ETL是將業(yè)務(wù)系統(tǒng)的數(shù)據(jù)經(jīng)過抽取、清洗轉(zhuǎn)換之后加載到數(shù)據(jù)倉庫的過程，目的是將企業(yè)中的分散、零亂、標(biāo)準(zhǔn)不統(tǒng)一的數(shù)據(jù)整合到一起，為企業(yè)的決策提供分析的依據(jù)。 ETL是BI項目最重要的一個環(huán)節(jié)，通常情況下ETL會花掉整個項目的1/3的時間，ETL設(shè)計的好壞直接關(guān)接到BI項目的成敗。ETL也是一個長期的過程，只有不斷的發(fā)現(xiàn)問題并解決問題，才能使ETL運行效率更高，為項目后期開發(fā)提供準(zhǔn)確的數(shù)據(jù)。
ETL的設(shè)計分三部分：數(shù)據(jù)抽取、數(shù)據(jù)的清洗轉(zhuǎn)換、數(shù)據(jù)的加載。在設(shè)計ETL的時候也是從這三部分出發(fā)。數(shù)據(jù)的抽取是從各個不同的數(shù)據(jù)源抽取到ODS中(這個過程也可以做一些數(shù)據(jù)的清洗和轉(zhuǎn)換)，在抽取的過程中需要挑選不同的抽取方法，盡可能的提高ETL的運行效率。ETL三個部分中，花費時間最長的是T(清洗、轉(zhuǎn)換)的部分，一般情況下這部分工作量是整個ETL的2/3。數(shù)據(jù)的加載一般在數(shù)據(jù)清洗完了之后直接寫入DW中去。
ETL的實現(xiàn)有多種方法，常用的有三種，第一種是借助ETL工具如Oracle的OWB、SQL server 2000的DTS、SQL Server2005的SSIS服務(wù)、informatic等實現(xiàn)，第二種是SQL方式實現(xiàn)，第三種是ETL工具和SQL相結(jié)合。前兩種方法各有優(yōu)缺點，借助工具可以快速的建立起ETL工程，屏蔽復(fù)雜的編碼任務(wù)，提高速度，降低難度，但是欠缺靈活性。SQL的方法優(yōu)點是靈活，提高ETL運行效率，但是編碼復(fù)雜，對技術(shù)要求比較高。第三種是綜合了前面二種的優(yōu)點，極大的提高ETL的開發(fā)速度和效率。
數(shù)據(jù)的抽取
數(shù)據(jù)的抽取需要在調(diào)研階段做大量工作，首先要搞清楚以下幾個問題：數(shù)據(jù)是從幾個業(yè)務(wù)系統(tǒng)中來？各個業(yè)務(wù)系統(tǒng)的數(shù)據(jù)庫服務(wù)器運行什么DBMS？是否存在手工數(shù)據(jù)，手工數(shù)據(jù)量有多大？是否存在非結(jié)構(gòu)化的數(shù)據(jù)？等等類似問題，當(dāng)收集完這些信息之后才可以進行數(shù)據(jù)抽取的設(shè)計。
1、與存放DW的數(shù)據(jù)庫系統(tǒng)相同的數(shù)據(jù)源處理方法
這一類數(shù)源在設(shè)計比較容易，一般情況下，DBMS(包括SQLServer，Oracle)都會提供數(shù)據(jù)庫鏈接功能，在DW數(shù)據(jù)庫服務(wù)器和原業(yè)務(wù)系統(tǒng)之間建立直接的鏈接關(guān)系就可以寫Select 語句直接訪問。
2、與DW數(shù)據(jù)庫系統(tǒng)不同的數(shù)據(jù)源的處理方法。
這一類數(shù)據(jù)源一般情況下也可以通過ODBC的方式建立數(shù)據(jù)庫鏈接，如SQL Server和Oracle之間。如果不能建立數(shù)據(jù)庫鏈接，可以有兩種方式完成，一種是通過工具將源數(shù)據(jù)導(dǎo)出成.txt或者是.xls文件，然后再將這些源系統(tǒng)文件導(dǎo)入到ODS中。另外一種方法通過程序接口來完成。
3、對于文件類型數(shù)據(jù)源(.txt,，xls)，可以培訓(xùn)業(yè)務(wù)人員利用數(shù)據(jù)庫工具將這些數(shù)據(jù)導(dǎo)入到指定的數(shù)據(jù)庫，然后從指定的數(shù)據(jù)庫抽取。或者可以借助工具實現(xiàn)，如SQL SERVER 2005 的SSIS服務(wù)的平面數(shù)據(jù)源和平面目標(biāo)等組件導(dǎo)入ODS中去。
4、增量更新問題
對于數(shù)據(jù)量大的系統(tǒng)，必須考慮增量抽取。一般情況，業(yè)務(wù)系統(tǒng)會記錄業(yè)務(wù)發(fā)生的時間，可以用作增量的標(biāo)志，每次抽取之前首先判斷ODS中記錄最大的時間，然后根據(jù)這個時間去業(yè)務(wù)系統(tǒng)取大于這個時間的所有記錄。利用業(yè)務(wù)系統(tǒng)的時間戳，一般情況下，業(yè)務(wù)系統(tǒng)沒有或者部分有時間戳。
數(shù)據(jù)的清洗轉(zhuǎn)換
一般情況下，數(shù)據(jù)倉庫分為ODS、DW兩部分，通常的做法是從業(yè)務(wù)系統(tǒng)到ODS做清洗，將臟數(shù)據(jù)和不完整數(shù)據(jù)過濾掉，再從ODS到DW的過程中轉(zhuǎn)換，進行一些業(yè)務(wù)規(guī)則的計算和聚合。
1、數(shù)據(jù)清洗
數(shù)據(jù)清洗的任務(wù)是過濾那些不符合要求的數(shù)據(jù)，將過濾的結(jié)果交給業(yè)務(wù)主管部門，確認(rèn)是否過濾掉還是由業(yè)務(wù)單位修正之后再進行抽取。不符合要求的數(shù)據(jù)主要是有不完整的數(shù)據(jù)、錯誤的數(shù)據(jù)和重復(fù)的數(shù)據(jù)三大類。