充分運用ETL工具，構建完整的數據倉庫體系結構

潘敏

摘 要：隨著信息技術的發(fā)展和大量業(yè)務數據的積累，數據倉庫的開發(fā)建設受到越來越多的關注和重視。但是，數據倉庫涉及到很多計算機理論和技術，而且在設計、規(guī)劃和實施等階段中，也會遇到各種困難和風險。文章針對數據存儲和處理這個關鍵環(huán)節(jié)，來介紹構建完整的企業(yè)級數據倉庫將面臨的技術難點，并根據實際項目經驗，給出如何利用ETL工具解決問題的實踐思路和方法。

關鍵詞：數據倉庫；數據處理；ETL；ODI；接口

1 數據倉庫的體系結構

數據倉庫是面向主題的、集成的、相對穩(wěn)定的、反映歷史變化的數據集合。它通常是指一個數據環(huán)境，通過提供當前和歷史數據來輔助決策支持。數據倉庫的組成部分有：數據倉庫數據庫、ETL工具、元數據、訪問工具、數據集市、數據倉庫管理等。通過對多個異構數據源進行有效的集成，并按照應用主題進行數據重組和展示，就形成了數據倉庫系統(tǒng)。由此，根據應用需求的不同，數據倉庫的體系結構可以分為以下四種：

（1）兩層結構：源數據系統(tǒng)經過處理直接加載到數據倉庫；（2）獨立型數據集市：加工成多個獨立的數據集市來滿足多種應用需求；（3）依賴型數據集市和操作型數據存儲：完整的數據倉庫，多個源數據系統(tǒng)先集成到操作型數據存儲（ODS），再轉換、加載到數據倉庫，最后形成部門級數據集市。文章描述的就是此體系結構的構建過程。它的特點是：整合多個復雜的源數據系統(tǒng)；實現(xiàn)各種復雜的數據轉換處理；提供多層次的數據訪問；滿足多部門的即獨立又交叉的應用需求；（4）邏輯型數據集市和實時數據倉庫：沒有獨立的數據集市，體現(xiàn)數據加工的實時性。

2 數據倉庫的ETL過程

ETL過程是數據加工處理過程的統(tǒng)稱，包括三個部分：抽取、轉換和加載。它的目的是為決策支持應用提供一個單一的、權威的數據源。數據倉庫的ETL過程是整個系統(tǒng)實施的關鍵環(huán)節(jié)，關系到數據倉庫的建設成效。無論從理論上還是從實踐上來說，運用ETL工具是一個必需的、明智的選擇。文章以Oracle公司的軟件產品ODI 11g來講解。

3 ETL的技術難點

數據倉庫的數據存儲有四個層次，即源數據系統(tǒng)、ODS、企業(yè)級數據倉庫和數據集市。運用ETL工具就是實現(xiàn)數據在這四個層次中逐層遞進的三級加工處理過程。雖然每一級處理都具有抽取、轉換、加載的處理，但是它們的側重點還是有區(qū)別的。

（1）源數據系統(tǒng)到ODS過程：將多個異構數據源集成到統(tǒng)一的數據集結區(qū)ODS，重點是抽取處理，兼有字符集轉換、數據類型轉換等處理。（2）ODS到企業(yè)級數據倉庫過程：將操作型數據轉換成事件型數據，重點是轉換處理，包含清洗、調和、導出、匹配、合并等多種復雜處理。（3）企業(yè)級數據倉庫到數據集市過程：將數據按照應用需求進行組合，重點是加載處理，還涉及到索引、更新等處理。

下面，結合三級處理，從四個方面描述常見的技術難點及應對。

3.1 數據抽取

（1）靜態(tài)抽?。簽榱吮ＷC源數據的一致性和完整性，應該抽取操作型數據相關的代碼數據和編碼數據。這些數據特點是量小，變化小，可以采用全量刷新方法。ODI工具中，編制一個接口，指定源表和目標表，確定LKM和IKM，即可實現(xiàn)。此方法也適用于初次抽取操作型數據。（2）增量抽?。涸磾祿到y(tǒng)包含大量的業(yè)務數據，必須通過增量更新的方法才能做到有效的抽取。因此，增量更新問題是一個最重要、最根本的技術問題。ODI工具內置的變化數據捕獲機制（CDC）能有效地解決這個問題。實現(xiàn)思路如下：為源表指定日記知識模塊JKM；將源表添加到CDC列表，并啟動日記；編制接口時，勾選日記記錄的數據，并指定增量模式的IKM。此外，還可以通過編制ODI過程代碼來利用現(xiàn)有的物化視圖實現(xiàn)增量更新。

3.2 數據轉換

（1）關鍵維度的統(tǒng)一：多個源數據系統(tǒng)集成后，首先面臨的問題就是關鍵維度的統(tǒng)一。不同的業(yè)務系統(tǒng)有各自不同的關鍵維度（如納稅人識別號，納稅人電子檔案號），這就必須統(tǒng)一到唯一的維度。解決這個問題，可以采用對照表的方法。實現(xiàn)思路如下：選定主要的、核心的業(yè)務系統(tǒng)的關鍵維度；以此維度為主，建立其他業(yè)務系統(tǒng)的維度對照表；ODI工具中，編寫接口時，增加連接維度對照表，增加字段映射。

（2）數據表的合并：業(yè)務系統(tǒng)中可能存在同一事件信息存儲于不同的數據表中的情況。ETL過程需要將分散的數據轉換到一個數據表。雖然可以編寫多個ODI接口實現(xiàn)，但是不可避免地存在數據完整性風險，且編制繁瑣、執(zhí)行效率低下。建議采用多個源數據集來實現(xiàn)，思路如下：在ODI接口中，配置多個源數據集，并設置數據集的順序和關系；以第一順序數據集為主，分別設置目標數據項映射關系；指定帶有多數據集功能的標準LKM和IKM。

（3）數據表的拆分：業(yè)務系統(tǒng)的單一數據表中可能包含同一維度下的不同粒度的數據，這時就需要將源表數據拆分成多個目標表。常見的情況是，納稅人財務報表數據表中同時包含月報、季報和年報。由于ODI 11G版本中限定每一個接口只能有一個目標數據存儲，所以必須采用新的方法來處理。這里，介紹兩種方法來實現(xiàn)。a.編制多個接口，封裝在一個程序包中。步驟如下：分別編制多個接口對應多個目標表，將最后一個接口的“清除日記表”選項設置為真，其余接口該項為假；建立程序包，按順序導入這批接口。b.改造標準IKM，添加插入數據步驟。步驟如下：編制普通的ODI接口，實現(xiàn)一個目標表的加工；模擬執(zhí)行接口，并分析執(zhí)行語句和順序；獲取與目標表相關的語句；復制IKM，并編輯，按照原目標表語句增加其余目標表的執(zhí)行步驟；指定新的IKM。此方法優(yōu)點是執(zhí)行效率高，缺點是改造IKM需要一定的技術儲備，且增加了項目的整體復雜度。

（4）最新有效數據的問題：分析源數據系統(tǒng)的業(yè)務規(guī)則時，會發(fā)現(xiàn)有多次記錄業(yè)務操作數據的情況，例如更正申報。這就要求在數據轉換時，應以操作時間最新或者操作序號最大的記錄作為有效數據。解決的方法有兩種：a.編寫2個接口，利用臨時表存儲最新操作時間或最大操作序號，然后再關聯(lián)源表數據，最后將2個接口依次導入程序包。b.改造IKM接口，增加2個新步驟，修改1個原步驟，具體如下：新增步驟-創(chuàng)建臨時表；新增步驟-在臨時表中插入滿足業(yè)務邏輯的最新有效憑據（時間或序號）；修改步驟-在目標表中插入關聯(lián)到臨時表的源表數據。

3.3 數據加載

（1）創(chuàng)建目標表主鍵：雖然在接口中可以指定目標表的主鍵，但是標準的ODI處理并不能自動生成該主鍵。為此，改造IKM來實現(xiàn)這個重要功能：選擇適當的IKM，為其增加一個選項，并指定類型和默認值；在原IKM步驟中，增加一個創(chuàng)建主鍵的新步驟，并在此步驟的選項欄次中勾選新增選項。

此方法的原理是通過一個自定義選項來控制IKM的邏輯判斷，由用戶通過配置來決定是否執(zhí)行此步驟。

（2）實現(xiàn)增量的全量加載在企業(yè)級數據倉庫和數據集市中，常常需要對不同粒度的數據進行加載，例如將月度數據加載到年度分析中。為此，文章提出以增量的全量方式加載數據，提高效率。具體思路如下：獲取增量中所有的月度；刪除目標表中包含這些月度的年度數據；重新獲取源表中包含這些月度的數據，并加工成年度數據；加載年度數據到目標表。

數據倉庫是包含一系列理論和技術的綜合環(huán)境，它的目的是為數據分析和決策支持提供歷史的、豐富的、可用的數據。由此，數據的存儲和處理也緊緊圍繞這一目的而展開。在這個過程中，工具軟件有著不可替代的重要作用。很多開發(fā)建設理念就集成在工具軟件的應用中。只有充分理解其基礎功能，將其不斷改造完善，才能使這些理念和規(guī)則落地，支撐起整個數據倉庫。