ETL是將業(yè)務(wù)系統(tǒng)的數(shù)據(jù)經(jīng)過(guò)抽取、清洗轉(zhuǎn)換之后加載到數(shù)據(jù)倉(cāng)庫(kù)的過(guò)程，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)的決策提供分析的依據(jù)。 ETL是BI項(xiàng)目最重要的一個(gè)環(huán)節(jié)，通常情況下ETL會(huì)花掉整個(gè)項(xiàng)目的1/3的時(shí)間，ETL設(shè)計(jì)的好壞直接關(guān)接到BI項(xiàng)目的成敗。ETL也是一個(gè)長(zhǎng)期的過(guò)程，只有不斷的發(fā)現(xiàn)問(wèn)題并解決問(wèn)題，才能使ETL運(yùn)行效率更高，為項(xiàng)目后期開發(fā)提供準(zhǔn)確的數(shù)據(jù)。
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，第一種是借助ETL工具如Oracle的OWB、SQL server 2000的DTS、SQL Server2005的SSIS服務(wù)、informatic等實(shí)現(xiàn)，第二種是SQL方式實(shí)現(xiàn)，第三種是ETL工具和SQL相結(jié)合。前兩種方法各有優(yōu)缺點(diǎn)，借助工具可以快速的建立起ETL工程，屏蔽復(fù)雜的編碼任務(wù)，提高速度，降低難度，但是欠缺靈活性。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)，極大的提高ETL的開發(fā)速度和效率。
數(shù)據(jù)的抽取
數(shù)據(jù)的抽取需要在調(diào)研階段做大量工作，首先要搞清楚以下幾個(gè)問(wèn)題：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)？等等類似問(wèn)題，當(dāng)收集完這些信息之后才可以進(jìn)行數(shù)據(jù)抽取的設(shè)計(jì)。
1、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(包括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、與DW數(shù)據(jù)庫(kù)系統(tǒng)不同的數(shù)據(jù)源的處理方法。
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)工具將源數(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。
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?；蛘呖梢越柚ぞ邔?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，可以用作增量的標(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)間的所有記錄。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)沒有或者部分有時(shí)間戳。
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，再?gòu)腛DS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)和重復(fù)的數(shù)據(jù)三大類。