商业智能平台研究（七) ETL 的选型

gentleman,wearedealingwiththeguyhaveabsolutelynolife.

先生们，我们正在对付一个彻头彻尾的宅男。

五一期间就是当了一个宅男。总是有很多事情觉得应该去做，总是说等有了时间去做。可真的有了时间又没有去做。想到了eygle（oracle一个很厉害的DBA)的一篇文章，天道酬勤。

http://www.eygle.com/archives/2006/02/the_sun_repays_industriously.html

一年有四个计划，然后又加了一个计划，如以上目标不能实现,则顺延至下一年.

希望自己的计划列表上也不要有这一条吧，加油加油。

引用stevejobs在stanford上的最后一句话

StayHungry.StayFoolish

求知若飢，虛心若愚。

spagoBI:spagoBI官方是支持多种ETL工具的，但他们的合作伙伴是talend.talend最近刚刚发布了2.0版本,自己声称是业绩第一个开源的ETL工具.基于eclipse平台。1.1版最后处理数据的方式是用perl，2.0版刚刚加了用java处理的方式，不过支持的数据源比较少.

jaspersoft:jasperETL,一个基于talend的工具，不知道有什么不一样，大概是购买了talend的二次开发许可证。

pentaho:kettle,现在已经改名叫pentahodataintegration了，不过一样可以叫kettle,是pentaho独立的一个子项目，最近刚刚发布了2.5版本，非常容易安装和使用，跟pentaho一样，人气很旺。

让我们先看看ETL过程的设计是如何的定义的：

1.数据抽取、转换和加载，是数据仓库实现过程中，数据由数据源系统向数据仓库加载的主要方法，整个数据处理过程如下：

2.数据抽取：从数据源系统抽取数据仓库系统所需的数据，数据抽取采用统一的接口，可以从数据库抽取数据，也可以从文件抽取。对于不同数据平台、源数据形式、性能要求的业务系统，以及不同数据量的源数据，可能采用的接口方式不同，为保证抽取效率，减少对生产运营的影响，对于大数据量的抽取，采取“数据分割、缩短抽取周期”的原则，对于直接的数据库抽取，采取协商接口表的方式，保障生产系统数据库的安全。

3.数据转换：数据转换是指对抽取的源数据根据数据仓库系统模型的要求，进行数据的转换、清洗、拆分、汇总等，保证来自不同系统、不同格式的数据和信息模型具有一致性和完整性，并按要求装入数据仓库。

4.数据加载：数据加载是将转换后的数据加载到数据仓库中，可以采用数据加载工具，也可以采用API编程进行数据加载。数据加载策略包括加载周期和数据追加策略，对于电信企业级应用，采用对ETL工具进行功能封装，向上提供监控与调度接口的方式。数据加载周期要综合考虑经营分析需求和系统加载的代价，对不同业务系统的数据采用不同的加载周期，但必须保持同一时间业务数据的完整性和一致性。

ETL的功能。

ETL功能的强弱很难用一个指标来评价，大概从以下几个方面可以粗略的考虑

支持的平台，支持数据源，流程设计，Metadata管理，可扩展性，API,数据验证，数据质量管理，

*支持的平台

很多的服务器不是运行在Windows系统上，所以平台的支持非常的重要，Windows，Linux,Solaris,HP-UX,IBMAIX,都是服务器常用的操作系统，至于AppletOSX我就不敢说了，如果哪个ETL工具只绑定在Windows平台上，恐怕支持的程度会很低，所以用java做的东西会占一点点的上风，企业用的东西还是要有一点跨平台的能力滴。

*支持的数据源

这里把数据源分为三种，数据库，文件，第三方应用程序

主流的数据库如Mysql,Oracle,MSSQLServer,IBMDB2,Sybase还包括各种各样的数据库比如MSAccess,PostgreSQL,Informix,FirebirdSQL,Hypersonic,SAPDB,CAIngres,SAPR/3System和任何支持ODBC的数据库，有人会对MSAccess和Hypersonic数据库上榜有疑问，我承认他们不是商业型数据库，可是我们不能否认他们的存在。这里要提一下JDBC的好处了，JDBC的标准使数据库的通用性提高了很多。

支持的文件格式也算是ETL数据源一种很重要的输入，其中有两种是必须支持的，普通文本格式文件和CSV文件，另外还包括zip文件，XML文件，当然是按照一定格式输出的，有的是数据库本身输出的比如oracle的，有的是第三方工具输出的，也有是自身的ETL工具输出的格式，对文件格式支持又分为Read和Write,Read就是输入，要求支持的格式尽可能的多，而Write则因工具而不同，可能有的特性包括：按照field分隔数据，多种文件格式输出，追加的方式输出，按照文件大小或指定的行数自动分割文件等等。

支持的第三方应用程序也是ETL的附加特性，比如支持SAP或者一些流行的ERP数据格式的处理，但是并不是每个ETL工具都会有的特性，这个因工具而异。

*流程设计

ETL数据处理是非常复杂的,一个好的ETL流程设计工具不是凭一两个功能就算是成功的工具，流程设计也不可能因为一两个步骤就完成，我只是尽量挑些我知道的说吧，如果大家有补充的话，也欢迎留言或给我发email:[email protected]

由于ETL过程的复杂性,为了方便的管理,高性能,可扩展性,大多采用象多线程,分布式架构,来提高管理和性能,所以GUI设计工具也要有相应的支持才能更好的完成工作.

输入和输出的时候要能够备份和恢复,你也可以认为这是数据流向临时表.

要能够方便的更改数据的结构,最好还有版本控制支持,不一定要非常的强大,至少要记录下每次更改的过程.

字段的转化功能要尽可能的强大,talend的转化设置还可以支持正则表达式.最好很多转换都有默认值,能够支持公式.

可以自定义函数,当然函数本身不能大复杂,跟公式转化能够搭配.

支持复杂的过滤,分组,查询.能够按照行或列进行聚合.

能够有基于时间的调度方式,事实上这也是必须的.

要有好的性能,能够批量的处理请求,并且这些性能是可视化的,也就是要有一个度量.每次转化多少数据用了多少秒或分钟,kettle官方上写的性能指标是4000/s,如果一条数据算1k的话,一秒钟就是4M的数据量,1GB就是256秒,大约4分钟多,应该算是非常可以接受的值了,不然别人也不会写在官方网站上了.

所有的任务都是能够集中管理的.也就是说,多个不同的客户端ETL工具有一个共用的服务器来设计任务,每个人可以设计自己的部分,但是执行的时候是一个整体在执行.

要有好的异常处理方式.出错是在所难免的,问题是出错了之后你怎么处理的问题.

是否支持集群,大型的数据库可能都会避免不了使用集群,如果转化的时候支持集群速度可能会提高非常之多,而且集群的特点就是只读服务器比较多,而ETL本身就是只读的,所以和集群也是非常和的来的.

流程是分步骤的，一个步骤又有可能是由多个任务来组成的，所以一个好的GUI是必不可少的，所以我们也说说GUI的特性：

1.draganddrop特性是必不可少的。而且有的时候需要一些对话框和向导来收集用户的行为。

2.任务是可以复制和剪切的。

3.每一个动作都是可以描述的。也是可以取消和重做的。取消和重做的次数不说是无限次数，也要尽可能的大。

4.每一个任务都是必须要有起点和终点的，起点只有一个，但是终点就不一定了。

5.要有图形化建立数据库链接的方式。能用图形化建立每一步，每个任务的方式。

6.界面的可定制性要好，颜色要选鲜艳一点的，字体可以调的，图形化界面要可以放大和缩小的，(不是吧，这也算）。当你要面对数十个任务的时候，数据错综复杂，颜色鲜艳一点不至于让你睡着了，你就知道为什么需要了。

7.支持多条路线，也就是一个数据点可以把数据分散到多个不同的下一级数据点，多个下一级数据点又可以把数据汇集到同一个数据点。

8.可以预览，所谓的预览就是把指定数量的数据而不是全部数据进行处理，查看结果是否满意。

9.可以在数据运行的时候动态的pause,cancel,redo.尤其是在进行耗时很长的动作的时候，或者你发现前一个步骤出错的时候。

10.显示数据处理时的状态要清楚。你正在链接到一个database,你正在读8000条记录，你正在更新这些记录而不是新建记录，每一步操作所处的状态要明确。

11.要支持缓存.这应该算是提高性能的好方法，但是缓存不能丢失。

12.所有的操作可以存储。不论你是存储成XML格式的，还是用元数据储存在database里面。

13.存储的操作可以读取。并且是不丢失任何数据的读取。

14.识别不同的数据库数据类型。long,String,data,text,还包括table,index,sequence等等。

15.对数据库要有编辑器的支持。要有可视化图形的建立query的方式。旁边应该有group,orderby,sum,avg等标准函数的支持。

下一篇介绍ETL的metadata.