1.4 什么是ETL

ETL是Extract-Transform-Load的縮寫，中文名為數據倉庫技術，用來描述將數據從來源端經過抽取（Extract）、轉換（Transform）、加載（Load）至目的端的過程。ETL的目的是將企業中的分散、零亂、標準不統一的數據整合到一起，為企業的決策提供分析依據。ETL是商務智能項目中的重要環節。通常情況下，在商務智能項目中，ETL會花掉整個項目至少1/3的時間。ETL設計的好壞直接關接到商務智能項目的成敗。

1.4.1 數據的抽取

要想實現數據的抽取，就需要在調研階段做大量的工作。首先要搞清楚數據是從幾個業務系統中來，各個業務系統的數據庫服務器運行什么數據庫管理系統（Data Base Management System，DBMS），是否存在手工數據，手工數據量有多大，是否存在非結構化的數據等。在收集完這些信息之后，我們才可以進行數據抽取的設計。

1.對于與數據倉庫的數據庫系統相同的數據源處理方法

這一類數據源在設計上比較容易。一般情況下，DBMS都會提供數據庫鏈接功能，在數據倉庫數據庫服務器和原業務系統之間建立直接的鏈接關系就可以寫Select語句直接訪問。

2.對于與數據倉庫數據庫系統不同的數據源的處理方法

對于這一類數據源，一般情況下，也可以通過開放數據庫鏈接（Open Database lonnectivity，ODBC）的方式建立數據庫鏈接，如SQL Server和Oracle之間。如果不能建立數據庫鏈接，則可以使用其他兩種方式完成：一種是通過工具將源數據導出成“.txt”格式或者是“.xls”格式的文件，然后再將這些源系統文件導入到操作數據存儲（Operational Date Store，ODS）中；另一種方法是通過程序接口來完成。

3.對于不同文件類型的數據源

業務人員可以利用數據庫工具將不同文件類型的數據導入到指定的數據庫，然后從指定的數據庫中抽取。這還可以借助工具來實現。

4.增量更新的問題

對于數據量大的系統，必須考慮增量抽取。一般情況下，業務系統會記錄業務發生的時間，可以用來做增量的標志，每次抽取之前首先判斷ODS中記錄最大的時間，然后根據這個時間去業務系統取大于這個時間所有的記錄。利用業務系統的時間戳，一般情況下，業務系統沒有或者部分有時間戳。

1.4.2 數據的清洗

數據清洗的任務是過濾那些不符合要求的數據，將過濾的結果交給業務主管部門，確認是否過濾掉，還是由業務單位修正之后再進行抽取。不符合要求的數據主要是有不完整的數據、錯誤的數據、重復的數據三大類。

1.不完整的數據

這一類數據缺失一些應該有的信息，如缺失供應商的名稱、分企業的名稱、客戶的所屬區域等信息或業務系統中的主表與明細表不能匹配等。需將這一類數據過濾出來，然后按缺失的內容分別寫入不同Excel文件，再向客戶提交，要求客戶在規定的時間內補全。補全后才可寫入數據倉庫。

2.錯誤的數據

錯誤數據主要是因業務系統不夠健全，在接收輸入后沒有進行判斷就直接寫入后臺數據庫造成的，比如數值數據輸成全角數字字符、字符串數據后面有一個回車操作、日期格式不正確、日期越界等。這一類數據也要分類、對于類似于全角字符、數據前后有不可見字符的問題，只能通過寫SQL語句的方式找出來，然后要求客戶在業務系統修正之后抽取；日期格式不正確的或者是日期越界的錯誤會導致ETL運行失敗。這一類錯誤需要去業務系統數據庫用SQL的方式挑出來，然后交給業務主管部門要求限期修正，修正之后再抽取。

3.重復的數據

這一類數據經常在維表中出現。這時需將重復數據的所有字段導出來，讓客戶確認并整理。

數據清洗是一個反復的過程，不可能在幾天內完成，我們只能不斷地發現問題、解決問題。對于是否過濾、是否修正，一般要求客戶確認。對于過濾掉的數據，可寫入Excel文件或者非Excel類型的數據表，在ETL開發的初期可以每天向業務單位發送過濾數據的郵件，以盡快修正錯誤。數據清洗時需要注意的是：不要將有用的數據過濾掉，對于每個過濾規則都要認真進行驗證，并要用戶確認。

1.4.3 數據的轉換

數據轉換的主要任務是進行不一致的數據轉換、數據粒度的轉換，以及一些商務規則和指標的計算。

1.轉換不一致的數據

這個過程是一個整合的過程，是將不同業務系統的相同類型的數據統一的過程，比如同一個供應商在結算系統的編碼是XX0001，而在CRM中的編碼是YY0001，這就需要進行數據轉換，以統一編碼。

2.轉換數據粒度

業務系統一般存儲非常明細的數據，而數據倉庫中的數據是用來分析的，不需要非常明細的數據。一般情況下，會將業務系統中的數據按照數據倉庫的粒度進行聚合。

3.計算商務規則和指標

不同的企業有不同的業務規則、不同的數據指標，這些規則和指標有的時候不是簡單的加加減減就能完成的。這個時候需要在ETL中對這些數據指標進行計算，之后存儲在數據倉庫中，以供分析使用。

ETL是商務智能項目的關鍵部分，也是一個長期的過程，只有不斷地發現問題并解決問題，才能使ETL運行效率更高，從而為商務智能項目的后期開發提供準確與高效的數據。