ETL开发
数据仓库之ETL开发。
ETL开发
概述
ETL是数据仓库的后台，主要包含抽取、清洗、规范化、提交四个步骤，传统数据仓库一般分为四层模型。
分层的作用：
1.划分ETL阶段工作重心，便于管理
2.降低开发和维护成本
3.减少需求变化带来的冲击
4.便于数据问题跟踪
名词解释：
- ODS——操作性数据
- DW——数据仓库
- DM——数据集市
STG层
在维度建模阶段已经确定了源系统，而且对源系统进行了数据评估。STG层是根据CDC策略把各个源系统的数据抽取到数据仓库中。STG层主要是面向批处理的形式，如果是根据日志信息实时同步，可以跳过STG层直接进入ODS层。
STG作用： 减轻源系统压力；数据备份，支持重跑；便于问题跟踪；数据质量检查，主要起到缓冲的作用。
开发步骤：
- 确定CDC策略，根据源系统的数据状况选择一个合适的CDC策略。
- 设计Mapping文档。
- 设计物理模型，STG的物理模型一般包括源系统的所有字段和审计字段，例如：源系统名称，源表名称，加载时间，加载方式。可以去掉其他约束条件，比如主键、索引，默认值。如果源表和目标表的数据库类型不同，最好字段长度要进行扩充，一般目标表的数据类型就选择几种常用，长度就选择几个固定的长度。
- 抽取数据，STG层面向异构数据源，最好选择用ETL工具，一般ETL工具都支持多种数据源。STG层不做数据转换。
- 加载数据，STG层一般保留7天或一月的数据
ODS层
ODS层是把STG层数据进行历史存档，保留源系统的所有历史数据，如果是流式的，可以跳过STG层，实时同步到ODS层。
ODS作用： 全量存储源系统的数据；支持下游系统实时查询业务；数据质量检查
开发步骤：
- 设计Mapping文档。
- 设计物理模型，ODS的物理模型一般包括源系统的所有字段和审计字段，但是和源系统最主要的区别是ODS层加了逻辑删除标记和增量时间戳。因为很多源系统都可能进行物理删除数据，即使有逻辑删除标记，但是也可以在后台人工删除数据。
- 抽取数据，ODS层从STG层抽取数据，在同一个数据平台上，可以采用ETL工具，也可以手工编码。
- 加载数据，进行数据比较，判断是否有物理删除情况，如果有打上删除标记。ODS层保留全量数据。
DW层
DW层是清洗、规范化，提交一致化维度和事实的工作区，建立反规范化的维度模型。
数据清洗： 数据清洗是发现数据质量问题并纠正数据的过程，通用的方法是戴明质量环
主要步骤：
- 定义数据质量需求，根据业务需求和数据剖析结果确定数据质量需求的优先级。
- 制定数据质量测量类型
- 提交数据质量测量结果表，通常异常数据处理策略有：中断处理；把拒绝记录放在错误时间表里；只做标记，数据继续处理
- 纠正数据分为四个优先级：必须在ETL处理；最好在ETL处理；最好在源头处理；必须在源头处理
数据规范化：
由于数据仓库的数据来源各个业务系统，每个业务系统相对都是封闭的，他们在命名、取值上都有自己的特点。规范化就是经过标准化、去重、合并、拆分、整合等过程把各个业务系统的数据统一命名，统一取值，建立企业标准版本数据。
主要步骤：
1.数据标准化
从数据的内容、格式、命名、计算规则等输出为唯一的版本数据，把各个源系统的相同描述对象但是不同取值进行统一，比如：性别字段，有的源系统用0和1或Man和Wonen。通过映射表统一命名为M和F。
2.删除重复数据
如果源系统中存在重复数据或者多个源系统维护了相同对象的数据，这时候就要根据保留规则，删除重复数据，只保留唯一的一条数据。
3.数据共存
把各个业务系统的数据经过拆分、合并、整合。例如相同的客户号，二个源系统都维护了这个客户的联系方式，这时候就要根据业务规则来选择保留哪那个源系统的值。
维度表的提交：
- 1.确认粒度
维度表的粒度就是表的业务主键，根据业务主键来判断记录的唯一性。
- 2.选择代理键生成器
ETL工具和数据库都有设置字段自增长的功能。
- 3.选择维度表类型
根据业务系统的实际情况选择合适的维度表类型，一般采用缓慢变化维类型1和类型2。
- 4.增量加载维度数据
维度表的每个字段都要设置默认值，不能为空。首次加载的时候要有一条代理键为-1的默认记录，为了防止事实表查找不到代理键。
- 5.生成代理键管道
为了生成事实表的维度代理键，一般会建一个查找维表，查找维表包含业务主键和代理键的映射关系。
事实表的提交：
- 1.选择事实表类型
根据业务需求选择合适的事实表类型，一般会先建最细粒度的事务事实表，根据事务事实表建周期快照或累积事实表。
- 2.用代理键替换主键
根据事实表中维表的业务主键关联查找维表替换成代理键，如果关联不上设置为-1。
- 3.增量加载事实数据
事实表的每个字段不能为空，事实表主要包含事实粒度的业务主键、维表业务主键、维表代理键、源表的主键、逻辑删除标识和事实。便于重新加载事实表和问题跟踪。由于事实表的数据量大，一般采用分区的方式进行存储。
- 4.提交错误事实表
把加载事实表的拒绝记录存储在错误事实表中，以便进行数据质量跟踪。
- 5.事实表合并
一级事实表都是根据单个业务过程建立的，为了便于分析和重用，需要把多个业务过程的事实表进行合并，形成二级事实表。
- 6.事实表归档
随着时间的推移，事实表中会存放大量的历史数据，如果这些数据很少再出现在统计分析中，需要把这些数据迁移到其他表中或以文件格式存储。
DM层
DM层根据业务需求把DW层数据进行聚合或生成宽表。
创建聚合事实表
前台展现的数据一般都是聚合后的数据，聚合后的数据量比最细粒度的事实表小很多，查询性也有很大的提升。
创建聚合表的方法
1.增量加载，创建聚合表，增量加载聚合表。
2.聚合导航，用户通过报表分析工具，根据用户请求把基础事实表自动生成聚合数据。
3.物化视图，创建物化视图定时刷新聚合表。
创建缩小维度表
由于聚合事实表的粒度和基础事实表粒度不同，需要创建和聚合表相同粒度的维度表，这些维度表只是基础维度表的缩小版。
ETL优化
1.减少磁盘I/O
- 关联查询的时候，尽可能把无效的数据过滤掉
- 只查出需要的列
- 大数据量尽量不要有排序
- 在加载数据时关闭日志
2.分区和并行
- 大数据量可以进行分区
- 查询和任务调度都可以进行并行处理
3.增量加载
4.增加索引
5.大而化小,复杂的查询可以分成多个子任务来执行。
6.重用结果集,把多个查询任务的共用数据可以单独建临时表。
