ETL的发展历程是什么,很多新手对此不是很清楚,为了帮助大家解决这个难题,下面小编将为大家详细讲解,有这方面需求的人可以来学习下,希望你能有所收获。
Extract(提取):从不同类型的数据源(包括数据库)读取数据。
Transform(转换):将提取的数据转换成特定的格式。转换还包括使用系统中其他数据来丰富数据内容。
Load(加载):将数据写入到目标数据库、数据仓库或者另一个系统中。
根据基础设施的不同,ETL可以划分为两大类。
传统ETL的工作流
数据库、文件和数据仓库之间的处理以批次进行。
目前,大多数公司都需要分析并操作实时数据。但是,传统的工具不适合分析日志、传感器数据、测量数据等。
非常大的领域数据模型需要全局的结构。
传统ETL处理非常慢、非常耗时,而且需要大量资源。
传统架构仅关注已有的技术。因此,每次引入新的技术,应用程序和工具都要重新编写。
随着时间一天天过去,大数据改变了处理的顺序。数据先提取并加载到一个仓库中,并以原始格式保存。每当数据分析师或其他系统需要数据时再进行转换。这个过程叫做ELT。不过这个过程最适合在数据仓库中进行处理。如Oracle Data Integration Platform Cloud等系统提供了该功能。
现代数据处理通常包括实时数据的处理,而且组织也需要对处理过程的实时洞察。
系统需要在数据流上执行ETL,不能使用批处理,而且应该能够自动伸缩以处理更高的数据流量。
一些单服务器的数据库已经被分布式数据平台(如Cassandra、MongoDB、Elasticsearch、SAAS应用程序等)、消息传递机制(Kafka、ActiveMQ等)和几种其他类型的端点代替。
应当避免由于“现写现用”的架构导致的重复数据处理。
改变数据捕获技术的方式,从要求传统ETL与之集成,变成支持传统操作。
源和目标端点应该与业务逻辑解耦合。使用数据映射层,将新的源和端点无缝地衔接,而且不影响数据转换过程。
数据映射层
接收到的数据应当在转换(或执行业务规则)之前进行标准化。
数据应该在转换之后、发布到端点之前转换成特定的格式。
数据清理并不是现代世界中唯一的数据转换过程。数据转换还需要满足组织的许多业务需求。
目前的数据处理通常包含过滤、连接、聚合、序列、模式和丰富化,以执行复杂的业务逻辑。
数据处理过程
将所有生产数据放到文件系统和数据库中,数据的格式各异。
每小时或每天对数据进行处理。
处理来自CDC的事件。
处理新系统通过HTTP收到的以事件为中心的数据。
将处理过的事件发送到多个目的地。
监视当前的库存,在需要新库存的时候发送通知。
使用库存数量查看分析结果。
传统的ETL工具:
下述处理的ETL逻辑是重复的:
对于每个结构不同的文件和数据库。
当目标或源端点的数量增加时。
重复的业务逻辑很难管理和伸缩。
分析和监视所需的数据计算是重复的。
流式平台架构如何解决现代ETL问题:
现代流式平台的工作流
源(例如文件、CDC、HTTP)和目标端点(如Kafka、Elasticsearch、Email)从处理过程中解耦合:
目标、源和存储API连接到多个数据源。
即使源和目标中的数据结构不同,数据映射(如data mapper)层和流SQL(如Query1)也会把从多个源接收到的事件转换成通用的源定义(如Stream1),以便以后进行处理。
流平台架构可以连接传统类型的数据源(如文件和CDC),和广泛应用的现代数据源(如HTTP)。
传统系统和现代系统生成的事件都用同一个工作流进行接收和分析。
聚合(如Aggregation1)按照每分钟、每小时等频率针对需要的属性进行计算。
数据随时按需进行汇总,不需要对整个数据集进行处理和汇总。应用程序和可视化、监视工具可以通过提供的API访问汇总后的数据。
可以无缝地添加并改变一个或多个业务逻辑(如BusinessRule1)。
可以添加任何逻辑,而无需改变已有组件。如上例中,根据BusinessRule1,当紧急程度升高时,就会触发一条Email消息。
通过上述架构,我们可以看到为了ETL数据处理,流式平台与传统系统集成,如文件、CDC与使用Kafka和HTTP的现代系统的结合。
看完上述内容是否对您有帮助呢?如果还想对相关知识有进一步的了解或阅读更多相关文章,请关注亿速云行业资讯频道,感谢您对亿速云的支持。
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。