Hawk原理：通过IEnumerable实现通用的ETL管道

　　针对IEnumerable已经有多篇文章，本篇介绍如何使用IEnumerable实现ETL. ETL，是英文 Extract-Transform-Load 的缩写，用来描述将数据从来源端经过萃取（extract）、转置（transform）、加载（load）至目的端的过程。通常来说，从原始端采集的数据有很多问题，同时可能业务需求与采集的数据格式不相匹配，所以就必须实现ETL过程。

　　ETL可以理解为一条清洗管线，数据从一端流入，从另一端流出。数据量可能很大，所以管线不大可能也没有必要加载全部内容。同时，一般情况下，从管线流出来的数据会进入新的数据池，很少直接修改到原表。

　　从管线的概念可以看出，ETL需要构造可组合的链条，首先实现一组组件，然后实现可将这些组件组装为一条ETL管线的框架。IEnumerable一大堆的LINQ扩展，正好帮我们实现了这一思想。

1. 数据的表达

　　我们先讨论清楚如何表达数据，因为数据处理涉及到动态增减属性的问题，因此一般的实体类是做不到的，我们采用字典来实现。为此我包装了一个实现IDictionary的类。叫做FreeDocument。它可以简单表示如下：

  /// 

    /// 自由格式文档
    /// 
    public interface IFreeDocument : IDictionarySerializable, IDictionary<string, object>, IComparable
    {
        #region Properties

        IDictionary<string, object> DataItems { get; set; }

        IEnumerable<string> PropertyNames { get; }

        #endregion
    }

 

　　因此数据的处理，本质就是对每一个字典对象中的键值对进行增删改查。

2 .基本组件

　　数据清洗组件的基接口是ICollumProcess. 定义如下：

 public interface ICollumProcess : IDictionarySerializable
    {

        string CollumName { get; set; }  //针对的列名

        bool ShouldCalculated { get; set; }  //是否需要重新计算
 
        double Priority { get; set; }  //优先级

        void Finish();  //处理完成时的回收函数

        void Init(IList datas);  //对数据进行初始化的探测行为

    }

 

　　更清晰的说，其实派生出四部分：

　　(1) 生成器

　　生成器即提供/产生数据的组件。这可能包括生成一个从0-1000的数，获取某个数据表中的数据，或从网页检索的结果。它的接口可以表示如下：

[Interface("ICollumGenerator", "数据生成器", SearchStrategy.FolderSearch)]
    public interface ICollumGenerator : ICollumProcess
      {

          /// 

          /// 当前迭代的位置
          /// 
          int Position { get; set; }
          IEnumerable Generate();/// 

          /// 生成器能生成的文档数量
          /// 
          /// 
          int? GenerateCount();
      }

 

　　最主要的方法是Generate，它能够枚举出一组数据出来，同时还有可能（有时做不到）得到能够生成文档的总数量。

　　(2)过滤器

　　过滤器即能够分析一个文档是否满足条件，不满足则剔除的组件。接口也很简单：

　　

  [Interface("ICollumDataFilter", "数据列过滤器", SearchStrategy.FolderSearch)]
     public interface ICollumDataFilter :  ICollumProcess
    {
        bool FilteData(IFreeDocument data);
     
    }

 　　(3)排序器

　　顾名思义，对数据实现排序的接口，定义如下：

  [Interface("ICollumDataSorter", "数据排序器", SearchStrategy.FolderSearch)]
    public interface ICollumDataSorter : IDictionarySerializable, ICollumProcess,IComparer<object>
    {
       
       
         SortType SortType { get; set; }

         IEnumerable Sort(IEnumerable data);
    }

 

　　  排序一般需要升序和降序，但排序最大的问题是破坏了管线的单向流动性和虚拟性。最少LINQ的标准实现上，排序是内存排序，因此必须把数据全部加载进来才能排序，这严重影响了性能。因此目前的排序最好在小数据的情况下进行。

　　(4)列转换器

　　它最重要的组件。整个ETL过程，实质上就是不同的列进行变换，组成另外一些列的过程(列就是键值对)。 定义实现如下：

[Interface("ICollumDataTransformer", "数据转换器", SearchStrategy.FolderSearch)]
    public interface ICollumDataTransformer : ICollumProcess
    {
        string NewCollumName { get; set; }
        SimpleDataType TargetDataType { get; set; }
        ObservableCollection FilterLogics { get; set; }
        object TransformData(IFreeDocument datas);
        IEnumerable<string> AffectedCollums { get; }
    }

　  看着很复杂，但其实就是将文档中的一些列转换为另外一些列。比如对一个字符串的列进行正则替换，或转换其数据类型（如从string变成int）。举个最简单的HTML编解码的例子：

   public override object TransformData(IFreeDocument document)
        {
            object item = document[CollumName];
            if (item == null)
                return "";
            switch (ConvertType)
            {
                case ConvertType.Decode:
                    return HttpUtility.HtmlDecode(item.ToString());
                    break;
                case ConvertType.Encode:
                    return HttpUtility.HtmlEncode(item.ToString());
                    break;
            }
            return "";
        }

 

　　

3. ETL管线的设计

　　 相信你已经想到，ETL管线的核心就是动态组装的LINQ了。

　　 一个最基本的ETL管理类，应当具有以下的属性：

　　  public ObservableCollection CurrentETLTools { get; set; }  //当前已经加载的ETL工具

　　  protected List AllETLTools { get; set; }  //所有能够使用的ETL工具。当然Type只是此处为了方便理解而设定的，更合适的应该是记录了组件元数据，名字和介绍的扩展类。

　　  以及一个方法：

　　  public IEnumerable RefreshDatas(IEnumerable docuts)   //从原始数据转换为新的数据

　　  那么，这个函数的实现可以如下定义：

  public IEnumerable RefreshDatas(IEnumerable docuts)
        {
            if (SampleMount <= 0)
            {
                SampleMount = 10;
            }

            IEnumerable ienumable = docuts.Where(d=>d!=null).Select(d => d.DictSerialize());
            Errorlogs = new List();
         
            List samples = docuts.Take((int) SampleMount).Select(d => d as IFreeDocument).ToList();
            foreach (ICollumProcess tool in
                CurrentETLTools.Where(d => d.ShouldCalculated).OrderByDescending(d => d.Priority))
            {
                tool.SourceCollection = CurrentCollection;

                tool.Init(samples);

                if (tool is ICollumDataTransformer)
                {
                    var ge = tool as ICollumDataTransformer;

                    ienumable = Transform(ge, ienumable);
                }
                if (tool is ICollumGenerator)
                {
                    var ge = tool as ICollumGenerator;
                    if (!ge.CanAppend) //直接拼接
                        ienumable = ienumable.Concat(ge.Generate());
                    else
                    {
                        ienumable = ienumable.MergeAll(ge.Generate());
                    }
                }

                else if (tool is ICollumDataFilter)
                {
                    var t = tool as ICollumDataFilter;
                    ienumable = ienumable.Where(t.FilteData);
                }
                else if (tool is ICollumDataSorter)
                {
                    var s = tool as ICollumDataSorter;

                    switch (s.SortType)
                    {
                        case SortType.AscendSort:
                            ienumable = ienumable.OrderBy(d => d, s);
                            break;
                        case SortType.DescendSort:
                            ienumable = ienumable.OrderByDescending(d => d, s);
                            break;
                    }
                }

                tool.Finish();
            }
            return ienumable;
        }

 

　　  基本实现思路如上。即通过优先级排序所有加载的ETL组件，并提取一部分样例数据，为组件进行一次初始化。然后通过组装不同的转换器，生成器，排序器和过滤器，最后即可组装为一个新的ienumable对象。注意整个过程都是延迟计算的，只有在真正需要ETL结果时才会进行实质性的操作。

　4. 优化ETL管线和实现虚拟视图

　　以上就是ETL的基本思路。但是仅仅做到这些是很不够的。以下才是这篇文章的核心。

　　ETL管线破坏了原有集合的特性，原有集合可能是能够支持索引查询甚至能够执行高性能查找的。但ETL将其退化为仅能够枚举。枚举意味着只能从头访问到尾，不能回退和索引。要想使用新集合，就只能访问其前n个元素，或者全部访问。这显然对一些操作是很不利的。

　　先考虑索引器。如果能满足以下条件：

　　(1) 管线中不包括排序器和过滤器，因为它们使得得集合产生了乱序。

　　(2) 原始集合能够支持索引器

　　(3) 使用的生成器能够提供生成的大小，同时生成器也能够实现索引器

　　(4) 转换器应当只实现1到1转换，没有额外的副作用。

　　 那么原始集合和新集合元素的对应关系是可计算的。此时索引器就能发挥作用。在实际使用中，转换器是用的最多的。条件不可谓不苛刻。

 

　　关于高性能查找，我们先不考虑针对复杂的SQL查询，先考虑那种最简单的find(item[key]==value)的查询。但这个条件更加苛刻：

　　(1) key在原始集合中必须支持高性能查找

　　(2) 满足上述索引器的四个条件

　　(3) 针对key这一列的操作，转换器必须是可逆的。而且最好能实现1-1映射。

　   所谓可逆的意思就是说，转换器能从A转换为B，同时也能通过结果B反推出结果A。 但这种条件何其苛刻！a*5=b,这样的操作是可逆的，然而正则转换，替换以及绝大多数的运算都是不可逆的。

　　怎么办呢？可能的做法，就是转换器在转换过程中，就动态地将key的转换结果保存下来。于是，对新集合的查找操作，最后就能一步步回退到原始集合的查找操作。还有更好的办法么？

 

　　如何让新集合应对复杂的SQL查询？首先需要解析SQL， 这可能涉及到大量的数学推导和转换。以至于在实现当中因为限制太多，基本上不可能实现。以筛选key为一定范围的数据为例，每次都需要逆向推导，这种推导难度非常大。

　

5. 智能ETL和用户体验优化

　　整个ETL过程，是人为观察数据的特性，组合和配置不同的ETL组件，这一过程能够实现自动化吗？

　　人是很智能的，它能够观察不同数据的格式和类型，发现其中的特征，比如以下数据：

高楼层/21层,南垡头翠成馨园,2004年建,塔楼
中楼层/5层,南北豆各庄5号院,2003年建,板楼

 

　　人通过观察这么两行的数据，就可以大概的判断出这些信息分别代表的是什么意思，以及如何去分割和转换。可以用正则，提取第一个出现的数字，即楼层，再使用\d{4}提取年份，而用逗号分割，即可得到小区名称。

　　但是，这个操作依旧需要最少懂得一定程序基础的人来参与，如果用机器来做的话，又该如何做呢？自动化步骤可以分为两个层次：

　　(1) 自动分割和对齐。

　　数据尤其是来自web的数据，由于本身是由程序生成的，因此在格式上有高度的统一性，同时分隔符也是类似的，包括逗号，分号，空格，斜杠等。因此，可以统计不同分割符出现的次数，以及对应的位置，通过概率模型，生成最可能的分割方案，使得每一条数据分割出来的长度和子项数量尽可能一致。

　　(2) 自动识别内容

　　自动识别内容可以依赖于规则或者识别器。一种比较可靠的方法是通过基于正则的文本规则，构造一组规则组。通常200x这样的数值，很容易被理解为年份，而12:32这样的结构，则很容易被识别为时间。通过基于结构的识别引擎，不仅能够识别”这是什么内容“，更能提出其元数据，比如日期中的日月年等信息，为之后的工作做准备。

　　Web表格最大的好处，在于它的格式一致性。只要分析很少的具有代表性的样例数据，就能够掌握整个数据集的特征。因此完全可以用比较大的代价获得一个尽可能高的识别模块，而在执行过程中尽量提升性能。