一種元數(shù)據(jù)驅(qū)動數(shù)據(jù)倉庫設(shè)計(jì)與應(yīng)用

摘 要：數(shù)據(jù)倉庫技術(shù)廣泛服務(wù)于業(yè)界信息系統(tǒng)建設(shè)之需求，大數(shù)據(jù)分布式架構(gòu)的興起也促進(jìn)了數(shù)據(jù)倉庫技術(shù)帶的發(fā)展。文章結(jié)合一個(gè)應(yīng)用項(xiàng)目的需求，設(shè)計(jì)開源技術(shù)方案，實(shí)施多種異構(gòu)數(shù)據(jù)整合、元數(shù)據(jù)驅(qū)動、主題標(biāo)簽及Extjs架構(gòu)的圖形顯示。實(shí)現(xiàn)了一套可視化的數(shù)據(jù)倉庫系統(tǒng)，用以解決復(fù)雜的異構(gòu)數(shù)據(jù)以及數(shù)據(jù)的展示，也為后續(xù)的決策支持系統(tǒng)構(gòu)建和數(shù)據(jù)挖掘工作提供基礎(chǔ)。

關(guān)鍵詞：元數(shù)據(jù)；ETL；異構(gòu)數(shù)據(jù)；數(shù)據(jù)倉庫

1 引言

隨著聯(lián)入互聯(lián)網(wǎng)絡(luò)的發(fā)展，主機(jī)數(shù)、用戶數(shù)和信息源節(jié)點(diǎn)數(shù)的爆炸性增長，使數(shù)據(jù)形式也出現(xiàn)了多樣化，不光有結(jié)構(gòu)性的數(shù)據(jù)，還有許許多多例如TXT文件或者圖片視頻等非結(jié)構(gòu)性數(shù)據(jù)類型，但這些分散的數(shù)據(jù)使人們在信息檢索和網(wǎng)絡(luò)資源管理等方面面臨著許多難題。

關(guān)系型數(shù)據(jù)庫具有極強(qiáng)的管理能力，數(shù)據(jù)的安全性高，和可靠的并發(fā)機(jī)制，一直是結(jié)構(gòu)化數(shù)據(jù)存儲的主流。但各種數(shù)據(jù)庫系統(tǒng)之間的差異，已經(jīng)所依賴操作系統(tǒng)之間的異構(gòu)型，嚴(yán)重影響了信息共享和數(shù)據(jù)交換。

隨著應(yīng)用的不斷進(jìn)步發(fā)展，企業(yè)已經(jīng)不能光靠聯(lián)機(jī)事務(wù)處理OLAP去應(yīng)對壓力取得行業(yè)領(lǐng)先水平，這是他們需要對自身業(yè)務(wù)的運(yùn)作及整個(gè)市場行業(yè)相關(guān)的趨勢進(jìn)行分析，做出有利的決策。這時(shí)對以往大量的歷史數(shù)據(jù)的使用和存貯就成了勢在必行。 但實(shí)際企業(yè)與企業(yè)之間，企業(yè)內(nèi)部各部門之間業(yè)務(wù)、目標(biāo)以及操作系統(tǒng)、存儲方式的不同必然造成數(shù)據(jù)上的差異，不能提供有效的信息共享，形成數(shù)據(jù)孤島，不能滿足管理人員決策分析的需求。傳統(tǒng)關(guān)系數(shù)據(jù)庫依然不能滿足以上需求，這時(shí)就需要一種能夠適應(yīng)決策分析的數(shù)據(jù)環(huán)境——數(shù)據(jù)倉庫（Data Warehouse，DW）。在本文中建立一套數(shù)據(jù)倉庫系統(tǒng)，完成了多種異構(gòu)數(shù)據(jù)的整合，簡單的BI分析并用圖表顯示。第二部分講述數(shù)據(jù)倉庫整體架構(gòu)思路，第三部分為本套以元數(shù)據(jù)為驅(qū)動系統(tǒng)的具體實(shí)施，第四部分文章總結(jié)。

2 技術(shù)背景

數(shù)據(jù)倉庫是數(shù)據(jù)分析和決策支持系統(tǒng)（Decision Supporting System，DSS）在當(dāng)代海量數(shù)據(jù)背景下產(chǎn)生的技術(shù)。是一個(gè)面向主題的、集成的、相對穩(wěn)定的、反映歷史變化的結(jié)構(gòu)化數(shù)據(jù)集合^[1]。數(shù)據(jù)倉庫的建設(shè)更像一個(gè)過程而不是工程，以現(xiàn)有企業(yè)大量歷史的數(shù)據(jù)作為積累，進(jìn)行歸納重組，運(yùn)算分析，把計(jì)策信息及時(shí)地交給企業(yè)管理層，這才是數(shù)據(jù)倉庫的根本任務(wù)。經(jīng)典架構(gòu)見圖1。

圖1 經(jīng)典數(shù)據(jù)倉庫DW

ETL（Extract-Transform-Load），即從各種異構(gòu)數(shù)據(jù)源中抽取數(shù)據(jù)，并按照預(yù)先設(shè)計(jì)好的規(guī)則進(jìn)行轉(zhuǎn)化清洗，處理一些冗余、歧義、殘缺、違反業(yè)務(wù)邏輯的數(shù)據(jù)，統(tǒng)一數(shù)據(jù)粒度，最后加載到目標(biāo)數(shù)據(jù)倉庫中，是建立數(shù)據(jù)倉庫的必要基礎(chǔ)。ETL設(shè)計(jì)和開發(fā)占整個(gè)數(shù)據(jù)倉庫系統(tǒng)開發(fā)量的60%～80%^[2]，一般有兩種工具方案供選擇：一種使用數(shù)據(jù)倉庫引擎廠商提供的ETL工具進(jìn)行數(shù)據(jù)的加載；通過ETL工具提供的編程API進(jìn)行數(shù)據(jù)的加載。前一種更加簡便快捷，后一種更加靈活，性能也有一定的提升。此外最主要的問題就是如何建立有針對性的ETL過程模型，研究組織對早期建立ETL過程模型也給出了很多建議^[5]。還有國外著名數(shù)據(jù)倉庫軟件廠商，如Informatica的powercenter，IBM的infoSphereDataStage，Oracle的Oracle Data Integration，Microsoft的SSIS都是優(yōu)秀的數(shù)據(jù)倉庫工具，其中也有源工具Repository Explorer，Beeload，Kettle，DataSpider集成整套的DW和BI功能。

ETL過程的設(shè)計(jì)需要對數(shù)據(jù)結(jié)構(gòu)，不同的主題也需要設(shè)計(jì)專門的ETL的過程。所以當(dāng)需要轉(zhuǎn)變商業(yè)規(guī)則或數(shù)據(jù)結(jié)構(gòu)，就需要重新設(shè)計(jì)ETL過程，重用性很低。為了解決以上問題，設(shè)計(jì)一種新的ETL應(yīng)對方案，解決的了過程核心的重復(fù)編寫，提供了重用性，采用了ETL工具和API接口相結(jié)合的架構(gòu)方式，能夠滿足大部分的數(shù)據(jù)源和多樣的處理過程，在保證數(shù)據(jù)加載性能的同時(shí)更靈活方便，以元數(shù)據(jù)為驅(qū)動，實(shí)施了一整套數(shù)據(jù)倉庫系統(tǒng)并研究分析。

3 系統(tǒng)設(shè)計(jì)

本系統(tǒng)主要以意大利Pavia大學(xué)IRMA項(xiàng)目為背景，實(shí)現(xiàn)一套交互性的城市助手系統(tǒng)，建立數(shù)據(jù)倉庫，提供分析圖表，幫助行政人員更好的管理城市基礎(chǔ)設(shè)施。市民也可以使用手機(jī)APP主動的加入到城市的監(jiān)控，對公共設(shè)施出現(xiàn)的問題可以立即拍照上傳，并根據(jù)位置信息顯示在地圖上，不同用戶間可以相互評論。城市管理人員在web端監(jiān)視到出現(xiàn)的問題，就會派專人去查看、確定問題，之后會有維修人員到現(xiàn)場去處理，并使用App追蹤維修進(jìn)度。當(dāng)事故解除，市民能查看到問題已處理，可以放心出行。城市管理者也會收到反饋，這樣管理者可以對事故做進(jìn)一步的預(yù)測、預(yù)防。

首先以事故為主題確立需求，建立異構(gòu)數(shù)據(jù)整合架構(gòu)——即ETL過程設(shè)計(jì)，包括源數(shù)據(jù)確立、元數(shù)據(jù)驅(qū)動、ETL流程包。接著選擇維度屬性建立數(shù)據(jù)倉庫，包括事實(shí)表維表屬性選取、虛實(shí)多維數(shù)據(jù)庫設(shè)計(jì)。

3.1 異構(gòu)數(shù)據(jù)整合架構(gòu)

源數(shù)據(jù)——本文的系統(tǒng)主要由三種異構(gòu)數(shù)據(jù)源，文本、xls、xml和數(shù)據(jù)庫，文本數(shù)據(jù)源和XlS文件，一般為業(yè)務(wù)部門常用數(shù)據(jù)格式，其中文本數(shù)據(jù)屬于非結(jié)構(gòu)化數(shù)據(jù)；XML源數(shù)據(jù)主要是從新浪微博上根據(jù)關(guān)鍵字抽取的數(shù)據(jù)。傳統(tǒng)數(shù)據(jù)庫一般為系統(tǒng)內(nèi)部結(jié)構(gòu)化數(shù)據(jù)和外部開放API的DBMS數(shù)據(jù)，主要抽取跨業(yè)務(wù)的結(jié)構(gòu)化數(shù)據(jù)。

元數(shù)據(jù)——是關(guān)于數(shù)據(jù)的數(shù)據(jù)，通過掃描數(shù)據(jù)字典來加載源數(shù)據(jù)庫和目標(biāo)數(shù)據(jù)庫的體系結(jié)構(gòu)，表相關(guān)信息等等。元數(shù)據(jù)庫管理模塊對元數(shù)據(jù)庫中的元數(shù)據(jù)提供修改和維護(hù)管理并寫入日志。中間件是轉(zhuǎn)換過程中的重要部件，減少對數(shù)據(jù)庫的操作，增加轉(zhuǎn)換效率，提高數(shù)據(jù)操作的可靠性和一致性。見圖2。

圖2 元數(shù)據(jù)驅(qū)動架構(gòu)

ETL——數(shù)據(jù)的抽取是ETL過程的第一步，從多種異構(gòu)數(shù)據(jù)源根據(jù)規(guī)則抽取數(shù)據(jù)，系統(tǒng)中三種主要源文件：文本數(shù)據(jù)為非結(jié)構(gòu)化數(shù)據(jù)，作者主要采用正則表達(dá)式和語義詞典相結(jié)合的方式抽?。粩?shù)據(jù)庫數(shù)據(jù)抽取方面直接使用ETL的工具抽??；XML和XLS的文件需要進(jìn)行預(yù)處理，抽取模式和數(shù)據(jù)庫基本相同。

把多個(gè)功能相近的translater根據(jù)功能組成job，多個(gè)job組合實(shí)現(xiàn)了整個(gè)ETL過程。如圖3。兩個(gè)內(nèi)部關(guān)系數(shù)據(jù)庫在抽取時(shí)先過濾掉重復(fù)記錄與空白記錄，xls文件要先設(shè)定數(shù)據(jù)字段的映射，文本文件需要進(jìn)行字段操作提取所需的信息。分布式平臺上抽取的數(shù)據(jù)需要先進(jìn)行字段拆分以便于文本字段整合，最后再通過相應(yīng)的轉(zhuǎn)換流程與結(jié)構(gòu)化數(shù)據(jù)整合。

3.2 多維數(shù)據(jù)倉庫數(shù)據(jù)庫

多維數(shù)據(jù)模型——主要包括事實(shí)表和維表，每個(gè)數(shù)據(jù)倉庫都包含一個(gè)或者多個(gè)事實(shí)表（見表1），它是每個(gè)多維模型的核心，不應(yīng)該包含描述性的信息，以及除了數(shù)據(jù)度量字段與維度表中相關(guān)索引字段外任何的數(shù)據(jù)。維度表可以用來看作用戶分析數(shù)據(jù)的窗口，表中包含事實(shí)數(shù)據(jù)記錄的特性，提供信息并包含幫助匯總信息特性的層次結(jié)構(gòu)。（見表2）

圖4 DFM雪花圖

表1 事實(shí)表

表2 維度表

CUBE——區(qū)域查詢時(shí)數(shù)據(jù)倉庫中進(jìn)行OLAP分析的重要操作，為了提高查詢速度及分析性能，我們根據(jù)主題和需求定義分析模型，建立CUBE。常用的Cube分為三種：物理Cube、虛擬Cube、物理結(jié)合虛擬Cube。作者采用物理虛擬相結(jié)合能很好的發(fā)揮兩者的優(yōu)點(diǎn)。把常用的時(shí)間維度、事故維度、區(qū)域維度等數(shù)據(jù)一次性裝入到原理立方體中建立物理Cube，這些特征變動量少、查詢量大。虛擬Cube事前并不建立任何Cube，而是根據(jù)用戶需求實(shí)時(shí)生成虛擬立方體，方便對于實(shí)時(shí)數(shù)據(jù)的更新，如一定維度下事故發(fā)生頻率。使用靈活但網(wǎng)絡(luò)負(fù)載大。如圖5

3.3 驗(yàn)證

數(shù)據(jù)倉庫就是決策支持系統(tǒng)和聯(lián)機(jī)分析應(yīng)用數(shù)據(jù)源的結(jié)構(gòu)化數(shù)據(jù)環(huán)境。為了給用戶提供更清晰、簡潔、易于理解和操作的界面，我們做了表單、報(bào)表和各種圖形來顯示我們的數(shù)據(jù)，并提供一定的CRUD功能。把移動設(shè)備用戶的上傳消息根據(jù)地理位置聚類，對區(qū)域中有明顯消息增加的地點(diǎn)做實(shí)時(shí)的線狀圖顯示，當(dāng)曲線的到達(dá)一定斜度，便生成提示信息，警告管理人員。如圖6。根據(jù)單位時(shí)間類事故發(fā)生的頻率作了統(tǒng)計(jì)分析，如圖7。選擇查看地點(diǎn)維度，如選取城市維度，發(fā)現(xiàn)paiva事故發(fā)生率高于napol。選擇時(shí)間維度觀測到pavia下午4點(diǎn)的問題發(fā)生率是全天最高。

圖6 檢測儀表

圖7 事故分析圖

4 結(jié)束語

本文提出一種較靈活的ETL方式，該方式采用手工編碼與Kettle工具相互協(xié)作，以元數(shù)據(jù)為驅(qū)動對于多種異構(gòu)數(shù)據(jù)源進(jìn)行整合利用，從數(shù)據(jù)源的記錄、抽取規(guī)則、多維數(shù)據(jù)庫模型等全程監(jiān)視，為數(shù)據(jù)倉庫提供更加全面、更加豐富的源數(shù)據(jù)，并以報(bào)表、數(shù)據(jù)圖和儀表的形式展示在web端。管理人員可以及時(shí)地檢測到事故的發(fā)生，也可以對區(qū)域的問題進(jìn)行總結(jié)分析，做出有效的預(yù)防工作。進(jìn)行數(shù)據(jù)挖據(jù)和BI分析，最大限度的利用好企業(yè)的大量數(shù)據(jù)。

參考文獻(xiàn)

[1]Inmon W H （2005） Building the data warehouse.Fourth Edition，Wiley.

[2]P.Vassiliadis，A. Simitsis，and S.Skiadopoulos，Conceptual modeling for ETL processes，Proc.5th ACM Intl. Workshop on Data Warehousing and OLAP （DOLAP），pp.14-21，2002.

[3]J.Trujillo and S. Lujan-Mora.“A UML Based Approach for Modelling ETL Processes in Data Warehouses”.In I.-Y.Song，S.W.Liddle，T. W. Ling，and P. Scheuermann，editors，ER，volume 2813 of Lecture Notes in Computer science，Springer，2003.

[4]Gianmario Motta，Thiago Barroero，Giovanni Miceli and Yuwei Yin. “Design of performance aware service systems： A Case study”. Service Sciences （IJCSS），2011 International Joint Conference on. 25-27 May 2011.

[5]Selmeci，A.Orosz，T.“SAP remote communications”.Applied Computational Intelligence and Informatics （SACI），2012 7th IEEE International Symposium on.