Suselinux下infosphere DataStage8.5環境虛擬機文件下載

ETL是數據倉庫中的非常重要的一環，是承前啟後的必要的一步。ETL負責將分布的、異構數據源中的數據如關係數據、平面數據文件等抽取到臨時中間層後進行清洗、轉換、集成，最後載入到數據倉庫或數據集市中，成為聯機分析處理、數據挖掘的基礎。下面給大家介紹一下什麼是ETL以及ETL常用的三種工具（Datastage，Informatica，Kettle）！

1.ETL是什麼？

ETL，是英文 Extract-Transform-Load 的縮寫，用來描述將數據從來源端經過抽取（extract）、轉換（transform）、載入（load）至目的端的過程。（數據倉庫結構）通俗的說法就是從數據源抽取數據出來，進行清洗加工轉換，然後載入到定義好的數據倉庫模型中去。目的是將企業中的分散、零亂、標準不統一的數據整合到一起，為企業的決策提供分析依據。ETL是BI項目重要的一個環節，其設計的好壞影響生成數據的質量，直接關係到BI項目的成敗。

2.為什麼要用ETL工具？

▶ 當數據來自不同的物理主機，這時候如使用SQL語句去處理的話，就顯得比較吃力且開銷也更大。

▶ 數據來源可以是各種不同的資料庫或者文件，這時候需要先把他們整理成統一的格式後才可以進行數據的處理，這一過程用代碼實現顯然有些麻煩。

▶ 在資料庫中我們當然可以使用存儲過程去處理數據，但是處理海量數據的時候存儲過程顯然比較吃力，而且會佔用較多資料庫的資源，這可能會導致數據資源不足，進而影響資料庫的性能。

上面所說的問題，我們用ETL工具就可以解決。它的優點有：

● 支持多種異構數據源的連接。（部分）

● 圖形化的界面操作十分方便。

● 處理海量數據速度快、流程更清晰等。

3.ETL工具介紹

Informatica和Datastage佔據國內市場的大部分的份額。

4.ETL工具差異

Kettle，Datastage，Informatica三個ETL工具的特點和差異介紹：

Suselinux下infosphere DataStage8.5環境虛擬機文件下載，鏈接：https://pan.baidu.com/s/12VTr-uLTWYCm9U9aj10V_g
提取碼：7slm 下載後，用Vmware Worstation 打開，即可以正常使用

操作

都是屬於比較簡單易用，主要是開發人員對於工具的熟練程度。Informatica有四個開發管理組件，開發的時候我們需要打開其中三個進行開發，Informatica沒有ctrl+z的功能，如果對job作了改變之後，想要撤銷，返回到改變前是不可能的。相比Kettle跟Datastage在測試調試的時候不太方便。Datastage全部的操作在同一個界面中，不用切換界面，能夠看到數據的來源，整個job的情況，在找bug的時候會比Informatica方便。Kettle介於兩者之間。

部署

Kettle只需要JVM環境，Informatica需要伺服器和客戶端安裝，而Datastage的部署比較耗費時間，有一點難度。

數據處理的速度

大數據量下Informatica 與Datastage的處理速度是比較快的，比較穩定。Kettle的處理速度相比之下稍慢。

服務

Informatica與Datastage有很好的商業化的技術支持，而Kettle則沒有。商業軟體的售後服務上會比免費的開源軟體好很多。

風險

風險與成本成反比，也與技術能力成正比。

擴展

Kettle的擴展性無疑是最好，因為是開源代碼，可以自己開發拓展它的功能，而Informatica和Datastage由於是商業軟體，基本上沒有。

Job的監控

三者都有監控和日誌工具。在數據的監控上，個人覺得Datastage的實時監控做的更加好，可以直觀看到數據抽取的情況，運行到哪一個控制項上。這對於調優來說，我們可以更快的定位到處理速度太慢的控制項並進行處理，而informatica也有相應的功能，但是並不直觀，需要通過兩個界面的對比才可以定位到處理速度緩慢的控制項。有時候還需要通過一些方法去查找。

網上的技術文檔

Datastage < Informatica < kettle,相對來說，Datastage跟Informatica在遇到問題去網上找到解決方法的概率比較低，kettle則比較多。

5.項目經驗分享

多張表同步、重複的操作：在項目中，很多時候我們都需要同步生產庫的表到數據倉庫中。一百多張表同步、重複的操作，對開發人員來說是細心和耐心的考驗。在這種情況下，開發人員最喜歡的工具無疑是kettle，多個表的同步都可以用同一個程序運行，不必每一張表的同步都建一個程序，而informatica雖然有提供工具去批量設計，但還是需要生成多個程序進行一一配置，而datastage在這方面就顯得比較笨拙。

增量表：在做增量表的時候，每次運行後都需要把將最新的一條數據操作時間存到資料庫中，下次運行我們就取大於這個時間的數據。Kettle有控制項可以直接讀取資料庫中的這個時間置為變數；對於沒有類似功能控制項的informatica，我們的做法是先讀取的資料庫中的這個時間存到文件，然後主程序運行的時候指定這個文件為參數文件，也可以得到同樣的效果。

有一句話說的好：世上沒有最好的，只有適合的！每一款ETL工具都有它的優缺點，我們需要根據實際項目，權衡利弊選擇適合的ETL工具，合適的就是最好的。當下越來越多公司及其客戶更重視最新的數據（實時數據）展現，傳統的ETL工具可能滿足不了這樣的需求，而實時流數據處理和雲計算技術更符合。所以我們也需要與時俱進，學習大數據時代下的ETL工具。

Suselinux下infosphere DataStage8.5環境虛擬機文件下載，鏈接：https://pan.baidu.com/s/12VTr-uLTWYCm9U9aj10V_g
提取碼：7slm 下載後，用Vmware Worstation 打開，即可以正常使用