ETL是數(shù)據(jù)倉庫中的非常重要的一環(huán)，是承前啟后的必要的一步。ETL負(fù)責(zé)將分布的、異構(gòu)數(shù)據(jù)源中的數(shù)據(jù)如關(guān)系數(shù)據(jù)、平面數(shù)據(jù)文件等抽取到臨時(shí)中間層后進(jìn)行清洗、轉(zhuǎn)換、集成，最后加載到數(shù)據(jù)倉庫或數(shù)據(jù)集市中，成為聯(lián)機(jī)分析處理、數(shù)據(jù)挖掘的基礎(chǔ)。下面給大家介紹一下什么是ETL以及ETL常用的三種工具（Datastage，Informatica，Kettle）！

1.ETL是什么？

ETL，是英文 Extract-Transform-Load 的縮寫，用來描述將數(shù)據(jù)從來源端經(jīng)過抽?。╡xtract）、轉(zhuǎn)換（transform）、加載（load）至目的端的過程。（數(shù)據(jù)倉庫結(jié)構(gòu)）通俗的說法就是從數(shù)據(jù)源抽取數(shù)據(jù)出來，進(jìn)行清洗加工轉(zhuǎn)換，然后加載到定義好的數(shù)據(jù)倉庫模型中去。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)的決策提供分析依據(jù)。ETL是BI項(xiàng)目重要的一個(gè)環(huán)節(jié)，其設(shè)計(jì)的好壞影響生成數(shù)據(jù)的質(zhì)量，直接關(guān)系到BI項(xiàng)目的成敗。

2.為什么要用ETL工具？

? 當(dāng)數(shù)據(jù)來自不同的物理主機(jī)，這時(shí)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(shù)據(jù)來源可以是各種不同的數(shù)據(jù)庫或者文件，這時(shí)候需要先把他們整理成統(tǒng)一的格式后才可以進(jìn)行數(shù)據(jù)的處理，這一過程用代碼實(shí)現(xiàn)顯然有些麻煩。

? 在數(shù)據(jù)庫中我們當(dāng)然可以使用存儲(chǔ)過程去處理數(shù)據(jù)，但是處理海量數(shù)據(jù)的時(shí)候存儲(chǔ)過程顯然比較吃力，而且會(huì)占用較多數(shù)據(jù)庫的資源，這可能會(huì)導(dǎo)致數(shù)據(jù)資源不足，進(jìn)而影響數(shù)據(jù)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(yōu)點(diǎn)有：

● 支持多種異構(gòu)數(shù)據(jù)源的連接。（部分）

● 圖形化的界面操作十分方便。

● 處理海量數(shù)據(jù)速度快、流程更清晰等。

3.ETL工具介紹

Informatica和Datastage占據(jù)國(guó)內(nèi)市場(chǎng)的大部分的份額。

4.ETL工具差異

Kettle，Datastage，Informatica三個(gè)ETL工具的特點(diǎn)和差異介紹：

操作

都是屬于比較簡(jiǎn)單易用，主要是開發(fā)人員對(duì)于工具的熟練程度。Informatica有四個(gè)開發(fā)管理組件，開發(fā)的時(shí)候我們需要打開其中三個(gè)進(jìn)行開發(fā)，Informatica沒有ctrl+z的功能，如果對(duì)job作了改變之后，想要撤銷，返回到改變前是不可能的。相比Kettle跟Datastage在測(cè)試調(diào)試的時(shí)候不太方便。Datastage全部的操作在同一個(gè)界面中，不用切換界面，能夠看到數(shù)據(jù)的來源，整個(gè)job的情況，在找bug的時(shí)候會(huì)比Informatica方便。Kettle介于兩者之間。

部署

Kettle只需要JVM環(huán)境，Informatica需要服務(wù)器和客戶端安裝，而Datastage的部署比較耗費(fèi)時(shí)間，有一點(diǎn)難度。

數(shù)據(jù)處理的速度

大數(shù)據(jù)量下Informatica 與Datastage的處理速度是比較快的，比較穩(wěn)定。Kettle的處理速度相比之下稍慢。

服務(wù)

Informatica與Datastage有很好的商業(yè)化的技術(shù)支持，而Kettle則沒有。商業(yè)軟件的售后服務(wù)上會(huì)比免費(fèi)的開源軟件好很多。

風(fēng)險(xiǎn)

風(fēng)險(xiǎn)與成本成反比，也與技術(shù)能力成正比。

擴(kuò)展

Kettle的擴(kuò)展性無疑是最好，因?yàn)槭情_源代碼，可以自己開發(fā)拓展它的功能，而Informatica和Datastage由于是商業(yè)軟件，基本上沒有。

Job的監(jiān)控

三者都有監(jiān)控和日志工具。在數(shù)據(jù)的監(jiān)控上，個(gè)人覺得Datastage的實(shí)時(shí)監(jiān)控做的更加好，可以直觀看到數(shù)據(jù)抽取的情況，運(yùn)行到哪一個(gè)控件上。這對(duì)于調(diào)優(yōu)來說，我們可以更快的定位到處理速度太慢的控件并進(jìn)行處理，而informatica也有相應(yīng)的功能，但是并不直觀，需要通過兩個(gè)界面的對(duì)比才可以定位到處理速度緩慢的控件。有時(shí)候還需要通過一些方法去查找。

網(wǎng)上的技術(shù)文檔

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

5.項(xiàng)目經(jīng)驗(yàn)分享

多張表同步、重復(fù)的操作：在項(xiàng)目中，很多時(shí)候我們都需要同步生產(chǎn)庫的表到數(shù)據(jù)倉庫中。一百多張表同步、重復(fù)的操作，對(duì)開發(fā)人員來說是細(xì)心和耐心的考驗(yàn)。在這種情況下，開發(fā)人員最喜歡的工具無疑是kettle，多個(gè)表的同步都可以用同一個(gè)程序運(yùn)行，不必每一張表的同步都建一個(gè)程序，而informatica雖然有提供工具去批量設(shè)計(jì)，但還是需要生成多個(gè)程序進(jìn)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(shí)候，每次運(yùn)行后都需要把將最新的一條數(shù)據(jù)操作時(shí)間存到數(shù)據(jù)庫中，下次運(yùn)行我們就取大于這個(gè)時(shí)間的數(shù)據(jù)。Kettle有控件可以直接讀取數(shù)據(jù)庫中的這個(gè)時(shí)間置為變量；對(duì)于沒有類似功能控件的informatica，我們的做法是先讀取的數(shù)據(jù)庫中的這個(gè)時(shí)間存到文件，然后主程序運(yùn)行的時(shí)候指定這個(gè)文件為參數(shù)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(yōu)缺點(diǎn)，我們需要根據(jù)實(shí)際項(xiàng)目，權(quán)衡利弊選擇適合的ETL工具，合適的就是最好的。當(dāng)下越來越多公司及其客戶更重視最新的數(shù)據(jù)（實(shí)時(shí)數(shù)據(jù)）展現(xiàn)，傳統(tǒng)的ETL工具可能滿足不了這樣的需求，而實(shí)時(shí)流數(shù)據(jù)處理和云計(jì)算技術(shù)更符合。所以我們也需要與時(shí)俱進(jìn)，學(xué)習(xí)大數(shù)據(jù)時(shí)代下的ETL工具。