數(shù)據(jù)挖掘中得ETL設(shè)計(jì)思路

1、BI項(xiàng)目中ETL設(shè)計(jì)與思考ETL的設(shè)計(jì)分三部分：數(shù)據(jù)抽取、數(shù)據(jù)的清洗轉(zhuǎn)換、數(shù)據(jù)的加載。在設(shè)計(jì)ETL的時(shí)候我們也是從 這三部分出發(fā)。數(shù)據(jù)的抽取是從各個(gè)不同的數(shù)據(jù)源抽取到ODS中(這個(gè)過(guò)程也可以做一些數(shù)據(jù)的清 洗和轉(zhuǎn)換)，在抽取的過(guò)程中需要挑選不同的抽取方法，盡可能的提高ETL的運(yùn)行效率。ETL三個(gè) 部分中，花費(fèi)時(shí)間最長(zhǎng)的是T(清洗、轉(zhuǎn)換)的部分，一般情況下這部分工作量是整個(gè)ETL的2/3。 數(shù)據(jù)的加載一般在數(shù)據(jù)清洗完了之后直接寫入DW中去。ETL的實(shí)現(xiàn)有多種方法，常用的有三種，一種是借助ETL工具如Oracle的OWB,SQL server 2000 的DTS,SQL Server2005的SS

2、IS服務(wù),informatic等實(shí)現(xiàn)，一種是SQL方式實(shí)現(xiàn)，另外一種是ETL工 具和SQL相結(jié)合。前兩種方法各有各的優(yōu)缺點(diǎn)，借助工具可以快速的建立起ETL工程，屏蔽了復(fù) 雜的編碼任務(wù)，提高的速度，降低的難度，但是缺少靈活。SQL的方法優(yōu)點(diǎn)是靈活，提高ETL運(yùn) 行效率，但是編碼復(fù)雜，對(duì)技術(shù)要求比較高。第三種是綜合了前面二種的優(yōu)點(diǎn)，會(huì)極大的提高ETL 的開(kāi)發(fā)速度和效率。一、數(shù)據(jù)的抽取這一部分需要在調(diào)研階段做大量的工作，首先要搞清楚數(shù)據(jù)是從幾個(gè)業(yè)務(wù)系統(tǒng)中來(lái),各個(gè)業(yè)務(wù)系統(tǒng) 的數(shù)據(jù)庫(kù)服務(wù)器運(yùn)行什么DBMS,是否存在手工數(shù)據(jù)，手工數(shù)據(jù)量有多大。是否存在非結(jié)構(gòu)化的數(shù) 據(jù)等等當(dāng)收集完這些信息之后才可以進(jìn)行數(shù)據(jù)

3、抽取的設(shè)計(jì)。1、對(duì)于與存放DW的數(shù)據(jù)庫(kù)系統(tǒng)相同的數(shù)據(jù)源處理方法這一類數(shù)源在設(shè)計(jì)比較容易，一般情況下，DBMS(SQLServer,Oracle)都會(huì)提供數(shù)據(jù)庫(kù)鏈接功能，在 DW數(shù)據(jù)庫(kù)服務(wù)器和原業(yè)務(wù)系統(tǒng)之間建立直接的鏈接關(guān)系就可以寫Select語(yǔ)句直接訪問(wèn)。2、對(duì)于與DW數(shù)據(jù)庫(kù)系統(tǒng)不同的數(shù)據(jù)源的處理方法。對(duì)于這一類數(shù)據(jù)源一般情況下也可以通過(guò)ODBC的方式建立數(shù)據(jù)庫(kù)鏈接，如SQL Server和Oracle 之間。如果不能建立數(shù)據(jù)庫(kù)鏈接，可以有兩種方式完成，一種是通過(guò)將源數(shù)據(jù)，通過(guò)工具將數(shù)據(jù)導(dǎo) 出成.txt或者是.xls文件，然后再將這些源系統(tǒng)文件導(dǎo)入到ODS中。另外一種方法通過(guò)程序接口來(lái) 完成。

4、3、對(duì)于文件類型數(shù)據(jù)源(.txt,.xls)，可以培訓(xùn)業(yè)務(wù)人員利用數(shù)據(jù)庫(kù)工具將這些數(shù)據(jù)導(dǎo)入到指定的數(shù)據(jù) 庫(kù)，然后從指定的數(shù)據(jù)庫(kù)抽取。或者可以借助工具實(shí)現(xiàn)，如SQL SERVER 2005的SSIS服務(wù)的平面 數(shù)據(jù)源和平面目標(biāo)等組件導(dǎo)入ODS中去。4、增量更新的問(wèn)題對(duì)于數(shù)據(jù)量大的系統(tǒng)，必須考慮增量抽取。一般情況，業(yè)務(wù)系統(tǒng)會(huì)記錄業(yè)務(wù)發(fā)生的時(shí)間，我們可以 用來(lái)作增量的標(biāo)志，每次抽取之前首先判斷ODS中記錄最大的時(shí)間，然后根據(jù)這個(gè)時(shí)間去業(yè)務(wù)系統(tǒng) 取大于這個(gè)時(shí)間所有的記錄。利用業(yè)務(wù)系統(tǒng)的時(shí)間戳，一般情況下，業(yè)務(wù)系統(tǒng)沒(méi)有或者部分有時(shí)間 戳。二、數(shù)據(jù)的清洗轉(zhuǎn)換一般情況下，數(shù)據(jù)倉(cāng)庫(kù)分為ODS、DW兩部分，通常

5、的做法是從業(yè)務(wù)系統(tǒng)到ODS做清洗，將臟數(shù) 據(jù)和不完整數(shù)據(jù)過(guò)濾掉，在從ODS到DW的過(guò)程中轉(zhuǎn)換，進(jìn)行一些業(yè)務(wù)規(guī)則的計(jì)算和聚合。1、數(shù)據(jù)清洗數(shù)據(jù)清洗的任務(wù)是過(guò)濾那些不符合要求的數(shù)據(jù)，將過(guò)濾的結(jié)果交給業(yè)務(wù)主管部門，確認(rèn)是否過(guò)濾掉 還是由業(yè)務(wù)單位修正之后再進(jìn)行抽取。不符合要求的數(shù)據(jù)主要是有不完整的數(shù)據(jù)、錯(cuò)誤的數(shù)據(jù)、重 復(fù)的數(shù)據(jù)三大類。A、不完整的數(shù)據(jù)，這一類數(shù)據(jù)主要是一些應(yīng)該有的信息缺失，如供應(yīng)商的名稱，分公司的名稱，客 戶的區(qū)域信息缺失、業(yè)務(wù)系統(tǒng)中主表與明細(xì)表不能匹配等，對(duì)于這一類數(shù)據(jù)，過(guò)濾出來(lái)，按缺失的 內(nèi)容分別寫入不同Excel文件向客戶提交，要求在規(guī)定的時(shí)間內(nèi)補(bǔ)全。補(bǔ)全后才寫入數(shù)據(jù)倉(cāng)庫(kù)。B、錯(cuò)

6、誤的數(shù)據(jù)，這一類錯(cuò)誤產(chǎn)生的原因是業(yè)務(wù)系統(tǒng)不夠健全，在接收輸入后沒(méi)有進(jìn)行判斷直接寫 入后臺(tái)數(shù)據(jù)庫(kù)造成的，比如數(shù)值數(shù)據(jù)輸成全角數(shù)字字符，字符串?dāng)?shù)據(jù)后面有一個(gè)回車，日期格式不 正確，日期越界等，這一類數(shù)據(jù)也要分類，對(duì)于類似于全角字符、數(shù)據(jù)前后有不面見(jiàn)字符的問(wèn)題只 能寫SQL的方式找出來(lái)，然后要求客戶在業(yè)務(wù)系統(tǒng)修正之后抽取，日期格式不正確的或者是日期 越界的這一類錯(cuò)誤會(huì)導(dǎo)致ETL運(yùn)行失敗，這一類錯(cuò)誤需要去業(yè)務(wù)系統(tǒng)數(shù)據(jù)庫(kù)用SQL的方式挑出來(lái)， 交給業(yè)務(wù)主管部門要求限期修正，修正之后再抽取。c、重復(fù)的數(shù)據(jù)，對(duì)于這一類數(shù)據(jù)，特別是維表中會(huì)出現(xiàn)這種情況，將重復(fù)的數(shù)據(jù)的記錄所有字段導(dǎo) 出來(lái)，讓客戶確認(rèn)并整理。數(shù)

7、據(jù)清洗是一個(gè)反復(fù)的過(guò)程，不可能在幾天內(nèi)完成，只有不斷的發(fā)現(xiàn)問(wèn)題，解決問(wèn)題。對(duì)于是否過(guò) 濾，是否修正一般要求客戶確認(rèn)，對(duì)于過(guò)濾掉的數(shù)據(jù)，寫入Excel文件或者將過(guò)濾數(shù)據(jù)寫入數(shù)據(jù)表， 在ETL開(kāi)發(fā)的初期可以每天向業(yè)務(wù)單位發(fā)送過(guò)濾數(shù)據(jù)的郵件，促使他們盡快的修正錯(cuò)誤，同時(shí)也可 以作為將來(lái)驗(yàn)證數(shù)據(jù)的依據(jù)。數(shù)據(jù)清洗需要注意的是不要將有用的數(shù)據(jù)過(guò)濾掉了，對(duì)于每個(gè)過(guò)濾規(guī) 則認(rèn)真進(jìn)行驗(yàn)證，并要用戶確認(rèn)。2、數(shù)據(jù)轉(zhuǎn)換數(shù)據(jù)轉(zhuǎn)換的任務(wù)主要進(jìn)行不一致的數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)粒度的轉(zhuǎn)換、一些商務(wù)規(guī)則的計(jì)算。A、不一致數(shù)據(jù)轉(zhuǎn)換，這個(gè)過(guò)程是一個(gè)整合的過(guò)程，將不同業(yè)務(wù)系統(tǒng)的相同類型的數(shù)據(jù)統(tǒng)一，比如 同一個(gè)供應(yīng)商在結(jié)算系統(tǒng)的編碼是XX0

8、001,而在CRM中編碼是YY0001，這樣在抽取過(guò)來(lái)之后統(tǒng) 一轉(zhuǎn)換成一個(gè)編碼。B、數(shù)據(jù)粒度的轉(zhuǎn)換業(yè)務(wù)系統(tǒng)一般存儲(chǔ)非常明細(xì)的數(shù)據(jù)，而數(shù)據(jù)倉(cāng)庫(kù)中數(shù)據(jù)是用來(lái)分析的，不需要 非常明細(xì)的數(shù)據(jù)，一般情況下，會(huì)將業(yè)務(wù)系統(tǒng)數(shù)據(jù)按照數(shù)據(jù)倉(cāng)庫(kù)粒度進(jìn)行聚合。C、商務(wù)規(guī)則的計(jì)算不同的企業(yè)有不同的業(yè)務(wù)規(guī)則，不同的數(shù)據(jù)指標(biāo)，這些指標(biāo)有的時(shí)候不是簡(jiǎn)單 的加加減減就能完成，這個(gè)時(shí)候需要在ETL中將這些數(shù)據(jù)指標(biāo)計(jì)算好了之后存儲(chǔ)在數(shù)據(jù)倉(cāng)庫(kù)中， 供分析使用。三、ETL日志、警告發(fā)送。1、ETL日志ETL日志分為三類，一類是執(zhí)行過(guò)程日志，這一部分日志是在ETL執(zhí)行過(guò)程中每執(zhí)行一步的記錄， 記錄每次運(yùn)行每一步驟的起始時(shí)間，影響了多少行數(shù)據(jù)，流水賬形式。一類是錯(cuò)誤日志當(dāng)某個(gè)模塊 出錯(cuò)的時(shí)候?qū)戝e(cuò)誤日志，記錄每次出錯(cuò)的時(shí)間，出錯(cuò)的模塊以及出錯(cuò)的信息等。第三類日志是總體 日志，只記錄ETL開(kāi)始時(shí)間，結(jié)束時(shí)間是否成功信息。如果使用ETL工具,ETL工具會(huì)自動(dòng)產(chǎn)生一些日志，這一類日志也可以作為ETL日志的一部分。記錄日 志的目的是隨時(shí)可以知道ETL運(yùn)行情況，如果出錯(cuò)了，出錯(cuò)在那里。2、警告發(fā)送ETL出錯(cuò)了，不僅要與