壮实学数据技术04：ETL

hi，米娜桑，壮实又在周六早上和大家见面啦～

经过上节的《壮实学数据技术03：数据接入》，我们要进入到数据开发的阶段喽。在了解数据开发的时候，我们绕不过去一个词：ETL。

那么什么是ETL？我们为什么需要ETL？市面上的ETL工具有哪些？今天，壮实来带你盘盘ETL。

一、什么是ETL

上回书我们说到，数据接入到数仓中后，需要经过一系列操作，供业务方使用。而这一系列的操作过程，简单来说就是数据就要按照统一的规则集成。我们把这些规则集成，叫做一个个数仓模型。

如果把数仓模型比做大厦，数据是砖瓦的话，那么ETL就是建设大厦的过程。它链接着数据源和数据仓库的两端。

在数仓建设的整个项目中，最难部分是用户需求分析和模型设计，而ETL规则设计和实施则是工作量最大的，约占整个项目的60%～80%，这是国内外从众多实践中得到的普遍共识。

ETL（Extract-Transform-Load），即数据从数据源经过抽取（extract）、转换（transform）、加载（load）至目的端的过程。我们从数据源抽取出所需的数据，经过数据清洗，最终按照预先定义好的数据仓库模型，将数据加载到数据仓库中去。这中间有各种各样的同步数据和异步数据，常见的有mysql2hive、hive2hive、hive2mysql等等。

ETL的实现，常见为三种。一种是借助ETL工具，一种是SQL方式，另外一种是ETL工具和SQL相结合。前两种方法各有各的优缺点，借助工具可以快速的建立起ETL工程，可以屏蔽复杂的编码任务，提高速度，降低难度，但是缺少灵活性。而SQL的方法优点是灵活，提高ETL运行效率，但是编码复杂，对技术要求比较高。第三种是综合了前面二种的优点，极大地提高ETL的开发速度和效率。

ETL工具有 Datastage、Informatica、Kettle 等。其中 Datastage、Informatica 都是收费昂贵的商业工具，Kettle是基于Java开发的开源工具，这些工具可以通过拖拽配置等方式进行ETL开发。

二、为什么需要ETL

那么为什么需要ETL呢？主要有以下几点原因：

1、当数据来自不同的物理机，这时候如果使用SQL处理的话会浪费计算资源。

2、数据来源于不同数据库或者文件，需要把他们整理成统一的格式后才可以进行数据处理，这一过程用代码实现会很麻烦。

3、处理海量数据时会占用较多数据库的资源，会导致数据库资源不足，进而影响数据库的性能。

简单来说，进行不同数据源的ETL之后，会节省计算资源、存储资源、代码也会简单很多，省钱又省力，还省心。

三、ETL工具连连看

3.1 ETL工具选择依据

（1）对平台的支持程度

（2）抽取和装载的性能是不是较高，且对业务系统的性能影响大不大，侵入性高不高

（3）对数据源的支持程度

（4）是否具有良好的集成性和开放性

（5）数据转换和加工的功能强不强

（6）是否具有管理和调度的功能

3.2 主流ETL工具推荐

商用

企业

（1）阿里-御膳房

我们可以看一下阿里御膳房这个产品， 在数据开发的整个流程中，是以“模型设计”、“数据开发”、“发布”、“运维”流程化展开的。

类似的设计还有蚂蚁的ETL数据平台：

（2）网易猛犸大数据平台

在大数据开发套件的数据开发模块，网易猛犸大数据平台提供了数据库传输、SQL、Spark、OLAP Cube、MapReduce及Script各种类型任务的敏捷开发界面，任务开发者可以通过拖拽创建任务，方便地进行数据集成、数据ETL、数据分析等数据科学工作。以数据库传输为例，用户只需将“数据库传输”组件拖拽到画布上并双击，通过下拉框选择和手动输入填写表单，快速完成数据传输的任务开发。

（3）字节跳动priest

用户可以进行统一托管，声明式ETL定义。援引https://myslide.cn/slides/4103

可以看到，目前ETL工具还是呈现百花齐放的方式，有类SQL模式、有拖拽模式、有封装配置模式。

当然，深入到数据开发的产品类型当中，远远不止这些，还设计到UDF、DSN、ETL参数调优（小文件过多&数据倾斜）、transform等等。

除此之外，还有ETL调度、SLA链路等等设计到数据开发后的数据调度、数据生产的流程。如果同学们对数据开发产品感兴趣，可以线下自助查询～

好啦，今天《壮实学数据技术04：ETL》就到这里啦，谢谢你的围观～

-END-