核心技術(shù)

架構(gòu)挑戰(zhàn)：

1、對現(xiàn)有數(shù)據(jù)庫管理技術(shù)的挑戰(zhàn)。

2、經(jīng)典數(shù)據(jù)庫技術(shù)并沒有考慮數(shù)據(jù)的多類別（variety）、SQL（結(jié)構(gòu)化數(shù)據(jù)查詢語言），在設(shè)計的一開始是沒有考慮到非結(jié)構(gòu)化數(shù)據(jù)的存儲問題。

3、實時性技術(shù)的挑戰(zhàn)：一般而言，傳統(tǒng)系統(tǒng)，BI應(yīng)用，對處理時間的要求并不高。因此這類應(yīng)用通過建模，運行1-2天獲得結(jié)果依然沒什么問題。但實時處理的要求，是區(qū)別大數(shù)據(jù)應(yīng)用和傳統(tǒng)數(shù)據(jù)倉庫技術(shù)、BI技術(shù)的關(guān)鍵差別之一。

4、網(wǎng)絡(luò)架構(gòu)、數(shù)據(jù)中心、運維的挑戰(zhàn)：隨著每天創(chuàng)建的數(shù)據(jù)量爆炸性的增長，就數(shù)據(jù)保存來說，我們能改進的技術(shù)卻不大，而數(shù)據(jù)丟失的可能性卻不斷增加。如此龐大的數(shù)據(jù)量存儲就是首先面臨的非常嚴峻的問題，硬件的更新速速將是大數(shù)據(jù)發(fā)展的基石，但效果確實不甚理想。

分析技術(shù)：

1、數(shù)據(jù)處理：自然語言處理技術(shù)（NLP）

2、統(tǒng)計和分析：A/B test、top N排行榜、地域占比、文本情感分析

3、：關(guān)聯(lián)規(guī)則分析、分類、聚類

4、模型預測：預測模型、機器學習、建模仿真

存儲：

1、結(jié)構(gòu)化數(shù)據(jù)：海量數(shù)據(jù)的查詢、統(tǒng)計、更新等操作效率低

2、非結(jié)構(gòu)化數(shù)據(jù)：圖片、視頻、word、PDF、PPT等文件存儲、不利于檢索，查詢和存儲

3、半結(jié)構(gòu)化數(shù)據(jù)：轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)存儲、按照非結(jié)構(gòu)化存儲

解決方案：

1、存儲：HDFS、HBASE、Hive、MongoDB等

2、并行計算：MapReduce技術(shù)

3、流計算：twitter的storm和yahoo的S4

大數(shù)據(jù)與云計算：

1、云計算的模式是業(yè)務(wù)模式，本質(zhì)是數(shù)據(jù)處理技術(shù)

2、數(shù)據(jù)是資產(chǎn)，云為數(shù)據(jù)資產(chǎn)提供存儲、訪問和計算

3、當前云計算更偏重海量存儲和計算，以及提供的云服務(wù)，運行云應(yīng)用。但是缺乏盤活數(shù)據(jù)資產(chǎn)的能力，挖掘價值性信息和預測性分析，為國家、企業(yè)、個人提供決策方案和服務(wù)，是大數(shù)據(jù)核心議題，也是云計算的最終方向。

大數(shù)據(jù)平臺架構(gòu)：

我想這幅架構(gòu)圖，對大數(shù)據(jù)處理的人來說，應(yīng)該不是很陌生。

IaaS:：基礎(chǔ)設(shè)施即服務(wù)。基于 Internet 的服務(wù)（如存儲和數(shù)據(jù)庫）。

PaaS：平臺即服務(wù)。提供了用戶可以訪問的完整或部分的應(yīng)用程序。

SaaS：軟件即服務(wù)。則提供了完整的可直接使用的應(yīng)用程序，比如通過 Internet管理企業(yè)資源。

這里也不多涉及這方面的概念，在接下來的幾篇文章中，會對下圖中相關(guān)的部分（主要介紹PaaS模塊中涉及的部分）以及上面提及的技術(shù)挑戰(zhàn)和相關(guān)技術(shù)的介紹。

提綱：

數(shù)據(jù)采集：

數(shù)據(jù)存儲：關(guān)系數(shù)據(jù)庫、NoSql、SQL等

數(shù)據(jù)管理：（基礎(chǔ)架構(gòu)支持）云存儲、分布式文件系統(tǒng)

數(shù)據(jù)分析與挖掘：（結(jié)果展現(xiàn)）數(shù)據(jù)的可視化

本文章的目的，不是為了讓大家對ETL的詳細過程有徹底的了解。只需要知道，這是數(shù)據(jù)處理的第一步，一切的開端。

大數(shù)據(jù)技術(shù)之數(shù)據(jù)采集ETL：

這里不過多的說數(shù)據(jù)采集的過程，可以簡單的理解：有數(shù)據(jù)庫就會有數(shù)據(jù)。

這里我們更關(guān)注數(shù)據(jù)的ETL過程，而ETL前期的過程，只需要了解其基本范疇就OK。

在數(shù)據(jù)挖掘的范疇了，數(shù)據(jù)清洗的前期過程，可簡單的認為就是ETL的過程。ETL的發(fā)展過程伴隨著數(shù)據(jù)挖掘至今，其相關(guān)技術(shù)也已非常成熟。這里我們也不過多的探討ETL過程，日后如有涉及，在細分。

概念：

ETL（extract提取、transform轉(zhuǎn)換、load加載）。ETL負責將分散的、異構(gòu)數(shù)據(jù)源中的數(shù)據(jù)如關(guān)系數(shù)據(jù)、平面數(shù)據(jù)文件等抽取到臨時中間層后，進行清洗、轉(zhuǎn)換、集成，最后加載到數(shù)據(jù)倉庫或數(shù)據(jù)集市中，成為聯(lián)機分析處理、數(shù)據(jù)挖掘提供決策支持的數(shù)據(jù)。

ETL是構(gòu)建數(shù)據(jù)倉庫的重要的一環(huán)，用戶從數(shù)據(jù)源抽取所需的數(shù)據(jù)，經(jīng)過數(shù)據(jù)清洗，最終按照預先定義好的數(shù)據(jù)倉庫模型，將數(shù)據(jù)加載到數(shù)據(jù)倉庫中。其定義域來源也不下于十幾年，技術(shù)發(fā)展也應(yīng)相當成熟?？烧а垡豢?，似乎并沒有什么技術(shù)可言，也沒有什么深奧之處，但在實際的項目中，卻常常在這個環(huán)節(jié)上耗費太多的人力，而在后期的維護上，往往更費腦筋。導致上面的原因，往往是在項目初期沒有正確的估計ETL的工作，沒有認真的考慮其與工具支撐有很大的關(guān)系。

在做ETL產(chǎn)品選型的時候，任然必不可少的要面臨四點（成本、人員經(jīng)驗、案例和技術(shù)支持）來考量。在做ETL的過程中，也隨之產(chǎn)生于一些ETL工具，如Datastage、Powercenter、ETLAutomation。而在實際ETL工具應(yīng)用的對比上，對元數(shù)據(jù)的支持、對數(shù)據(jù)質(zhì)量的支持、維護的方便性、定制開發(fā)功能的支持等方面是我們選擇的切入點。一個項目，從數(shù)據(jù)源到最終目標表，多則達上百個ETL過程，少則也十幾個。這些過程之間的依賴關(guān)系、出錯控制以及恢復的流程處理，都是工具需要重點考慮。這里不再多討論，具體應(yīng)用再具體說明。

過程：

在整個數(shù)據(jù)倉庫的構(gòu)建中，ETL工作占整個工作的50%-70%。下面有人給出團隊之間的ETL過程是如何實現(xiàn)的。在面臨耗費絕大時間的分析過程中，要求第一點就是：團隊協(xié)作性要好。ETL包含E，T，L還有日志的控制，數(shù)據(jù)模型，原數(shù)據(jù)驗證，數(shù)據(jù)質(zhì)量等等方面。

例如我們要整合一個企業(yè)亞太區(qū)的數(shù)據(jù)，但是每個國家都有自己的數(shù)據(jù)源，有的是ERP，有的是Access，而且數(shù)據(jù)庫都不一樣，好要考慮網(wǎng)絡(luò)的性能問題， 如果直接用ODBC去連接兩地的數(shù)據(jù)源，這樣的做法很顯然是不合理的，因為網(wǎng)絡(luò)不好，經(jīng)常連接，很容易數(shù)據(jù)庫鏈接不能釋放導致死機。如果我們在各地區(qū)的服 務(wù)器放置一個數(shù)據(jù)導出為access或者flat file的程序，這樣文件就比較方便的通過FTP的方式進行傳輸。

下面我們指出上述案例需要的幾項工作：

1、有人寫一個通用的數(shù)據(jù)導出工具，可以用java，可以用腳本，或其他的工具，總之要通用，可以通過不同的腳本文件來控制，使各地區(qū)的不同數(shù)據(jù)庫導出的文件格式是一樣的。而且還可以實現(xiàn)并行操作。

2、有人寫FTP的程序，可以用bat，可以用ETL工具，可以用其他的方式，總之要準確，而且方便調(diào)用和控制。

3、有人設(shè)計數(shù)據(jù)模型，包括在1之后導出的結(jié)構(gòu)，還有ODS和DWH中的表結(jié)構(gòu)。

4、有人寫SP，包括ETL中需要用到的SP還有日常維護系統(tǒng)的SP，比如檢查數(shù)據(jù)質(zhì)量之類的。

5、有人分析原數(shù)據(jù)，包括表結(jié)構(gòu)，數(shù)據(jù)質(zhì)量，空值還有業(yè)務(wù)邏輯。

6、有人負責開發(fā)流程，包括實現(xiàn)各種功能，還有日志的記錄等等。

7、有人測試真正好的ETL，都是團隊來完成的，一個人的力量是有限的。

其實上述的7步，再給我們強調(diào)的是什么：一個人，很難成事。團隊至上。

這里我們簡述ETL的過程：主要從E、T、L和異常處理簡單的說明，這里不再細說明。如果用到，我想大家一定會有更深的調(diào)研。

1、 數(shù)據(jù)清洗：

·數(shù)據(jù)補缺：對空數(shù)據(jù)、缺失數(shù)據(jù)進行數(shù)據(jù)補缺操作，無法處理的做標記。

·數(shù)據(jù)替換：對無效數(shù)據(jù)進行數(shù)據(jù)的替換。

·格式規(guī)范化：將源數(shù)據(jù)抽取的數(shù)據(jù)格式轉(zhuǎn)換成為便于進入倉庫處理的目標數(shù)據(jù)格式。

·主外鍵約束：通過建立主外鍵約束，對非法數(shù)據(jù)進行數(shù)據(jù)替換或?qū)С龅藉e誤文件重新處理。

2、 數(shù)據(jù)轉(zhuǎn)換

·數(shù)據(jù)合并：多用表關(guān)聯(lián)實現(xiàn)，大小表關(guān)聯(lián)用lookup，大大表相交用join（每個字段家索引，保證關(guān)聯(lián)查詢的效率）

·數(shù)據(jù)拆分：按一定規(guī)則進行數(shù)據(jù)拆分

·行列互換、排序/修改序號、去除重復記錄

·數(shù)據(jù)驗證：loolup、sum、count

實現(xiàn)方式：

·在ETL引擎中進行（SQL無法實現(xiàn)的）

·在數(shù)據(jù)庫中進行（SQL可以實現(xiàn)的）

3、 數(shù)據(jù)加載

方式：

·時間戳方式：在業(yè)務(wù)表中統(tǒng)一添加字段作為時間戳，當OLAP系統(tǒng)更新修改業(yè)務(wù)數(shù)據(jù)時，同時修改時間戳字段值。

·日志表方式：在OLAP系統(tǒng)中添加日志表，業(yè)務(wù)數(shù)據(jù)發(fā)生變化時，更新維護日志表內(nèi)容。

· 全表對比方式：抽取所有源數(shù)據(jù)，在更新目標表之前先根據(jù)主鍵和字段進行數(shù)據(jù)比對，有更新的進行update或insert。

·全表刪除插入方式：刪除目標表數(shù)據(jù)，將源數(shù)據(jù)全部插入。

異常處理

在ETL的過程中，必不可少的要面臨數(shù)據(jù)異常的問題，處理辦法：

1、將錯誤信息單獨輸出，繼續(xù)執(zhí)行ETL，錯誤數(shù)據(jù)修改后再單獨加載。中斷ETL，修改后重新執(zhí)行ETL。原則：最大限度接收數(shù)據(jù)。

2、對于網(wǎng)絡(luò)中斷等外部原因造成的異常，設(shè)定嘗試次數(shù)或嘗試時間，超數(shù)或超時后，由外部人員手工干預。

3、 例如源數(shù)據(jù)結(jié)構(gòu)改變、接口改變等異常狀況，應(yīng)進行同步后，在裝載數(shù)據(jù)。

在這里涉及到ETL中，我們只要有一個清晰的認識，它不是想象中的簡單一蹴而就，在實際的過程，你可以會遇到各種各樣的問題，甚至是部門之間溝通的問題。在給它定義到占據(jù)整個數(shù)據(jù)挖掘或分析的過程中50%-70%是不足為過的。

后期項目如有涉及ETL過程，會細細討論。

via:CSDN

詳情請咨詢“”！

客服熱線：023-66090381