《etl技术规范(通用)》由会员分享,可在线阅读,更多相关《etl技术规范(通用)(8页珍藏版)》请在金锄头文库上搜索。
1、ETL 技术规范第 1 章. ETL 设计规范ETL 设计规范主要应用于 ETL 编码的前期工作。由于 ETL 全过程是面向数据的,主要工作为数据的抽取(Extract) 、转换(Transform) 、装载(Loading) ,正确界定所涉及到的数据范围和应当应用的转换逻辑对于后续的编码工作非常重要,这些数据关系的确定,我们称之为 Mapping(数据映射) 。正确定义数据映射关系是 ETL 成功实施的前提,一个完善的 Mapping 应该包含以下几个部分:1.1源数据集属性此部分应该详细描述数据源的相关属性,包括:实体名称实体名称含数据来源名称(DSN) 、所有者等信息;字段名称字段名称英
2、文名称;字段简述字段简述中文名称,如为参数信息应该有相关取值解释,如性别字段(1:男;2:女;0:不详)类型类型字段类型,含长度和精度信息;非空属性非空属性字段是否可以为空;1.2目标数据集属性此部分应该详细描述目标数据集的相关属性,包括:实体名称实体名称含数据来源名称(DSN) 、所有者等信息;字段名称字段名称英文名称,建议根据字段含义来命名,而不是简单用拼音来定义字段(此部分由负责设计数据集的人员控制) ;字段简述字段简述中文名称,对于保留字段应该给出默认值;类型类型字段类型,含长度和精度信息;非空属性非空属性字段是否可以为空;1.3ETL 规则主要描述 ETL 各个环节的转换规则,包括:
3、数据源过滤规则数据源过滤规则描述从源数据集获取数据过程中过滤掉记录的规则;关联规则关联规则当源数据集为多个时,描述相互之间的关联关系;列转换规则列转换规则描述源数据集到目标数据集的字段间的转换规则;此规则非常重要,要清晰描述字段间的逻辑关系,包括业务逻辑;目标数据集更新规则目标数据集更新规则描述目标数据集的更新策略,包括更新机制和更新频度,如“每日全量更新” 、 “每周增量更新”等;ETL 作业列表作业列表由于 ETL 所开发的作业之间包含一定的业务逻辑和编码逻辑,所以调度过程中应遵循一定的逻辑顺序,此部分主要用来明确调度的顺序,包括:作业名称作业名称实现 Mapping 的作业名称,包括该作
4、业功能描述;调度顺序调度顺序用序号或者是流程图模式描述作业的调度顺序,需要综合考虑业务逻辑、编码逻辑以及系统资源等多方面情况,在保证业务逻辑和编码逻辑的基础上,通过控制调度,最大限度地合理利用系统资源;参数列表列举每个作业中所使用的参数,不同作业中的相同参数最好使用相同的名称,便于调度时进行控制。第 2 章. ETL 开发规范ETL 项目的开发往往是多人团队开发模式,由于周期较长,期间难免会出现开发人员交替现象。无论是开发过程中的人员交替还是从开发到系统运营之间的转换,都需要良好的交接。为保证项目开发各个时期的平稳过度及顺利交接,在开发过程中,应该遵循一定的开发规范。主要包括:命名规范结构规范
5、代码封装规范2.1命名规范2.1.12.1.1 作业命名规范ETL 是一个复杂的工作,数据仓库的建设一般会花费 70以上的工作量在ETL 上面,而且这是一个细致活,任何一点小的错误都有可能造成后续工作的出错和失败;此外,数据仓库需要不断的更新维护,相应的 ETL 程序也需要进行相关的更新维护,所花费的成本也很大。一个好的命名规范,能够使 ETL 的程序更清晰易懂,很好地避免了开发过程中出错;同时更好的可读性,也极大地减低了 ETL 程序的更新维护成本。作业命名规则:JOBTYPEDESCRIPTIONSEQNUMJOBTYPE:作业类型DESCRIPTION:有效的描述信息SEQNUM:作业的
6、编号。由于一定的原因,有可能需要拆分作业数据多次加载数据,这个编号就可以区分加载。如果一次加载可以成功的话这个编号就不需要了。2.1.22.1.2 作业内部命名规范对于作业内部命名,应该遵循代码的可读性与可传递性原则,命名规则:FunctionDescriptionFunction:表示用途,Ex:抽取,Create:创建,Ld:装载,Lookup:查找等Description:有意义的描述,比如数据库表名,文件名等。2.1.32.1.3 作业注释规范ETL 开发过程往往要经历一个较长时间段,为了便于团队开发和后期维护,除开发设计文档要齐全外,还应该在作业设计界面中适当加注释信息,主要包括作业
7、功能说明、所属模块、开发时间、开发人员等信息。2.2结构规范2.2.12.2.1 作业目录组织结构对于 ETL PROJECT 而言,我们需要划分清晰的目录结构,根据一定的规则将作业组织起来,这样无论是对 ETL 设计人员,运行人员,维护人员,都有很大的帮助。目录结构划分遵循以下原则:1体现作业的依赖关系。2体现作业功能。3独立放置二次开发作业。2.2.22.2.2 模块化结构ETL 按照处理逻辑分为 E 阶段(Extract) 、T 阶段(Transformer)和 L 阶段(Loading) 。E、T、L 阶段可能分处不同的服务器上,需要跨网络运行,他们之间的配置情况可能存在较大的差异,而
8、多数 ETL 设计的处理机制是串行运行机制,基于数据行处理。如果 E、T、L 的过程同时运行,那么整体的处理能力应该是三个环节中效率最低的那个环节的处理水平。如果我们将三个环节的设计分开,实行模块化流程处理,即 E 环节、T 环节、L 环节均设计成可独立运行的模块,那么在整个处理过程中,将可以最大限度发挥功效,不会因为串性处理机制而相互制约。另外,模块化的流程设计,对于开发阶段的调试以及维护阶段的出错处理都提供了良好的辅助作用。第 3 章. ETL 维护规范3.1日志检查3.1.13.1.1 日志文件报告ETL 提供日志监测和报告功能。报告分汇总报告和详细报告。汇总报告报告内容:作业总数,WA
9、RNING 作业数,成功作业数,失败作业数,开始时间,结束时间等详细报告报告内容:作业名称,开始时间,结束时间,运行状态等3.1.23.1.2 作业状态排查在 ETL 管理控制台上,可点击进入查看作业更为详细的状态及出错信息,以便于维护更正。3.2出错处理即使是经过严格测试的程序,在实际运行中仍然会因为种种原因而导致出错,根据 ETL 的处理逻辑,我们将错误分为以下三类:抽取错误:简称 E(Extract)类错误转换错误:简称 T(Transformer)类错误装载错误:简称 L(Loading)类错误3.2.13.2.1 E E 类错误这类错误发生在数据抽取阶段。诸如数据库连接故障、网络资源
10、不足等原因都可以导致此类故障。由于此类错误发生时,数据还处于原始状态,未发生转换,对目标数据集也未产生任何影响,理论上可以看做是 ETL 处理未开始,因此处理此类错误相对简单,只需要排除故障原因后重新运行 ETL 处理即可。3.2.23.2.2 T T 类错误这类错误发生在数据转换阶段。引发原因较多,既有环境资源故障的可能,也有设计逻辑缺陷的可能。此类错误发生在 ETL 的中间阶段,应根据实际故障原因进行处理。对于环境资源故障所引发的错误,只需要排除故障原因,重新运行 ETL 的T(Transformer)阶段和 L(Loading)阶段即可。对于设计逻辑缺陷所引发的错误,处理相对复杂首先要定
11、位错误并修正程序,同时要明确该错误是否涉及到数据源的抽取逻辑,如果未涉及到,则在修正逻辑后重新运行 T(Transformer)阶段和 L(Loading)阶段程序即可;若逻辑错误与数据源相关,则需要重新运行包括 E(Extract)阶段在内的整个ETL 处理。3.2.33.2.3 L L 类错误这类错误发生在数据装载阶段,除环境资源故障原因外,最大可能性是需要装载到目标集的数据违反了目标数据集数据约束,如主键重复、非空字段出现空值、数据超长、类型不匹配等等。因环境资源故障(网络故障等等)所引发的出错,处理简单,只需排除故障,将目标数据集恢复到装载前状态,重新运行 L 阶段的处理即可。对于非环
12、境资源所引发的问题,处理与 T 类错误类似:先定位原因,根据以往的经验,问题多数发生在 T 阶段,可能存在设计缺陷或者运行逻辑缺陷,需要对 T 部分的处理进行修正,并将目标数据集恢复到装载前状态,重新运行T 阶段和 L 阶段的处理。在上一章“设计规范”里,我们强调了模块化的流程设计,将 E 阶段、T阶段、L 阶段按流程分模块化设计,其实不仅仅是为了解决系统资源瓶颈问题,同时也是为了方便出错时进行处理。在发生 T 类和 L 类错误时,由于各处理阶段设计相对独立,对于不同阶段的问题,只需要单独运行与该阶段相关的处理,而无须将所有处理过程都重新运行,大大减低重复运行的代价。3.3备份、恢复与版本控制
13、ETL 系统的备份包括两个部分,即 ETL 运行环境备份及数据库的备份。运行备份是指为保证如果运行的 ETL 系统崩溃时可以通过备份的 ETL 系统继续完成 ETL 的工作,为达到这个目的,应安装两台 ETL 环境,并建立相同的配置,其中一台处于运行状态,而另一台为待机状态。每日在日常 ETL 完成后对运行环境的各文件进行备份,即将 ETL 的运行目录转储到外挂磁盘或外部存储介质。而数据库的数据备份对于 ETL 非常重要,建议系统管理员每日做数据的完全备份,每天保留一个备份文件,建议至少保留 7 天。ETL 系统的恢复相应也包括两个部分,即运行恢复及数据恢复运行恢复是指当运行系统遇到严重故障如硬件故障、操作系统崩溃等无法及时修复时,启用备份的运行系统继续,通过将上一日备份的 ETL 环境恢复到待机系统,然后启动待机系统运行日常 ETL。数据库恢复通常两种情况下会用到,一种是数据库系统本身出了故障需要重新安装,这时需要将上一日备份的数据恢复到新的数据库环境中。还有一种是数据加载过程中发现几天以前加载了某些有问题的数据,需要从之前某一天开始重新加载修正后的数据,这时需要将指定日的备份重新恢复到数据仓库中,然后顺序运行每日的日常 ETL。另外,开发过程中需要对所有 ETL 程序及文档进行相应的版本控制,跟踪开发过程中的修改,以保证开发版本的一致性及保持开发的连续性。