的值。6、日期轉(zhuǎn)換，在數(shù)據(jù)倉庫中日期值一般都會有特定的，不同于日期類型值的表示方法，例如使用8位整型20040801表示日期。而在數(shù)據(jù)源中，這種字段基本都是日期類型的，所以對于這樣的規(guī)則，需要一些共通函數(shù)來處理將日期轉(zhuǎn)換為8位日期值、6位月份值等。7、日期運算，基于日期，我們通常會計算日差、月差、時長等。一般數(shù)據(jù)庫提供的日期運算函數(shù)都是基于日期型的，而在數(shù)據(jù)倉庫中采用特定類型來表示日期的話，必須有一套自己的日期運算函數(shù)集。8、聚集運算，對于事實表中的度量字段，他們通常是通過數(shù)據(jù)源一個或多個字段運用聚集函數(shù)得來的，這些聚集函數(shù)為SQL標準中，包括sum,count,avg,min,max。9、既定取值，這種規(guī)則和以上各種類型規(guī)則的差別就在于它不依賴于數(shù)據(jù)源字段，對目標字段取一個固定的或是依賴系統(tǒng)的值。探求ETL本質(zhì)之四（數(shù)據(jù)質(zhì)量）“不要絕對的數(shù)據(jù)準確，但要知道為什么不準確?！边@是我們在構建BI系統(tǒng)是對數(shù)據(jù)準確性的要求。確實，對絕對的數(shù)據(jù)準確誰也沒有把握，不僅是系統(tǒng)集成商，包括客戶也是無法確定。準確的東西需要一個標準，但首先要保證這個標準是準確的，至少現(xiàn)在還沒有這樣一個標準?？蛻魰岢鲆粋€相對標準，例如將你的OLAP數(shù)據(jù)結果和報表結果對比。雖然這是一種不太公平的比較，你也只好認了吧。首先在數(shù)據(jù)源那里，已經(jīng)很難保證數(shù)據(jù)質(zhì)量了，這一點也是事實。在這一層有哪些可能原因?qū)е聰?shù)據(jù)質(zhì)量問題？可以分為下面幾類：1、數(shù)據(jù)格式錯誤，例如缺失數(shù)據(jù)、數(shù)據(jù)值超出范圍或是數(shù)據(jù)格式非法等。要知道對于同樣處理大數(shù)據(jù)量的數(shù)據(jù)源系統(tǒng)，他們通常會舍棄一些數(shù)據(jù)庫自身的檢查機制，例如字段約束等。他們盡可能將數(shù)據(jù)檢查在入庫前保證，但是這一點是很難確保的。這類情況諸如身份證號碼、手機號、非日期類型的日期字段等。2、數(shù)據(jù)一致性，同樣，數(shù)據(jù)源系統(tǒng)為了性能的考慮，會在一定程度上舍棄外鍵約束，這通常會導致數(shù)據(jù)不一致。例如在帳務表中會出現(xiàn)一個用戶表中沒有的用戶ID，在例如有些代碼在代碼表中找不到等。3、業(yè)務邏輯的合理性，這一點很難說對與錯。通常，數(shù)據(jù)源系統(tǒng)的設計并不是非常嚴謹，例如讓用戶開戶日期晚于用戶銷戶日期都是有可能發(fā)生的，一個用戶表中存在多個用戶ID也是有可能發(fā)生的。對這種情況，有什么辦法嗎？構建一個BI系統(tǒng)，要做到完全理解數(shù)據(jù)源系統(tǒng)根本就是不可能的。特別是數(shù)據(jù)源系統(tǒng)在交付后，有更多維護人員的即興發(fā)揮，那更是要花大量的時間去尋找原因。以前曾經(jīng)爭辯過設計人員對規(guī)則描述的問題，有人提出要在ETL開始之前務必將所有的規(guī)則弄得一清二楚。我并不同意這樣的意見，倒是認為在ETL過程要有處理這些質(zhì)量有問題數(shù)據(jù)的保證。一定要正面這些臟數(shù)據(jù)，是丟棄還是處理，無法逃避。如果沒有質(zhì)量保證，那么在這個過程中，錯誤會逐漸放大，拋開數(shù)據(jù)源質(zhì)量問題，我們再來看看ETL過程中哪些因素對數(shù)據(jù)準確性產(chǎn)生重大影響。1、規(guī)則描述錯誤。上面提到對設計人員對數(shù)據(jù)源系統(tǒng)理解的不充分，導致規(guī)則理解錯誤，這是一方面。另一方面，是規(guī)則的描述，如果無二義性地描述規(guī)則也是要探求的一個課題。規(guī)則是依附于目標字段的，在探求之三中，提到規(guī)則的分類。但是規(guī)則總不能總是用文字描述，必須有嚴格的數(shù)學表達方式。我甚至想過，如果設計人員能夠使用某種規(guī)則語言來描述，那么我們的ETL單元就可以自動生成、同步，省去很多手工操作了。2、ETL開發(fā)錯誤。即時規(guī)則很明確，ETL開發(fā)的過程中也會發(fā)生一些錯誤，例如邏輯錯誤、書寫錯誤等。例如對于一個分段值，開區(qū)間閉區(qū)間是需要指定的，但是常常開發(fā)人員沒注意，一個大于等于號寫成大于號就導致數(shù)據(jù)錯誤。3、人為處理錯誤。在整體ETL流程沒有完成之前，為了圖省事，通常會手工運行ETL過程，這其中一個重大的問題就是你不會按照正常流程去運行了，而是按照自己的理解去運行，發(fā)生的錯誤可能是誤刪了數(shù)據(jù)、重復裝載數(shù)據(jù)等。探求ETL本質(zhì)之五（質(zhì)量保證）上回提到ETL數(shù)據(jù)質(zhì)量問題，這是無法根治的，只能采取特定的手段去盡量避免，而且必須要定義出度量方法來衡量數(shù)據(jù)的質(zhì)量是好還是壞。對于數(shù)據(jù)源的質(zhì)量，客戶對此應該更加關心，如果在這個源頭不能保證比較干凈的數(shù)據(jù)，那么后面的分析功能的可信度也都成問題。數(shù)據(jù)源系統(tǒng)也在不斷進化過程中，客戶的操作也在逐漸規(guī)范中，BI系統(tǒng)也同樣如此。本文探討一下對數(shù)據(jù)源質(zhì)量和ETL處理質(zhì)量的應對方法。如何應對數(shù)據(jù)源的質(zhì)量問題？記得在onteldatastage列表中也討論過一個話題－"-1的處理"，在數(shù)據(jù)倉庫模型維表中，通常有一條-1記錄，表示“未知”，這個未知含義可廣了，任何可能出錯的數(shù)據(jù)，NULL數(shù)據(jù)甚至是規(guī)則沒有涵蓋到的數(shù)據(jù)，都轉(zhuǎn)成-1。這是一種處理臟數(shù)據(jù)的方法，但這也是一種掩蓋事實的方法。就好像寫一個函數(shù)FileOpen(filename)，返回一個錯誤碼，當然，你可以只返回一種錯誤碼，如-1，但這是一種不好的設計，對于調(diào)用者來說，他需要依據(jù)這個錯誤碼進行某些判斷，例如是文件不存在，還是讀取權限不夠，都有相應的處理邏輯。數(shù)據(jù)倉庫中也是一樣，所以，建議將不同的數(shù)據(jù)質(zhì)量類型處理結果分別轉(zhuǎn)換成不同的值，譬如，在轉(zhuǎn)換后，-1表示參照不上，-2表示NULL數(shù)據(jù)等。不過這僅僅對付了上回提到的第一類錯誤，數(shù)據(jù)格式錯誤。對于數(shù)據(jù)一致性和業(yè)務邏輯合理性問題，這仍有待探求。但這里有一個原則就是“必須在數(shù)據(jù)倉庫中反應數(shù)據(jù)源的質(zhì)量”。對于ETL過程中產(chǎn)生的質(zhì)量問題，必須有保障手段。從以往的經(jīng)驗看，沒有保障手段給實施人員帶來麻煩重重。實施人員對于反復裝載數(shù)據(jù)一定不會陌生，甚至是最后數(shù)據(jù)留到最后的Cube，才發(fā)現(xiàn)了第一步ETL其實已經(jīng)錯了。這個保障手段就是數(shù)據(jù)驗證機制，當然，它的目的是能夠在ETL過程中監(jiān)控數(shù)據(jù)質(zhì)量，產(chǎn)生報警。這個模塊要將實施人員當作是最終用戶，可以說他們是數(shù)據(jù)驗證機制的直接收益者。首先，必須有一個對質(zhì)量的度量方法，什么是高質(zhì)什么是低質(zhì)，不能靠感官感覺，但這卻是在沒有度量方法條件下通常的做法。那經(jīng)營分析系統(tǒng)來說，聯(lián)通總部曾提出測試規(guī)范，這其實就是一種度量方法，例如指標的誤差范圍不能高于5%等，對系統(tǒng)本身來說其實必須要有這樣的度量方法，先不要說這個度量方法是否科學。對于ETL數(shù)據(jù)處理質(zhì)量，他的度量方法應該比聯(lián)通總部測試規(guī)范定義的方法更要嚴格，因為他更多將BI系統(tǒng)看作一個黑盒子，從數(shù)據(jù)源到展現(xiàn)的數(shù)據(jù)誤差允許一定的誤差。而ETL數(shù)據(jù)處理質(zhì)量度量是一種白盒的度量，要注重每一步過程。因此理論上，要求輸入輸出的指標應該完全一致。但是我們必須正面完全一致只是理想，對于有誤差的數(shù)據(jù)，必須找到原因。在質(zhì)量度量方法的前提下，就可以建立一個數(shù)據(jù)驗證框架。此框架依據(jù)總量、分量數(shù)據(jù)稽核方法，該方法在高的《數(shù)據(jù)倉庫中的數(shù)據(jù)稽核技術》一文中已經(jīng)指出。作為補充，下面提出幾點功能上的建議：1、提供前端。將開發(fā)實施人員當作用戶，同樣也要為之提供友好的用戶界面?！痘思夹g》一文中指出測試報告的形式，這種形式還是要依賴人為判斷，在一堆數(shù)據(jù)中去找規(guī)律。到不如用OLAP的方式提供界面，不光是加上測試統(tǒng)計出來的指標結果，并且配合度量方法的計算。例如誤差率，對于誤差率為大于0的指標，就要好好查一下原因了。2、提供框架。數(shù)據(jù)驗證不是一次性工作，而是每次ETL過程中都必須做的。因此，必須有一個框架，自動化驗證過程，并提供擴展手段，讓實施人員能夠增加驗證范圍。有了這樣一個框架，其實它起到規(guī)范化操作的作用，開發(fā)實施人員可以將主要精力放在驗證腳本的編寫上，而不必過多關注驗證如何融合到流程中，如何展現(xiàn)等工作。為此，要設計一套表，類似于DM表，每次驗證結果數(shù)據(jù)都記錄其中，并且自動觸發(fā)多維分析的數(shù)據(jù)裝載、發(fā)布等。這樣，實施人員可以在每次裝載，甚至在流程過程中就可以觀察數(shù)據(jù)的誤差率。特別是，如果數(shù)據(jù)倉庫的模型能夠統(tǒng)一起來，甚至數(shù)據(jù)驗證腳本都可以確定下來，剩下的就是規(guī)范流程了。3、規(guī)范流程。上回提到有一種ETL數(shù)據(jù)質(zhì)量問題是由于人工處理導致的，其中最主要原因還是流程不規(guī)范。開發(fā)實施人員運行單獨一個ETL單元是很方便的，雖然以前曾建議一個ETL單元必須是“可重入”的，這能夠解決誤刪數(shù)據(jù)，重復裝載數(shù)據(jù)問題。但要記住數(shù)據(jù)驗證也是在流程當中，要讓數(shù)據(jù)驗證能夠日常運作，就不要讓實施者感覺到他的存在。總的來說，規(guī)范流程是提高實施效率的關鍵工作，這也是以后要繼續(xù)探求的。探求ETL本質(zhì)之六（元數(shù)據(jù)漫談）對于元數(shù)據(jù)（Metadata）的定義到目前為止沒有什么特別精彩的，這個概念非常廣，一般都是這樣定義，“元數(shù)據(jù)是描述數(shù)據(jù)的數(shù)據(jù)（DataaboutData）”，這造成一種遞歸定義，就像問小強住在哪里，答，在旺財隔壁。按照這樣的定義，元數(shù)據(jù)所描述的數(shù)據(jù)是什么呢？還是元數(shù)據(jù)。這樣就可能有元元元...元數(shù)據(jù)。我還聽說過一種對元數(shù)據(jù)，如果說數(shù)據(jù)是一抽屜檔案，那么元數(shù)據(jù)就是分類標簽。那它和索引有什么區(qū)別？元數(shù)據(jù)體現(xiàn)是一種抽象，哲學家從古至今都在抽象這個世界，力圖找到世界的本質(zhì)。抽象不是一層關系，它是一種逐步由具體到一般的過程。例如我->男人->人->哺乳動物->生物這就是一個抽象過程，你要是在軟件業(yè)混會發(fā)現(xiàn)這個例子很常見，面向?qū)ο蠓椒ň褪沁@樣一種抽象過程。它對世界中的事物、過程進行抽象，使用面向?qū)ο蠓椒ǎ瑯嫿ㄒ惶讓ο竽Ｐ?。同樣在面向?qū)ο蠓椒ㄖ校愂菍ο蟮某橄?，接口又是對類的抽象。因此，我認為可以將“元”和“抽象”換一下，叫抽象數(shù)據(jù)是不是好理解一些。常聽到這樣的話，“xx領導的講話高屋建瓴，給我們后面的工作指引的清晰的方向”，這個成語“高屋建瓴”，站在10樓往下到水，居高臨下，能砸死人，這是指站在一定的高度看待事物，這個一定的高度就是指他有夠“元”。在設計模式中，強調(diào)要對接口編程，就是說你不要處理這類對象和那類對象的交互，而要處理這個接口和那個接口的交互，先別管他們內(nèi)部是怎么干的。元數(shù)據(jù)存在的意義也在于此，雖然上面說了一通都撤到哲學上去，但這個詞必須還是要結合軟件設計中看，我不知道在別的領域是不是存在Metadata這樣的叫法，雖然我相信別的領域必然有類似的東東。元數(shù)據(jù)的存在就是要做到在更高抽象一層設計軟件。這肯定有好處，什么靈活性啊，擴展性啊，可維護性啊，都能得到提高，而且架構清晰，只是彎彎太多，要是從下往上看，太復雜了。很早以前，我曾看過backorifice的代碼，我靠，一個簡單的功能，從這個類轉(zhuǎn)到父類，又轉(zhuǎn)到父類，很不理解，為什么一個簡單的功能不在一個類的方法中實現(xiàn)就拉到了呢？現(xiàn)在想想，還真不能這樣，這雖然使代碼容易看懂了，但是結構確實混亂的，那他只能干現(xiàn)在的事，如果有什么功能擴展，這些代碼就廢了。我從98年剛工作時就開始接觸元數(shù)據(jù)的概念，當時叫做元數(shù)據(jù)驅(qū)動的系統(tǒng)架構，后來在QiDSS中也用到這個概念構建QiNavigator，但是現(xiàn)在覺得元數(shù)據(jù)也沒啥，不就是建一堆表描述界面的元素，再利用這些數(shù)據(jù)自動生成界面嗎。到了數(shù)據(jù)倉庫系統(tǒng)中，這個概念更強了，是數(shù)據(jù)倉庫中一個重要的部分。但是至今，我還是認為這個概念過于玄乎，看不到實際的東西，市面上有一些元數(shù)據(jù)管理的東西，但是從應用情況就得知，用的不多。之所以玄乎，就是因為抽象層次沒有分清楚，關鍵就是對于元數(shù)據(jù)的分類（這種分類就是一種抽象過程）和元數(shù)據(jù)的使用。你可以將元數(shù)據(jù)抽象成0和1，但是那樣對你的業(yè)務有用嗎？必須還得抽象到適合的程度，最后問題還是“度”。數(shù)據(jù)倉庫系統(tǒng)的元數(shù)據(jù)作用如何？還不就是使系統(tǒng)自動運轉(zhuǎn)，易于管理嗎？要做到這一步，可沒必要將系統(tǒng)抽象到太極、兩儀、八卦之類的，業(yè)界也曾定義過一些元數(shù)據(jù)規(guī)范，向CWM、XMI等等，可以借鑒，不過俺對此也是不精通的說，以后再說原文鏈接：/horsewhite/blog/item/b167f81f6924ef0a304e15a0.htmlETL流程/6847177_d.htmlETL流程：可以把ETL分為五個階段，按照開發(fā)的順序分：1)準備階段：?根據(jù)需求定義映射關系，產(chǎn)出物為《ETL映射文檔》。?分析數(shù)據(jù)源質(zhì)量，針對數(shù)據(jù)源中有問題的數(shù)據(jù)制定數(shù)據(jù)抽取原則，產(chǎn)出物為《數(shù)據(jù)源質(zhì)量分析報告》、《問題數(shù)據(jù)處理規(guī)范》。?確定數(shù)據(jù)抽取的技術架構，產(chǎn)出物為《全量數(shù)據(jù)抽取策略》、《增量數(shù)據(jù)抽取策略》、《數(shù)據(jù)抽取中異常處理規(guī)范》。?確定ETL的實現(xiàn)方式，采用ETL工具還是自己開發(fā)代碼。產(chǎn)出物分別是：《ETL工具使用手冊》、《ETL代碼開發(fā)手冊》。這兩個文檔主要用于員工培訓。2)開發(fā)階段：?根據(jù)上個階段的產(chǎn)出物進行ETL的實現(xiàn)。3)測試階段：?測試和優(yōu)化兩個階段實際上是相輔相成的，測試階段除了要測試ETL邏輯的準確性，測試過程就可以得出ETL過程的性能結果。產(chǎn)出物為《ETL數(shù)據(jù)抽取測試報告》。4)優(yōu)化階段：?優(yōu)化涉及到ETL過程的各個部分，從數(shù)據(jù)中轉(zhuǎn)區(qū)到目標區(qū)，從程序代碼的優(yōu)化到數(shù)據(jù)庫參數(shù)的調(diào)優(yōu)，從ETL抽取邏輯的優(yōu)化到技術架構的優(yōu)化。具體優(yōu)化的建議過程見《數(shù)據(jù)倉庫優(yōu)化建議.doc》。5)遷移階段?我們經(jīng)常碰到從一個環(huán)境遷移到另一個環(huán)境的情況，ETL遷移的過程應該放在數(shù)據(jù)倉庫模型遷移后，也可以根據(jù)項目的實際情況一起進行遷移。產(chǎn)出物《ETL遷移文檔》。關鍵點：ETL的重點在于元數(shù)據(jù)的管理、數(shù)據(jù)質(zhì)量的管理(一)元數(shù)據(jù)的管理對于ETL來說是非常重要的，現(xiàn)在有了很多元數(shù)據(jù)管理工具，但我認為最重要的也是最有效的就是從管理機制入手，建立一個有效的管理元數(shù)據(jù)的制度，雖然這個方法顯得土了一點，但對于數(shù)據(jù)倉庫項目來說，還是比較實際的。1)建立ETL映射文檔。ETL映射文檔是元數(shù)據(jù)的主要依據(jù)，它記錄數(shù)據(jù)從數(shù)據(jù)源到目標表的轉(zhuǎn)換和對應關系。映射可以是一對一、一對多、多對一的。2)建立ETL變更流程。ETL變更流程其實是與需求變更緊密結合在一起的，項目中需求的變化是很常見的，需求的變化有可能會導致ETL映射關系、以及ETL業(yè)務邏輯的變化。修改ETL映射文件和業(yè)務邏輯文件必須從文檔開始，并且應該有統(tǒng)一的入口。修改文檔應該包括：?版本號：?修改原因描述：?修改過程：?修改時間：?修改的影響范圍：(二)數(shù)據(jù)質(zhì)量的好壞關系到項目的成敗，前端的各種數(shù)據(jù)分析和展現(xiàn)的手段都是建立在良好的數(shù)據(jù)質(zhì)量基礎上的。?首先數(shù)據(jù)質(zhì)量要從防患于未然開始。我們通過制定統(tǒng)一的ETL規(guī)范，嚴格要求ETL過程中的每一步都要按照規(guī)范制定的步驟來執(zhí)行。規(guī)范的制定可以根據(jù)各個項目組的實際情況作適當?shù)脑鰷p，但是一些原則性的步驟一定要堅持執(zhí)行。規(guī)范一旦制定下來，就必須嚴格執(zhí)行。從源頭來保證數(shù)據(jù)質(zhì)量的可信度。原則性的步驟包括：ü《ETL映射文檔》ü《數(shù)據(jù)源質(zhì)量分析報告》ü《問題數(shù)據(jù)處理規(guī)范》ü《數(shù)據(jù)抽取中異常處理規(guī)范》?建立數(shù)據(jù)核對和數(shù)據(jù)效驗流程這部分應該是根據(jù)各個項目組的實際情況來考慮制定的。數(shù)據(jù)效驗的方式有多種，常見的是通過報表數(shù)據(jù)與已有系統(tǒng)中的數(shù)據(jù)進行比對，比對如果出現(xiàn)問題，關鍵點在于要明確不同的原因，原因無非有幾種：ü統(tǒng)計口徑不同ü已有系統(tǒng)數(shù)據(jù)有誤ü自己的數(shù)據(jù)有誤不要輕易下結論說對方的系統(tǒng)數(shù)據(jù)錯誤，如果我們前面的功夫下的足夠，我們就可以根據(jù)我們上面提到的規(guī)范和文檔來驗證我們的數(shù)據(jù)是否正確。?建立數(shù)據(jù)修改流程有些錯誤是可以通過制定效驗規(guī)則來自動進行修改的；而另一部分錯誤是必須有人工來判斷錯誤原因，并且由人工或者由其他系統(tǒng)來修改ETL流程調(diào)度設計ETL流程調(diào)度總體結構ETL（ExtractTransformLoad，簡稱ETL）是將數(shù)據(jù)從源系統(tǒng)抽取、清洗轉(zhuǎn)換、并加載到數(shù)據(jù)倉庫的實現(xiàn)過程，目的是將企業(yè)中的分散、零亂、標準不統(tǒng)一的數(shù)據(jù)整合到一起，為企業(yè)的決策提供分析的依據(jù)。ETL是經(jīng)營分析項目最重要的一個環(huán)節(jié)，通常情況下ETL會花掉整個項目的1/3的時間，ETL設計的好壞直接關接到經(jīng)營分析項目的成敗。ETL也是一個長期的過程，因此只有對ETL總體架構和模型進行優(yōu)化設計，才能使ETL運行效率更高，為項目后期開發(fā)提供準確的數(shù)據(jù)。從業(yè)務和競爭力角度，可以用兩個詞來概括對ETL的要求：速度和靈活。ETL需要迅速響應業(yè)務要求，并部署實施。同時，ETL需要可靈活配置、可靠和安全。因此需要不斷擴展現(xiàn)有ETL能力，同時還能提供像Web服務這樣的新技術。目前先進的SOA思想和數(shù)據(jù)封裝技術成為了ETL的基礎，面向服務的體系結構SOA（Service-OrentiedArchitecture，簡稱SOA）是一個組件模型，它提供一種通用接口將各種實現(xiàn)獨立功能的組件以Web服務的方式集成在一起的解決方案。采用面向服務體系結構增加了軟件的復用性和系統(tǒng)集成的靈活性，降低了系統(tǒng)維護成本。通過SOA，完成ETL任務的方式是執(zhí)行一系列“服務”以及具有良好定義的與服務的交互方式的作業(yè)，還有良好定義的交互取消方式。ELT工具將各個子功能處理模塊為采用Webservice技術和標準數(shù)據(jù)格式封裝，實現(xiàn)ETL標準服務組件，所謂的服務是一種實體，它能夠完成標準的業(yè)務功能，如：FTP、數(shù)據(jù)抽取、數(shù)據(jù)清洗等。通過清晰的定義和松散的耦合提高靈活性。服務根據(jù)SOA原則利用現(xiàn)有的中間件實現(xiàn)交互。充分利用新的開放標準以及XML數(shù)據(jù)定義（WebServices――Web服務），快速融合ETL解決方案中。通過統(tǒng)一ETL調(diào)度引擎，實現(xiàn)ETL處理過程中，各處理流程的統(tǒng)一調(diào)度。實現(xiàn)SOA標準的數(shù)據(jù)總線，實現(xiàn)各環(huán)節(jié)數(shù)據(jù)有效流轉(zhuǎn)，完成各個處理流程環(huán)節(jié)的靈活組裝，從而實現(xiàn)對各種數(shù)據(jù)接口，轉(zhuǎn)換規(guī)則，數(shù)據(jù)校驗規(guī)則以及多種數(shù)據(jù)入庫處理方式等的通用性