流行ETL数据传输解决方案
第
2.1IBMDataStage解决方案
2.1.1IBMDataStage简介
IBM InfoSphereDataStage是业界较为流行的ETL(Extract,Transform, Load)工具。它支持各种数据源和文件格式，可以满足大规模数据ETL需求。功能强大，可适用于多种类型的业务场景。而且比较灵活，拓展性强。
DataStage的应用程序设计采用图形界面[8]。用户只需把各种数据输入、不同转换和数据输出组件拖放至作业设计界面中，并且把表的查询、排序和汇总等数据运算步骤形成网状结构即可。数据输入包括文件以及需要捕捉增量数据或全量数据的异构表。ETL过程还需要对这些文件或数据库的值进行比较。DataStage核心是服务引擎。数据库的连接、底层SQL语句执行和文件的差异比较等都是由服务器引擎执行的。数据行以流的形式在整个转换链中转移，最后完成多目标写入。
InfoSphereDataStage优点是功能强大，性能和伸缩扩展性强。缺点是价格昂贵，日志繁多且不利于维护和升级。因此对于有专业的数据团队的企业来说显得太过重量级。它具有以下功能：
-
从各种通用的数据源抽取数据。
-
合并数据验证规则。
-
一些大数据量的转换步骤的并行执行。
-
处理非常复杂的变换。
-
管理多个集成过程。
-
可直接连接到作为源或目标的企业应用程序。
-
利用元数据进行分析和维护。
-
以批处理、实时或WebService方式操作。
2.1.2 IBMDataStage开发流程设计
与大多数流行的ETL工具类似，在DataStage开发流程中存在两个重要的概念：Job和Stage[9]。Job是一个完整的运行单元，对应一个ETL任务，关联着数据源表和目标表以及一些列的数据清洗转换工作。Job是由许多Stage按照业务规则构成的，一个Stage就是一次数据转换计算。
DataStage架构是经典的客户端/服务器架构，项目和元数据在服务器端存储，客户端之一的DataStageDesigner是一个图形化的作业设计器，它的ETL整个过程设计都是通过拖拉和自定义组件（Stage）的方式进行的。DataStage运行的最小单元是各种Job，它们都是在Designer中按照业务规则的流程定制好的。DataStage中的Job有三种类型：ServerJob, Parallel Job和MainframeJob，最后一种Job并不常见，适用范围是大型机，而后两者的Job较为常用。
在这三种类型中，ServerJob最为普遍（如图2.1），功能简单而实用，当然他也是使用拖拽Stage加连线的方式进行设计。ServerJob具有的Stage组件所具有的功能有数据的抽取、流动、汇聚、转换、过滤等。
图流行ETL数据传输解决方案.2一个典型的ServerJob设计
ServerJob因为比较普遍，所以虽然功能较为简单但能处理很大一部分数据处理场景。与之不同的是，ParallelJob具有并行的特点，多条工作流水线并发执行大大提高了ETL过程的效率。在Stage方面，ParallelJob有更多的种类，但因为并行机制的存在，也就具有了更多的限制。
与上面两种类型不同，SequenceJob并不独立（如图2.2）。而是用来控制各种Job的衔接和流程，从而让他们成为一个整体，此外，它还可以用来指定作业的错误流，从而进行作业调试。
Job是由多个转换构成，每个转换就是一个Stage.。每种Job有不同的Stage，对应ServerJob，他就有：General、Database、File、Processing、RealTime五种类型。此处仅举例说明：SequentialFile Stage 用来一个Sequential文件当做数据输入来源或者数据输出目的,在使用时需要注意文件的格式，列信息等。Transfor-merStage负责ServerJob中各种转换操作，在TransformerStage中可以指定的东西有：输入字段和输出字段的匹配规则，字段之间的转换规则、字段的约束条件以及字段的过滤条件等。
与其他类型的Job相比，ParallelJob的Stage种类更为繁多，增加了调试、事务等类型的Stage。同时，对于比较、查询和连接等Stage，Paralleljob也有自己的对应。另外由于ParallelJob是并行的，所以在开发作业时，我们需要指定如何分区和合并的策略。以下仅举例说明主要的：ParallelSort Stage 对数据行按照某字段进行排序，支持升序和降序;Compare,Difference和ChangeCapture Stage 用来比较两个数据集合的数据的异同；FilterStage是用于数据过滤，用户可以自定义逻辑表达式根据数据行某字段来过滤。
图流行ETL数据传输解决方案.3一个典型的SequenceJob设计
2.1.3 IBMDataStage架构、集群和调度
IBMWebSphere DataStage的开发环境是基于C/S模式的，通过DataStageClient连接到DataStageServer上进行开发。InforSphereDataStage的Client由三部分构成：Administrator、Director、Designer，这三部分通过访问公共服务层来获取数据集成功能（如图2.3）。具体分析如下：
-
设计器(Designer)：用于在图形界面设计作业整个流程。
-
导向器(Director)：用于在图形用户界面对作业流进行调度、运行和监视。
-
管理器(Administrator)：项目和用户管理的图形用户界面。
图流行ETL数据传输解决方案.4 DataStage架构图
设计器这一块可以对照上节内容，实际中Job设计好之后还需要编译和验证的步骤。管理器比较直观。这里主要介绍DataStage的日志、调度、监控和集群运行方式。
Director日志是以Job为单位的，Job运行失败可查看日志进行调试。Director还能对Job的运行情况起到实时监控的作用，生产环境中一道作业的数据量和运行时间都比较长，实时监控Job的运行显得尤为必要。通过监控Job的实时运行的数据流统计并结合日志分析，可以对异常Job进行调试或者分析Job的瓶颈。
正常生产环境我们需要要用到DataStage的调度功能。DataStage的调度功能与quartz相似，可以执行执行周期为时、日、周、月等。要调度一个Job，只需要在Director中选定Job，在主菜单中选择Job->Addto Schedule，即可设置Job的调度策略。
下面讲述作业的并行机制以及DataStage的集群。而在DataStageETL分布式的集群中，每个作业会在运行开始时被调度到特定的机器，可能是同一台机器也可能是集群内别的机器。对于并发来说，DataStage的并行引擎会使用多个进程并发的完成这些作业。并行引擎也是DataStage集群引擎的一部分。
DataStage集群由多个服务器引擎拓扑网络构成（如图2.4）。服务器引擎拓扑网络中的主节点叫HeadNode，而普通节点叫ComputeNode。数据处理过程由HeadNode主导，HeadNode发送数据处理命令给ComputeNode。与单机版的DataStage相比，DataStage集群的数据处理速度和规模都有极大的提高。此外，DataStage集群容加入新的系统节点也非常容易。至于作业具体运行在哪台机器上，这是由配置文件具体指明的。
图流行ETL数据传输解决方案.5 DataStage集群运行模式
2.2PentahoKettle解决方案
2.2.1PentahoKettle简介
Kettle是Pentaho公司基于敏捷开发方法开发的BI套件。Kettle的设计原则是：易于开发，使ETL开发者把时间放在创建BI解决方案上；避免自定义开发，尽量提供标准化控件；所有功能都通过用户界面完成，但实际上仍然需要一些配置文件在各个组件之间传递信息；透明，不用让用户了解每一步的内部实现；灵活的异构数据交换，Kettle可以对各条作业流水线复制或者分发数据，再从各作业流水线合并数据；只映射需要映射的字段，在Kettle中所有未指定的字段都自动传递到下一个组件，这个原则极大的减少了维护成本。
Kettle的优点[10]是以开发和应用领域里流行的Java平台为基础开发出来的，具有较好的移植性。可以在多种操作系统上运行。易用性好，封装程度较高。缺点是维护和调试较为困难，集群不够灵活和并发的利用不够充分。而且稳定性有缺陷，对于企业大规模生产环境不太适合。
2.2.2PentahoKettle开发流程设计
Kettle的ETL数据整合主要由转换(Transformation)和作业（Job）两大部分完成[11]。Kettle的ETL过程在图形界面上看是一个有向无环图（如图2.5），节点代表作业或转换步骤(Step)，边则是节点连接(Hop)。
转换(是由多个步骤(Step)所组成的工作流，每一个步骤是一个特定的转换操作。节点连接(Hop)负责步骤与步骤之间的信息关联。转换是数据逻辑结构和数据值的调整。转换是ETL过程体现业务逻辑的部分，是数据仓库对数据要约的体现。
转换之间或者转换的步骤之间的信息通讯叫做跳(Hop)，跳是一个数据单向流动的过程。与大多数ETL工具一样，数据流动的单位是行。
如上文所述，作业项的连接就构成了工作流。连接方式有：无条件连接，成功则连接，失败则连接。此外还有若干个辅助结点单元：
-
Start单元，这是设计所有任务的起点组件，是执行的入口。
-
OK单元：这是条件判断单元，前置流程成功则进行后面流程，可用脚本进行编制。
-
ERROR单元：这是条件判断单元，前置流程失败则进行后面流程。
-
DUMMY单元：用于某组件结点出现多个执行结果的单元。
图流行ETL数据传输解决方案.6一个典型的Kettle作业项设计
作业由若干个作业项构成（如图2.6），这些作业项之间的逻辑顺序由跳（hop）的连接来决定。所有作业项构成了整个作业的ETL操作。
另外，你的数据库连接也必须提前定义好。
图流行ETL数据传输解决方案.7作业与作业项
2.2.3PentahoKettle的组件、调度与并行策略
Kettle的ETL设计组件由Spoon、Pan、Chef、Kitchen[12]这四个产品组成。他们涵盖ETL的整个生命周期：
-
Spoon 是ETL作业设计器，使用图形界面。
-
Pan 是控制台命令。因此可以用脚本运行多个ETL作业。
-
Chef 用来创建任务（Job）。与Spoon不同的是这里是任务层次的设计，一般都要内嵌Spoon设计的作业项。任务通过多个转换，转换的脚本等等，自动化更新目标数据仓库。任务运行结束时，还会有数据质量检查。
-
Kitchen 运行Chef设计的任务，按照你一定的顺序。Kitchen也是一个后台运行的程序。可以指定执行人，日志文件，存储目录等。
Chef也是一个图形用户界面，主要是通过拖拽各种转换组件来完成任务设计。多个作业项按照逻辑顺序组成一道作业。比如用数据的数据生成日志文件，那么作业项将是：并行加载、筛选字段、转换和输出到日志文件。Chef中的主要作业项有：转换，这里是Spoon设计的一个任务，包含若干个转换；SQL，Sql语句执行，来从数据库获取数据；邮件，发送邮件；执行Shell脚本、Dos命令或者批处理；Job包，作为嵌套作业使用；JavaScript执行，就是执行JavaScript代码；SFTP，安全的Ftp协议传输；HTTP方式的上/下传。
另外，LogView组件可查看执行日志。下面简单列举一下典型的转换过程（在SPOON中）：
-
输入。Textfile、XMLand Excel input：输入为文本文件、XML文件和Excel格式的文件；TableInput：输入为数据库的表，实际执行的是Sql语句；GenerateRows：有些字段需要额外生成，比如自增的主键；
-
输出。TextFile、XMLand Excel Output：各种文件类型输出；TableOutput：输出到目的表；Insert/Update：这里数据输出的方式是插入和更新，需要先用主键匹配输出中的同一行；
-
转换。SelectValues：字段的类型、名称或者值的修改，映射成为新的数据列；FilterRows：按照各种条件过滤数据行，相当于Sql里的Where子句，但功能有所加强；SortRows：按某个字段对数据行进行排序；JoinRows：多个输入流的数据当做多张表进行Join操作；Aggregate：聚合，分组处理；Groupby：用某个字段进行分组，可以使用聚合函数；Calculator：自定义的聚合函数和工具函数；MergeRows：相似的数据进行合并，可以选择合并规则（如选择更新的数据）；AddConstants：增加常量值。
在实际生产环境中还需要监控调度过程和运行结果，Kettle也有两种调度方式：
-
操作系统级调度：现代操作系统都有调度功能。类UNIX系统的Cron命令和Windows系统的计划任务。操作系统的调度都是用命令行的方式运行Kettle作业。所以这里用Kitchen，Pan命令。
-
内置在PentahoBI Server里的Quartz调度：Kettle是PentahoBI组件的一员，很多Kettle用户也使用用户的Pentaho的BIServer。内置在PentahoBI Server里的调度程序可以执行一个包含有Kettle作业的ActionSequence（ActionSequence是PentahoBI Server的工作流）。
Kettle作业只要有两种主要的监控方式，日志和邮件。在生产环境中，Kitchen和Pan命令可以通过Logfile参数来指定一个日志文件。此外，Kettle还有很多日志级别，主要的包括错误日志，基本日志和行级日志三个级别。而邮件通知是通过作业里的发送邮件作业项来完成的，把这个作业项集成到你的作业里的错误分支中。
Kettle中的每个步骤都是一个线程。多线程的可以利用数据行分发、并行执行和再合并的方式来利用。也可以单纯的每一个步骤设计多线程执行方式。当然你也可以对表分区，每个分区并行执行。
Kettle的集群方式和多线程运行模式有些类似。使用上首先要定义一些Carte子服务器，Carte子服务器是一个轻量级的服务进程，用来远程执行转换和作业。然后在Spoon中新建集群模式，加入所有机器。然后你就可以让一个作业以集群的方式运行，每个选定的子服务器上都有一个并行运行的进程。与Kettle并发方式相比，只不过是把调度单位从线程换成了进程
Kettle的集群方式运行时对任务的生硬分拆，看似解决了负载均衡问题，实际上加入了合并等重量级的远程交互过程，会造成大量集群内部的io从而让网络成为集群运行的瓶颈。在较大规模的ETL过程中并不适合。
2.3Talend解决方案
2.3.1Talend简介
Talend是一家针对的数据集成工具市场的ETL开源软件供应商。Talend把自己的技术和商业模式结合起来，提供开源的、创新的、强大而又灵活的解决方案。Talend的ETL开源软件同时满足了大中小企业的数据集成与应用集成需求，这与前面的两款工具。
Talend的ETL解决方案可以实现的功能包括数据集成，ETL，数据质量，主数据管理（MDM），应用集成等。而且性能稳定，使用便利，易于扩展。因而具有在全球有较大的市场份额。
2.3.2Talend开发流程设计
Talend的ETL开发流程中。核心概念是项目库(Repository)、任务(Job)、组件(Component)和连接(Row)。
项目库包括业务模型（BusinessModels）[13]，作业设计（JobDesigns），元数据（Metadata），上下文（Context），代码（Code）和文档资料（Documentation）。JobDesign是作业设计器。Metadata是数据源（包括数据库连接、文件等）元数据管理。Context是全局变量，用在转换组件中。Code是作业生成的代码。Documentation是文档资料。
任务是TalendETL平台调度运行的基本单位。任务由组件和连接构成。组件类型有很多种[14]，主要有：
-
云组件：这里的云是指亚马逊的云服务。
-
用户代码：用户自定义的ETL代码。
-
数据质量组件：检查输出数据质量。主要通过模板比较，格式检查和自定义代码检查等方式来控制。
-
数据库组件：主要负责数据库的连接。可以自定义读取或写入的sql和存储过程。
-
Net组件：这个组件主要是用来获取http资源文件。
-
文件组件：适用于输入或者输出是文件的场景。
-
过程组件：这类组件承担了大部分的数据转换工作。包括过滤、映射、替换等。
-
系统组件：这类组件主要是负责和操作系统互动。比如SSH连接、CMD连接等。
-
XML组件：负责XML文件的解析等职责。
Talend的作业设计都是利用TisStudio(新版本叫TalendOpenStudio)来完成的（如图2.7）。在导入之前我们要在项目库Repository的Context目录下设计上下文变量。然后在Metadata目录下指定文件或数据库表的元数据，并把这些元数据拖到JobDesigner工作区生成输入输出组件。接着就是拖动右边Palette的组件来完成数据的清洗和转换工作。
图流行ETL数据传输解决方案.8TalendOpen Studio和作业设计
2.3.3Talend架构、调度和集群
图流行ETL数据传输解决方案.9 Talend架构图
Talend的模块分为多个部分（如图2.8），包括项目元数据、用户元数据、执行机、Web控制台、还有用来作业设计的TisStudio等。这一切的核心是TalendAdministration Center模块。用户在TisStudio中设计作业的操作有：设置连接、添加或获取元数据，设计ETL流程，最后调试运行。TalendAdministration Center接受到运行命令后把任务调度到执行机上运行并实时监控任务。Web控制台与TalendAdministation交互，对任务进行实时管理。
Talend的调度与Kettle类似，也可以用操作系统的调度和本身的调度机制。用操作系统调度需要把作业导出成一些脚本和Jar包，这样你可以用操作系统的Crontab机制来自己运行，运行命令为java-jar。而用Talend的自身的调度机制，则需要指定每个作业的执行计划。Talend的执行计划也是通过Quartz实现的。
Talend的集群采用Master-Slave结构。Master是TAC(TalendAdministration Center)。而Slave是JobServer若干台。每一台JobServer都提供JobService远程服务，来运行执行的Job。同时JobServer有心跳机制会远程汇报自己的负载。TalendClient（TisStudio）会把Job转换成代码和脚本，然后TAC根据JobServer的负载选择一台执行机，把Job资源发布到其上，调用远程服务运行它。同时Talend还可以为TAC搭建用来FailOver的Tomcat集群，有效保证了稳定性。
2.4几种ETL工具的比较
这几种ETL工具各有优劣（如表2.1）：DataStage功能强大，但比较重量级，开发和维护成本高。Kettle比较轻量级和用户比较友好，但稳定性较差，并发性能一般。Talend介于两者之间，使用较为方便，稳定性好，传输性能差于两者。
表流行ETL数据传输解决方案.1几种ETL工具的比较
| 指标 |
Talend |
DataStage |
Kettle |
| 增量传输支持 |
CDC,事件机制 |
CDC |
CDC |
| 异常处理 |
邮件通知，日志捕获 |
邮件通知，日志捕获 |
邮件通知，日志捕获 |
| 是否开源 |
是 |
是 |
否 |
| 并行性能 |
较好 |
一般 |
一般 |
| 监控日志 |
一般 |
较好 |
一般 |
| 开发难度 |
较低 |
一般 |
较低 |
| 开发成本 |
低 |
高 |
低 |
| 传输性能 |
一般 |
好 |
较好 |
| 稳定性 |
较好 |
较好 |
一般 |
| 易用性 |
一般 |
差 |
较好 |
2.5本章小结
本章主要是分析了国内当前流行的ETL解决方案。考虑到相关方案的流行性和代表性。我们选取了比较重量级的IBMDataStage产品、在中小企业比较流行的较轻量级的PentahoKettle产品以及介于两者之间的Talend解决方案作为典型介绍。