大数据ETL技术中的数据抽取方法

说到大数据仓库技术，不得不提ETL，ETL一词较常用在数据仓库，但其对象并不限于数据仓库。可以说是非常重要的一个环节，简单介绍一下ETL数据抽取比对的方法。

什么是ETL

ETL，是英文Extract-Transform-Load的缩写，用来描述将数据从来源端经过抽取（extract）、转换（transform）、加载（load）至目的端的过程。将业务系统的数据经过抽取、清洗转换之后加载到数据仓库的过程，目的是将企业中的分散、零乱、标准不统一的数据整合到一起，为企业的决策提供分析依据。

全量抽取

全量抽取就是完整复制，比较简单，没有什么需要说的，大部分情况是增量同步。

增量抽取

增量抽取是指基于上次抽取以后，捕捉数据库中的新增、修改、删除的数据变化。在增量抽取时一般不允许影响业务系统的稳定性，所以不能进行锁表或大规模的数据查询。

触发器方案

在业务系统中建立插入、修改、删除三个触发器，每当数据变化时向临时表中添加数据，这样直接可以取到相应的变化量数据，但缺点是会对数据源系统造成侵入，影响数据源系统的性能。

时间戳方案

基于递增数据比较的增量数据捕获方式，在源表上增加一个时间戳字段，系统中更新修改表数据的时候，同时修改时间戳字段的值，进行数据抽取时，通过比较系统时间与时间戳字段的值来决定抽取哪些数据。这个方案无法对比出被删除的数据，同时也对源系统有入侵性，因为要增加时间戳字段，并且要求数据修改的时候更新时间戳字段。

哈希(Hash)对比方案

这个方案是我接下来要重点说的，先看我画的一张图，然后慢慢解释各个节点都是怎么做的：

首先获取要对比的时间窗口、对比的字段，注意一定要在同一的一个数据窗口范围内对比，否则是没有意义的，比较常见的是在时间维度上做统一的对比窗口，比如对比一天之内的数据。

然后分别向源数据端和目标端数据库发送一个SQL，取出主键（例如id）和对比字段们的Hash值，我们就可以得到在一个统一数据窗口内的双方主键和对比列的Hash伪列。

将得到的两个集合求各自的补集，CuB就是B的补集，CuA就是A的补集，也得出了双方的变化量，交集是没有发生变化的数据，可以丢弃了。

计算得到双方的补集CuB和CuA以后，再使用主键去各自的数据源拉取真实的数据过来，注意下面的对比操作都是真实数据，而不是Hash伪列了。

利用业务维度中的主键，再求两个集合的补集和交集，注意这里使用的是业务维度中的唯一主键了（例如身份证号），不是上一步的数据库主键id了，一定要注意。这次求出的CuB就是B的补集，将来要在数据源B中新增的数据，CuA就是将来交给A新增的数据，还有个交集，这个交集就是冲突数据，说明两端数据不一致，需要根据用户设置或者交给用户决定，以哪一侧数据为准进行数据覆盖。

那删除的数据怎么识别出来呢，其实在部署ETL工具之前，就需要先建立数据标准规范，也就是数据治理，里面就规定必须要有删除标记，更新标记。

日志方案

通过分析数据库自身的日志来判断变化的数据。Oracle的改变数据捕获(CDC，Changed Data Capture)技术是这方面的代表。CDC 特性是在Oracle9i数据库中引入的，能够帮助你识别从上次抽取之后发生变化的数据。利用CDC，在对源表进行insert、update或 delete等操作的同时就可以提取数据，并且变化的数据被保存在数据库的变化表中。这样就可以捕获发生变化的数据，然后利用数据库视图以一种可控的方式提供给目标系统。

没有数据治理的情况

在上面的三个方案中，我们都会要求数据源做相应的修改，比如增加触发器、增加时间戳、增加删除字段，但往往在现实中，很多数据源不允许我们修改他们的数据结构，或者不能配合我们做适配。

这种情况下，我们想要识别出数据的增删改，就需要在我们ETL工具内部建立一个镜像机制，也就是给数据源一个快照，然后对比上一次的快照，找出增删改的数据，这种方式虽然入侵性几乎为零，但带来的牺牲就是执行效率上的下降，毕竟需要大量数据的迁移，会影响原有系统的稳定性，而且也需要保存和管理镜像快照。实在没有办法的情况下只能牺牲效率使用这种方案。

设计图下载：ETL.pdf