Java教程

ETL算法详解

本文主要是介绍ETL算法详解,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!

   以下是数据仓库常见算法整理,希望对你工作有所帮助,请大家点赞,双击"晓彬聊数据"关注谢谢!

晓彬聊数据

晓彬聊数据

本公众号主要关注:传统关系型数据库、国产数据库、大数据、数据分析、BI、人工智能、PYTHON等技术开发与交流

7篇原创内容

公众号

**一、ETL定义 **

ETL是将业务系统的数据经过抽取、清洗转换之后加载到数据仓库的过程,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。

二、ETL算法导图

图片

三、算法应用场景

图片

这8种ETL算法,其中主要分成4大类,增量累加、拉链算法是更符合数据仓库历史数据追踪的算法,但现实中基于业务及性能考虑,往往存在全删全插、增量累全算法的数据表应用。

四、算法详解

1、全删全插算法

用DML语句中的Delete/Insert实现逻辑,主要应用在维表、参数表、主档表加载上,即适合源表是全量数据表,该数据表业务逻辑只需保存当前最新全量数据,不需跟踪过往历史信息。

SQL代码模型:

--步骤1. 清空目标表

TRUNCATE TABLE <目标表名>;

--步骤2. 全量插入

INSERT INTO <目标表名>   (字段1,***)

SELECT 字段***

FROM <源表>

***JOIN <关联数据>

WHERE   ***;

2、增量累全算法

用Upsert实现逻辑,主要应用在参数表、主档表加载上,即源表可以是增量或全量数据表,目标表始终最新最全记录。

SQL代码模型:

--步骤1. 生成加工源表 Create temp Table <临时表> ***;

INSERT INTO <临时表> (字段***)

SELECT 字段***

FROM <源表>

***JOIN <关联数据>

WHERE ***;

-- 步骤2. 可利用Merge Into实现累全,当前也可以采用分步Delete/Insert或Update/Insert操作

Merge INTO <目标表> As T1 (字段***)

Using <临时表> as S1

on (PK)

when Matched then

update set Colx = S1.Colx ***

when Not Matched then

INSERT (字段***)   values (字段*** );

3、增量累加

用Append实现逻辑,主要应用在流水表加载上,即每日产生的流水、事件数据,追加到目标表中保留全历史数据。流水表、快照表、统计分析表等均是通过该逻辑实现。

SQL代码模型:

--步骤1.插入目标表

INSERT INTO <目标表>   (字段1***)

SELECT 字段***

FROM <源表>

***JOIN <关联数据>

WHERE   ***;

4、全历史拉链算法

拉链表定义:是一张至少存在PK字段、跟踪变化的字段、开链日期、闭链日期组成的数据仓库ETL数据表。

拉链表优势:根据开链、闭链日期可以快速提取对应日期有效数据,对于跟踪源系统非事件流水类表数据,拉链算法发挥越大作用,源业务系统通常每日变化数据有限,通过拉链加工可以大大降低每日打快照带来的空间开销,且不损失数据变化历史。

全历史拉链表算法实现逻辑:提取当前有效记录-提取当日源系统最新数据-根据PK字段比对当前有效记录与最新源表,更新目标表当前有效记录,进行闭链操作-根据全字段比对最新源表与当前有效记录,插入目标表。

SQL代码模型:

--步骤1. 提取当前有效记录

Insert into <临时表-开链-pre> (不含开闭链字段***)

Select 不含开闭链字段***

From <目标表>

Where 结束日期 =date'<最大日期>';

--步骤2. 提取当日源系统最新数据

<源表临时表-cur>

-- 步骤3 今天全部开链的数据,即包含今天全新插入、数据发生变化的记录

Insert Into <临时表-增量-ins>

Select 不含开闭链字段***

From <源表临时表-cur>

where (不含开闭链字段***) not in

(Select 不含开闭链字段***

From <临时表-开链-pre>
 );

-- 4 今天需要闭链的数据,即今天发生变化的记录

Insert into <临时表-增量-upd>

Select 不含开闭链字段***,开始时间

From <临时表-开链-pre>

where (不含开闭链字段***) not in

(Select 不含开闭链字段***

From <临时表-开链-cur>

);

--步骤5 更新闭链数据,即历史记录闭链(删除-插入替代更新)

DELETE FROM <目标表>

WHERE (PK***) IN

(Select PK*** From <临时表-增量-upd>)

AND 结束日期=date'<最大日期>';

INSERT INTO <目标表>

  (不含开闭链字段***,开始时间,结束日期)

Select 不含开闭链字段***,开始时间,date'<数据日期>'

From  <临时表-增量-upd>;

-- 6 插入开链数据,即当日新增记录

INSERT INTO <目标表>

  (不含开闭链字段***,开始时间,结束日期)

Select 不含开闭链字段***,date'<数据日期>',date'<最大日期>'

From    <临时表-增量-ins>;

5、增量拉链算法

算法实现逻辑是提取上日开链数据-PK相同变化记录,关闭旧记录链,开启新记录链-PK不同,源表存在,新增开链记录。增量拉链,目的是追踪数据增量变化历史,根据PK比对新拉一条开链数据。

SQL代码模型:

-- 步骤1. 提取当前有效记录

Insert into <临时表-开链-pre> (不含开闭链字段***)

Select 不含开闭链字段***

From <目标表>

Where 结束日期 =date'<最大日期>';

--步骤2. 提取当日源系统增量记录

<源表临时表-cur>

-- 步骤3. 提取当日源系统新增记录

Insert into <临时表-增量-ins>

Select 不含开闭链字段***

From <临时表-开链-cur>

where (PK) not in

(select PK from <临时表-开链-pre>);

--步骤4. 提取当日源系统历史变化记录

Insert into <临时表-增量-upd>

Select 不含开闭链字段***

From <临时表-开链-cur>

inner join <临时表-开链-pre>

on (PK 等值)

where (变化字段 非等值);

--步骤5. 更新历史变化记录,关闭历史旧链,开启新链

update <目标表> AS T1

SET <变化字段 S1赋值>,结束日期 = date'<数据日期>'

FROM <临时表-增量-upd> AS S1

WHERE ( <PK 等值> )

AND   T1.结束日期 =date'<最大日期>'

INSERT INTO <目标表>

(不含开闭链字段***,开始时间,结束日期)

SELECT 不含开闭链字段***,date'<数据日期>',date'<最大日期>'

FROM <临时表-增量-upd>;

--步骤6. 插入全新开链数据

INSERT INTO <目标表>

  (不含开闭链字段***,开始时间,结束日期)

SELECT 不含开闭链字段***,date'<数据日期>',date'<最大日期>'

FROM <临时表-增量-ins>;

6、增删拉链算法

算法实现逻辑是,提取上日开链数据-提取源表非删除记录-PK相同变化记录,关闭旧记录链,开启新记录链-PK比对,源表存在,新增开链记录-提取源表删除记录-PK比对,旧开链记录存在,关闭旧记录链。

SQL代码模型:

-- 步骤1. 清理目标表

TRUNCATE TABLE <目标表>;

-- 步骤2. 全量插入

INSERT INTO <目标表>   (字段***)

SELECT 字段***

FROM <源表>

***JOIN <关联数据>

WHERE   ***;

7、全量增删拉链算法

算法实现逻辑是提取上日开链数据-提取源表非删除记录_PK相同变化记录,关闭旧记录链,开启新记录链-PK比对,源表存在,新增开链记录-提取源表删除记录-PK比对,旧开链记录存在,关闭旧记录链-PK比对,提取旧开链存在但源表不存在记录,关闭旧记录链;主要是利用业务字段跟踪全量数据中包含删除的变化历史。

SQL代码模型:

-- 步骤1. 清理目标表

TRUNCATE TABLE <目标表>;

-- 步骤2. 全量插入

INSERT INTO <目标表>   (字段***)

SELECT 字段***

FROM <源表>

***JOIN <关联数据>

WHERE   ***;

8、自拉链算法

根据源表业务日期字段,和目标表开链、闭链日期比对,首尾相接,拉出全历史拉链,主要将流水表数据转化成拉链表数据。

SQL代码模型:

--步骤1. 清理目标表

TRUNCATE TABLE <目标表>;

--步骤2. 全量插入

INSERT INTO <目标表>   (字段***)

SELECT 字段***

FROM <源表>

***JOIN <关联数据>

WHERE   ***;

在实际工作中所有数据表通常还会包含一些控制字段,即插入日期、更新日期、更新源头字段,这样对于数据变化敏感的数据仓库,可以进一步追踪数据变化历史。


这篇关于ETL算法详解的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!