源系统提供增量:
方案普遍要求:源表主键
1.ORACLE技术:Mv 物化视图,如果提供增量,对源表有存在主键的要求。
2.ORACLE技术:Cdc,提供改动记录,可提供增删改类型。
3.源系统 提供 主键+时间戳+增删改标志<wbr></wbr>由原系统人工加入过程或触发器,对所有目标需要的表,任何变化做记录,提供目标系统分析。
4.源系统提供 增量(全记录+时间戳+增删改标志),由原系统人工加入过程或触发器,对所有目标需要的表,任何变化做记录,提供目标系统直接使用。
目标系统 全量对比
目标系统将源系统表的所有内容进行比较,分析得到增删改:
优点:源系统保证表含有主键外,对源系统没有特殊要求。
局限:只适合小数据量,耗费系统资源比较大。<wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr><wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr></wbr>
两种模型
交易数据
<wbr></wbr>数据的分级对待(是否保留数据更新:历史信息)
<wbr></wbr>交易数据分级对待
<wbr>1)</wbr>重要字段: 对于比较敏感,改动时期望留下痕迹的(字段)信息。
<wbr>2)</wbr>非重要字段: 与重要字段对应,对重要字段保留历史信息,一般重要自动有所改动,保留历史记录. 非重要字段有改动一般不保留。
<wbr></wbr>交易数据保留源系统记录中的属性字段.有条件的,同时生成纬度值,以便于成统计数据.通常保留更改时间挫与数据生效/失效时间。
与交易数据对应的一般还有部分中间表.用以存储更新交易数据的增量信息。
统计数据
Cube的建立(业务需求,纬度数量控制):
按业务需求确立纬度数量,但需要按各种cube工具限制纬度数量,以免产生效率问题.以orcle为例,通常限制在7~8个纬度。
Cube刷新频率:
按需:日数据每日刷新,月数据按月刷新。
为兼容需要临时刷新的情况,如有条件,为每次刷新得到的数据提供时间戳,至少另存版本保存,以便日后需要。<wbr></wbr>统计数据的时效性(多版本保留与管理),由于业务上可能要求重新统计,所以有必要按统计时间保留版本。
两类数据的区别
明细与统计,更新频度
索引的区别:
数据仓库中,更多使用bitmap索引。
如果数据量比较大,以分区表的方式保存数据,已便分割管理/加快查询速度。
纬度的建立
缓慢变化纬的优点:
杜绝纬度变化后,模型的大幅度改动。
缓慢变化纬变化时的处理:
更改表中属性值与纬度的映射关系,纬度值只加,不删改。
纬度建立后, 保留原属性的必要性:
回溯源表时,方便查询,建议在交易表中同时存放属性对应的纬度.
属性默认值的确定:
与源系统方面沟通,确立各个属性的默认值,以便处理空,非法值的情况.
表间约束的确定:
与源系统方面沟通,确立表间约束
违反约束及属性取值范围/数值空或非正常数据的获取及提交源系统更正.
索引的建立/数据的分区存储.<wbr></wbr>
抽取
抽取时间<wbr></wbr>
避免数据库资源竞争
通常,数据仓库中,数据库的高负荷时间是夜间,夜间etl/统计数据,白天提供客户查询,如无必要,不要在白天etl,以免使客户感觉到数据不稳定。夜间etl之间不要相互冲突,形成资源竞争。也需与存在该数据库中的其他业务过程高发期错峰。
抽取效率的提高
工具和存储过程的利弊
由于手工编制的存储过程,含有人为因素造成的大概率的错误可能性.普遍,工程上采用工具建立etl模型。
ETL工具的优点:可视化,托拽操作。键盘依赖少(减少输入错误),编程效率高(含有部分智能判断,协助开发)。
ETL工具的缺点:etl代码缺少可读性,不利于甚至不支持人工调优。
ETL工具主要有Datastage、Powercenter、Automation、Kettle等。
数据存储分区的好处/数据分快处理
分块处理,可以减少同时操作的数据量,避免系统瓶颈。
通常,大数据量的ETL耗费大量的系统资源,反而使效率降低。在表关联时,关联事务需要处理的数据量过大。此时可以分块etl,降低系统负荷,减少数据关联结果集。
索引
增加索引,提高查询效率
接口设计导致的效率问题(同时涉及到接口负责度和维护成本)
不同种类的数据库间抽取数据通常方法多种多样,规避没有效率的方法,以便减少ETL整体用时。但是很多方法是基于第三方工具。因此ETL时间开销和项目经费间需要权衡。
调度工具的优势(有效利用服务器空闲资源)
通常,在一连串的ETL环节中,各个环节存在先后顺序,但也有可先可后的环节。各环节的数据操作量/系统占用资源都不同,合理利用资源,在某个占用资源较少的环节中并行加入其他环节是个减少ETL总用时的恰当方法。调度工具就提供了这个途径。
日志的必要性
<wbr></wbr>为所有ETL环节登记日志,优点有:
<wbr> 1.</wbr> 便于查找出错环节
<wbr> 2.</wbr> 便于分析统计ETL用时
<wbr> 3.</wbr> 便于提供必要的证明
各环节先后的次序保证
<wbr></wbr>如果ETL的某些环节有依赖其他环节优先完成的条件,需要严格保证
久远历史数据的库外备份(提高仓库效率)
<wbr></wbr>过于久远的历史数据往往没有使用价值。即便偶尔需要使用也是极少数。我们可以将久远的历史数据从仓库的常用表中迁出,有必要时再放入。这样常用表中数据量减少,有利于加快ETL速度,查询速度,和维护成本。
各类日志日常监控
定期监控各类日志,确保ETL错误的即时处理,检查日渐变慢的ETL环节并将其优化,同时形成各阶段的维护报告。
数据仓库程序测试的特点
无法使用测试库进行测试
由于数据仓库的各个环节正确与否,同时取决于源数据的内容,在不用环境中,数据不同,测试结果不同。所以许保证与正式环境完全相同的环境下测试才有意义。
覆盖测试的必要性
由于各个环节用处99%都不同,所以,抽样测试不能保证整个ETL环节没有错误。
相关推荐
1.12 监控数据仓库环境 17 1.13 小结 19 第2章 数据仓库环境 20 2.1 数据仓库的结构 22 2.2 面向主题 23 2.3 第1天到第n天的现象 26 2.4 粒度 28 2.4.1 粒度的一个例子 29 2.4.2 粒度的双重级别 31 2.5 分割问题 34 ...
1.12 监控数据仓库环境 17 1.13 小结 19 第2章 数据仓库环境 20 2.1 数据仓库的结构 22 2.2 面向主题 23 2.3 第1天到第n天的现象 26 2.4 粒度 28 2.4.1 粒度的一个例子 29 2.4.2 粒度的双重级别 31 2.5 分割问题 34 ...
主要内容包括数据仓库的设计与建造步骤,传统系统到数据仓库的迁移,数据仓库的数据粒度、数据分割、元数据管理、外部数据与非结构化数据,分布式数据仓库、高级管理人员信息系统和数据仓库的设计评审等。...
8.1 数据仓库中的外部数据/非结构化数据 157 8.2 元数据和外部数据 158 8.3 存储外部数据/非结构化数据 159 8.4 外部数据/非结构化数据的不同 组成部分 160 8.5 建模与外部数据/非结构化数据 160 8.6 ...
主要内容包括数据仓库的设计与建造步骤,传统系统到数据仓库的迁移,数据仓库的数据粒度、数据分割、元数据管理、外部数据与非结构化数据,分布式数据仓库、高级管理人员信息系统和数据仓库的设计评审等。...
学习数据仓库的好书,很经典。 目录: 目录 译者序 审、译者简介 前言 第1章 决策支持系统的发展 1 1.1 演化 1 1.2 直接存取存储设备的产生 2 1.3 个人计算机/第四代编程语言技术 3 1.4 进入抽取程序 3 1.5 蜘蛛网 4...
主要内容包括数据仓库的设计与建造步骤,传统系统到数据仓库的迁移,数据仓库的数据粒度、数据分割、元数据管理、外部数据与非结构化数据,分布式数据仓库、高级管理人员信息系统和数据仓库的设计评审等。...
1.12 监控数据仓库环境 17 1.13 小结 19 第2章 数据仓库环境 20 2.1 数据仓库的结构 22 2.2 面向主题 23 2.3 第1天到第n天的现象 26 2.4 粒度 28 2.4.1 粒度的一个例子 29 2.4.2 粒度的双重级别 31 2.5 分割问题 34 ...
主要内容包括数据仓库的设计与建造步骤,传统系统到数据仓库的迁移,数据仓库的数据粒度、数据分割、元数据管理、外部数据与非结构化数据,分布式数据仓库、高级管理人员信息系统和数据仓库的设计评审等。...
BI ETL ELT Kettle 基础知识中文文档汇总 BI项目中ETL设计与思考.pdf CTL工具.pdf ... 数据仓库建模与ETL实践技巧.pdf 睿智ETL交流.pdf 第三章_数据仓库中的ETL和元数据.pptx 面试ETL题总汇.pdf
1.12 监控数据仓库环境 17 1.13 小结 19 第2章 数据仓库环境 20 2.1 数据仓库的结构 22 2.2 面向主题 23 2.3 第1天到第n天的现象 26 2.4 粒度 28 2.4.1 粒度的一个例子 29 2.4.2 粒度的双重级别 31 2.5 分割问题 34 ...
第一章对数据仓库的迫切需求...................................................................................................23 本章目标:.................................................................