信息是現(xiàn)代企業(yè)的重要資源，是企業(yè)運用科學(xué)管理、決策分析的基礎(chǔ)。據(jù)統(tǒng)計，數(shù)據(jù)量每經(jīng)過2-3年時間就會成倍增長，這些數(shù)據(jù)蘊含著巨大的商業(yè)價值，而企業(yè)所關(guān)注的通常只占總數(shù)據(jù)量的2%~4%左右。因此，企業(yè)仍然沒有最大化地利用已存在的數(shù)據(jù)資源，以至于浪費了更多的時間和資金，也失去制定關(guān)鍵商業(yè)決策的最佳契機(jī)。 于是，企業(yè)如何通過各種技術(shù)手段，并把數(shù)據(jù)轉(zhuǎn)換為信息、知識，已經(jīng)成了提高其核心競爭力的關(guān)鍵，其中的數(shù)據(jù)處理在大數(shù)據(jù)的生態(tài)中始終處于不可缺少的地位，因為數(shù)據(jù)處理的時效性，準(zhǔn)確性直接影響數(shù)據(jù)的分析與挖掘，分析的最終結(jié)果影響業(yè)務(wù)的營銷與收入。 今天我們就來說說一種重要的數(shù)據(jù)分析處理手段ETL（Extract-Transform-Load）。

—  01  —ETL發(fā)展的歷史背景

隨著企業(yè)的發(fā)展，各業(yè)務(wù)線、產(chǎn)品線、部門都會承建各種信息化系統(tǒng)方便開展自己的業(yè)務(wù)。隨著信息化建設(shè)的不斷深入，由于業(yè)務(wù)系統(tǒng)之間各自為政、相互獨立造成的數(shù)據(jù)孤島”現(xiàn)象尤為普遍，業(yè)務(wù)不集成、流程不互通、數(shù)據(jù)不共享。這給企業(yè)進(jìn)行數(shù)據(jù)的分析利用、報表開發(fā)、分析挖掘等帶來了巨大困難。 在此情況下，為了實現(xiàn)企業(yè)全局?jǐn)?shù)據(jù)的系統(tǒng)化運作管理（信息孤島、數(shù)據(jù)統(tǒng)計、數(shù)據(jù)分析、數(shù)據(jù)挖掘） ，為DSS（決策支持系統(tǒng)）、BI（商務(wù)智能）、經(jīng)營分析系統(tǒng)等深度開發(fā)應(yīng)用奠定基礎(chǔ)，挖掘數(shù)據(jù)價值 ，企業(yè)會開始著手建立數(shù)據(jù)倉庫，數(shù)據(jù)中臺。將相互分離的業(yè)務(wù)系統(tǒng)的數(shù)據(jù)源整合在一起，建立一個統(tǒng)一的數(shù)據(jù)采集、處理、存儲、分發(fā)、共享中心，從而使公司的成員能夠從不同業(yè)務(wù)部門查看綜合數(shù)據(jù)，而這個過程中使用的數(shù)據(jù)處理方法之一就是ETL。 ETL是數(shù)據(jù)中心建設(shè)、BI分析項目中不可或缺的環(huán)節(jié)。各個業(yè)務(wù)系統(tǒng)中分布的、異構(gòu)的數(shù)據(jù)源，經(jīng)過ETL過程的數(shù)據(jù)抽取、轉(zhuǎn)換，最終存儲到目標(biāo)數(shù)據(jù)庫或者數(shù)據(jù)倉庫，為上層BI數(shù)據(jù)分析，或其他業(yè)務(wù)功能做數(shù)據(jù)支撐。

—  02  —什么是ETL？

ETL，Extract-Transform-Load的縮寫，是將業(yè)務(wù)系統(tǒng)的數(shù)據(jù)經(jīng)過抽取、清洗轉(zhuǎn)換之后加載到數(shù)據(jù)倉庫的過程。ETL是數(shù)據(jù)集成的第一步，也是構(gòu)建數(shù)據(jù)倉庫最重要的步驟，目的是將企業(yè)中的分散、零亂、標(biāo)準(zhǔn)不統(tǒng)一的數(shù)據(jù)整合到一起，為企業(yè)的決策提供分析依據(jù)。ETL一詞較常用在數(shù)據(jù)倉庫，但其對象并不限于數(shù)據(jù)倉庫。 舉個例子，某電商公司分析人員根據(jù)訂單數(shù)據(jù)進(jìn)行用戶特征分析。這時需要基于訂單數(shù)據(jù)，計算一些相應(yīng)的分析指標(biāo)，如每個用戶的消費頻次，銷售額最大的單品，用戶復(fù)購時間間隔等，這些指標(biāo)都要通過計算轉(zhuǎn)換得到。

—  03  —ETL的流程

ETL如同它代表的三個英文單詞，涉及三個獨立的過程：抽取、轉(zhuǎn)換和加載。工作流程往往作為一個正在進(jìn)行的過程來實現(xiàn)，各模塊可靈活進(jìn)行組合，形成ETL處理流程。 1.數(shù)據(jù)抽取 數(shù)據(jù)抽取指的是從不同的網(wǎng)絡(luò)、不同的操作平臺、不同的數(shù)據(jù)庫和數(shù)據(jù)格式、不同的應(yīng)用中抽取數(shù)據(jù)的過程。目標(biāo)源可能包括ERP、CRM和其他企業(yè)系統(tǒng)，以及來自第三方源的數(shù)據(jù)。 不同的系統(tǒng)傾向于使用不同的數(shù)據(jù)格式，在這個過程中，首先需要結(jié)合業(yè)務(wù)需求確定抽取的字段，形成一張公共需求表頭，并且數(shù)據(jù)庫字段也應(yīng)與這些需求字段形成一一映射關(guān)系。這樣通過數(shù)據(jù)抽取所得到的數(shù)據(jù)都具有統(tǒng)一、規(guī)整的字段內(nèi)容，為后續(xù)的數(shù)據(jù)轉(zhuǎn)換和加載提供基礎(chǔ)，具體步驟如下： ①確定數(shù)據(jù)源，需要確定從哪些源系統(tǒng)進(jìn)行數(shù)據(jù)抽取②定義數(shù)據(jù)接口，對每個源文件及系統(tǒng)的每個字段進(jìn)行詳細(xì)說明③確定數(shù)據(jù)抽取的方法：是主動抽取還是由源系統(tǒng)推送？是增量抽取還是全量抽取？是按照每日抽取還是按照每月抽取？ 2.數(shù)據(jù)轉(zhuǎn)換 數(shù)據(jù)轉(zhuǎn)換實際上還包含了數(shù)據(jù)清洗的工作，需要根據(jù)業(yè)務(wù)規(guī)則對異常數(shù)據(jù)進(jìn)行清洗，主要將不完整數(shù)據(jù)、錯誤數(shù)據(jù)、重復(fù)數(shù)據(jù)進(jìn)行處理，保證后續(xù)分析結(jié)果的準(zhǔn)確性。 數(shù)據(jù)轉(zhuǎn)換就是處理抽取上來的數(shù)據(jù)中存在的不一致的過程。數(shù)據(jù)轉(zhuǎn)換一般包括兩類：第一類：數(shù)據(jù)名稱及格式的統(tǒng)一，即數(shù)據(jù)粒度轉(zhuǎn)換、商務(wù)規(guī)則計算以及統(tǒng)一的命名、數(shù)據(jù)格式、計量單位等；第二類：數(shù)據(jù)倉庫中存在源數(shù)據(jù)庫中可能不存在的數(shù)據(jù)，因此需要進(jìn)行字段的組合、分割或計算。主要涉及以下幾個方面： ①空值處理：可捕獲字段空值，進(jìn)行加載或替換為其他含義數(shù)據(jù)，或數(shù)據(jù)分流問題庫②數(shù)據(jù)標(biāo)準(zhǔn)：統(tǒng)一元數(shù)據(jù)、統(tǒng)一標(biāo)準(zhǔn)字段、統(tǒng)一字段類型定義③數(shù)據(jù)拆分：依據(jù)業(yè)務(wù)需求做數(shù)據(jù)拆分，如身份證號，拆分區(qū)劃、出生日期、性別等④數(shù)據(jù)驗證：時間規(guī)則、業(yè)務(wù)規(guī)則、自定義規(guī)則⑤數(shù)據(jù)替換：對于因業(yè)務(wù)因素，可實現(xiàn)無效數(shù)據(jù)、缺失數(shù)據(jù)的替換⑥數(shù)據(jù)關(guān)聯(lián)：關(guān)聯(lián)其他數(shù)據(jù)或數(shù)學(xué)，保障數(shù)據(jù)完整性 3.數(shù)據(jù)加載 數(shù)據(jù)加載的主要任務(wù)是將經(jīng)過清洗后的干凈的數(shù)據(jù)集按照物理數(shù)據(jù)模型定義的表結(jié)構(gòu)裝入目標(biāo)數(shù)據(jù)倉庫的數(shù)據(jù)表中，如果是全量方式則采用LOAD方式，如果是增量則根據(jù)業(yè)務(wù)規(guī)則MERGE進(jìn)數(shù)據(jù)庫，并允許人工干預(yù)，以及提供強(qiáng)大的錯誤報告、系統(tǒng)日志、數(shù)據(jù)備份與恢復(fù)功能。整個操作過程往往要跨網(wǎng)絡(luò)、跨操作平臺。 在實際的工作中，數(shù)據(jù)加載需要結(jié)合使用的數(shù)據(jù)庫系統(tǒng)（Oracle、Mysql、Spark、Impala等），確定最優(yōu)的數(shù)據(jù)加載方案，節(jié)約CPU、硬盤IO和網(wǎng)絡(luò)傳輸資源。

—  04  —ETL與ELT有什么區(qū)別？ ETL架構(gòu)按其字面含義理解就是按照E-T-L這個順序流程進(jìn)行處理的架構(gòu)：先抽取、然后轉(zhuǎn)換、完成后加載到目標(biāo)數(shù)據(jù)庫中。 在ETL架構(gòu)中，數(shù)據(jù)的流向是從源數(shù)據(jù)流到ETL工具，ETL工具是一個單獨的數(shù)據(jù)處理引擎，一般會在單獨的硬件服務(wù)器上，實現(xiàn)所有數(shù)據(jù)轉(zhuǎn)化的工作，然后將數(shù)據(jù)加載到目標(biāo)數(shù)據(jù)倉庫中。如果要增加整個ETL過程的效率，則只能增強(qiáng)ETL工具服務(wù)器的配置，優(yōu)化系統(tǒng)處理流程（一般可調(diào)的東西非常少）。 ELT架構(gòu)則把“L”這一步工作提前到“T”之前來完成：先抽取、然后加載到目標(biāo)數(shù)據(jù)庫中、在目標(biāo)數(shù)據(jù)庫中完成轉(zhuǎn)換操作。在ELT架構(gòu)中，ELT只負(fù)責(zé)提供圖形化的界面來設(shè)計業(yè)務(wù)規(guī)則，數(shù)據(jù)的整個加工過程都在目標(biāo)和源的數(shù)據(jù)庫之間流動，ELT協(xié)調(diào)相關(guān)的數(shù)據(jù)庫系統(tǒng)來執(zhí)行相關(guān)的應(yīng)用，數(shù)據(jù)加工過程既可以在源數(shù)據(jù)庫端執(zhí)行，也可以在目標(biāo)數(shù)據(jù)倉庫端執(zhí)行（主要取決于系統(tǒng)的架構(gòu)設(shè)計和數(shù)據(jù)屬性）。當(dāng)ETL過程需要提高效率，則可以通過對相關(guān)數(shù)據(jù)庫進(jìn)行調(diào)優(yōu)，或者改變執(zhí)行加工的服務(wù)器就可以達(dá)到。 ELT架構(gòu)的特殊優(yōu)勢：①ELT主要通過數(shù)據(jù)庫引擎來實現(xiàn)系統(tǒng)的可擴(kuò)展性；②ELT可以保持所有的數(shù)據(jù)始終在數(shù)據(jù)庫當(dāng)中，避免數(shù)據(jù)的加載和導(dǎo)出，從而保證效率，提高系統(tǒng)的可監(jiān)控性；③ELT可以根據(jù)數(shù)據(jù)的分布情況進(jìn)行并行處理優(yōu)化，并可以利用數(shù)據(jù)庫的固有功能優(yōu)化磁盤I/O；④ELT的可擴(kuò)展性取決于數(shù)據(jù)庫引擎和其硬件服務(wù)器的可擴(kuò)展性；⑤通過對相關(guān)數(shù)據(jù)庫進(jìn)行性能調(diào)優(yōu)，ELT過程獲得3到4倍的效率提升一般不是特別困難。 （1）當(dāng)您想要執(zhí)行復(fù)雜的計算時，ETL工具比數(shù)據(jù)倉庫或數(shù)據(jù)池更有效（2）如果要在加載到目標(biāo)存儲之前進(jìn)行大量數(shù)據(jù)清理。ETL是一種更好的解決方案，因為您不會將不需要的數(shù)據(jù)移動到目標(biāo)。（3）當(dāng)您僅使用結(jié)構(gòu)化數(shù)據(jù)或傳統(tǒng)結(jié)構(gòu)化數(shù)據(jù)倉庫時。ETL工具通常最有效地將結(jié)構(gòu)化數(shù)據(jù)從一個環(huán)境移動到另一個環(huán)境。（4）當(dāng)你想要擴(kuò)展補(bǔ)充數(shù)據(jù)時。如果要在將數(shù)據(jù)移動到目標(biāo)存儲時擴(kuò)展補(bǔ)充數(shù)據(jù)，則需要使用ETL工具。例如，添加時間戳。

關(guān)于億信華辰

億信華辰是中國專業(yè)的智能數(shù)據(jù)產(chǎn)品與服務(wù)提供商，一直致力于為政企用戶提供從數(shù)據(jù)采集、存儲、治理、分析到智能應(yīng)用的智能數(shù)據(jù)全生命周期管理方案，幫助企業(yè)實現(xiàn)數(shù)據(jù)驅(qū)動、數(shù)據(jù)智能，已積累了8000多家用戶的服務(wù)和客戶成功經(jīng)驗，為客戶提供數(shù)據(jù)分析平臺、數(shù)據(jù)治理系統(tǒng)搭建等專業(yè)的產(chǎn)品咨詢、實施和技術(shù)支持服務(wù)。