批量作业调度、数据挖掘,这应该是今年"最值得推荐"的ETL工具了

ETL是数据仓库中的非常重要的一环,是承前启后的必要的一步。ETL负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成,最后加载到数据仓库或数据集市中,成为联机分析处理、数据挖掘的基础。

下面给大家介绍一下什么是ETL以及ETL常用的三种工具——Datastage,Taskctl,Kettle。

什么是ETL?

ETL,Extract-Transform-Load 的缩写,用来描述将数据从来源端经过抽取(extract)、转换(transform)、加载(load)至目的端的过程。

数据仓库结构

通俗的说法就是从数据源抽取数据出来,进行清洗加工转换,然后加载到定义好的数据仓库模型中去。目的是将企业中的分散、零乱、标准不统一的数据整合到一起,为企业的决策提供分析依据。

ETL是BI项目重要的一个环节,其设计的好坏影响生成数据的质量,直接关系到BI项目的成败。

为什么要用ETL工具?

在数据处理的时候,我们有时会遇到这些问题:

当数据来自不同的物理主机,这时候如使用SQL语句去处理的话,就显得比较吃力且开销也更大。

数据来源可以是各种不同的数据库或者文件,这时候需要先把他们整理成统一的格式后才可以进行数据的处理,这一过程用代码实现显然有些麻烦。

在数据库中我们当然可以使用存储过程去处理数据,但是处理海量数据的时候存储过程显然比较吃力,而且会占用较多数据库的资源,这可能会导致数据资源不足,进而影响数据库的性能。

而上述遇到的问题,我们用ETL工具就可以解决。ETL工具具有以下几点优势:

支持多种异构数据源的连接。(部分)

图形化的界面操作十分方便。

处理海量数据速度快、流程更清晰等。

ETL工具介绍

1.Datastage

IBM公司的商业软件,专业的ETL工具,但同时价格不菲,适合大规模的ETL应用。

使用难度:★★★★

工具地址:DataStage工具

2.Taskctl

商业软件,国产专业的ETL工具平台。价格上比Datastage便宜很多,适合大规模的ETL应用。

使用难度:★★★

工具地址:Taskctl 6.0企业版

3.Taskctl Web版

免费,在商业版 Taskctl 6.0 基础上纵向扩展而来,可跨多平台适合中小企业IT自动化类系统建和数据开发人员,如数据系统批量调度自动化、系统运维自动化、企业数据资产监控等等

使用难度:

工具地址:去公众号【taskctl】回复内容 "软件" 即可

4.Kettle

免费,最著名的开源产品,是用纯java编写的ETL工具,只需要JVM环境即可部署,可跨平台,扩展性好。

使用难度:★★

工具地址:Kettle工具

三种ETL工具的对比

Datastage、Taskctl、Kettle三个ETL工具的特点和差异介绍:

1.操作

这三种ETL工具都是属于比较简单易用的,主要看开发人员对于工具的熟练程度。

2.部署

Kettle只需要JVM环境,Taskctl 需要服务器和客户端安装,而 Datastage 的部署比较耗费时间,有一点难度。

3.数据处理的速度

大数据量下 Taskctl 与 Datastage 的处理速度是比较快的,比较稳定。Kettle的处理速度相比之下稍慢。

4.服务

Taskctl 与 Datastage 有很好的商业化的技术支持,而 Kettle 则没有。商业软件的售后服务上会比免费的开源软件好很多。

5.风险

风险与成本成反比,也与技术能力成正比。

6.扩展

Kettle的扩展性无疑是最好,因为是开源代码,可以自己开发拓展它的功能,而 Taskctl 和Datastage 由于是商业软件,基本上不支持。

7.Job的监控

三者都有监控和日志工具。

在数据的监控上,个人觉得 Taskctl 的实时监控做的更加好,可以直观看到数据抽取的情况,运行到哪一个控件上。这对于调优来说,我们可以更快的定位到处理速度太慢的控件并进行处理,而 Datastage 也有相应的功能,但是并不直观,需要通过两个界面的对比才可以定位到处理速度缓慢的控件。有时候还需要通过一些方法去查找。

8.网上的技术服务支持

Kettle< Datastage < Taskctl 相对来说,Kettle 在遇到问题去网上快速找到解决方法的概率比较低,只有通过网上翻阅技术文档和加入社群询问,效率比较低;而相比 Datastage 和 Taskctl 则比较完善、由于是商业软件,网上不仅有完善的技术文档,24小时线上还有技术远程支持答疑人员。

项目经验分享

在项目中,很多时候我们都需要同步生产库的表到数据仓库中。一百多张表同步、重复的操作,对开发人员来说是细心和耐心的考验。在这种情况下,开发人员最喜欢的工具无疑是 kettle,多个表的同步都可以用同一个程序运行,不必每一张表的同步都建一个程序,而 Taskctl 虽然有提供工具去批量设计,但还是需要生成多个程序进行一一配置,而 datastage 在这方面就显得比较笨拙。

在做增量表的时候,每次运行后都需要把将最新的一条数据操作时间存到数据库中,下次运行我们就取大于这个时间的数据。Kettle 和 Taskctl 有控件可以直接读取数据库中的这个时间置为变量。

有一句话说的好:世上没有最好的,只有适合的!

每一款ETL工具都有它的优缺点,我们需要根据实际项目,权衡利弊选择适合的ETL工具,合适的就是最好的。当下越来越多公司及其客户更重视最新的数据(实时数据)展现,传统的ETL工具可能满足不了这样的需求,而实时流数据处理和云计算技术更符合。所以我们也需要与时俱进,学习大数据时代下的ETL工具。

你可能感兴趣的:(批量作业调度、数据挖掘,这应该是今年"最值得推荐"的ETL工具了)