作者 l 会点代码的大叔（CodeDaShu）

不知道开发的同学有没有遇到过类似这样的需求：

• 相同类型的数据在多个系统中，如果要得到全部的信息，就要连续调多个系统的接口；

• 业务复杂，一个需求需要关联几张表甚至几十张表才能得到想要的结果；

• 系统做了分库分表，但是需要统计所有的数据。

那么此类需求要如何满足呢？我们选择了“通过 ETL 提前进行数据整合”的方案。

01

什么是 ETL

说到ETL，很多开发伙伴可能会有些陌生，更多的时候 ETL 是用在大数据、数据分析的相关岗位；我也是在近几年的工作过程中才接触到ETL的，现在的项目比较依赖 ETL，可以说是项目中重要的一部分。

ETL 是三个单词的缩写：

• Extraction：抽取、提取；就是把数据从数据库里面取出来；

• Transformation：转换；包括但不限于：数据筛选校验、数据关联、数据内容及结构的修改、运算、统计等等；

• Loading：加载；将处理后的数据保存到目标数据库。

从这三个单词基本可以了解 ETL 的作用：将各个业务系统的数据，通过抽取、清洗、转换之后，将加工后的数据落地到数据库中（数据仓库）；在这个过程中，ETL 可以将分散、零乱、标准不统一的数据整合到一起。

02

使用场景

我接触过的项目，使用ETL工具的场景有这个几种：

1. 报表、BI系统：

在公司建设的初期，业务比较少，系统也比较少，一台数据库就搞定了；随着公司业务的增加，业务系统被拆成很多系统；随着数据量的继续增加，单个系统的数据增加到一定程度的时候，也做了分库分表；

这时候领导、业务人员在用数据做分析的时候，数据来源可能是多个系统的多张表，这时候企图通过一个复杂的 SQL 跑出来结果就很困难了；通常公司会建立一个数据仓库，通过ETL工具把数据抽取到数据仓库中，再做数据的拟合和展示。

2. 跨系统的数据加工或查询：

我们现在所在公司，业务系统有几百个，由于业务流程比较复杂，前端系统在做业务操作的时候，在正式提交交易之前，有很多业务校验；

比如要查询客户在 X 系统的交易历史，在 Y 系统的交易历史，在 Z 系统的交易历史；那么就需要分别调用 X、Y、Z 系统的接口，这个对前端系统很不友好，那么通常的解决方案是什么？

• A 方案：做一个中间服务，中间服务去调用 X、Y、Z 系统的接口，客户端直接调用这个中间服务；这种方案只是把前端要做的事情，转移到了中间服务；

• B 方案：整合 X、Y、Z 三个系统，建服务中台；这种方法很好，但是极为难，对于很多公司来说，别说把 X、Y、Z 三个系统整合成一个中台系统，就是其中一个系统本身进行重构，都是非常困难的；

• C 方案：把 X、Y、Z 三个系统中需要的数据，通过 ETL 抽取加工到一个数据仓库中，对外提供服务；这个系统最大的好处是在不改造 X、Y、Z 三个系统的前提下，又可以实现跨系统的查询。

我们在 C 方案的基础上又往前做了一步，就是将落地后的数据又做了一次加工，将需要跨表关联的数据，提前关联好存入 MongoDB 中，对外提供查询服务；这样可以将多表关联查询，变成了单表查询。

03

吐数据 VS 抽数据

接上文中第二个例子中的 C 方案，有些同学可能会有个疑问：数据抽取，需要抽取哪些数据呢？为什么不让这些系统把数据吐出来呢？

答案也简单，“有的时候，数据不一定能吐出来”。

MySQL 数据库往外吐数据有比较成熟的中间件，比如 Canal，它可以通过监听 Mysql 的 binlog 日志来获取数据，binlog 设置为 row 模式，能够获取到每一条新增、删除、修改的日志，同时还能获取到修改前后的数据；

其他商用数据库，比如 Oracle、DB2 等，我也查阅过相关的资料，也是有触发器机制，可以当数据发生变化的时候通知出来，比如调用一段程序，将数据发送到消息队列中，再由其他程序监听消息队列做后续处理。

不管什么类型的数据库，这种“吐数据”的方案，对于基础设施的要求都比较高，并且对原有系统有一定的侵入性；所以我们采用了对原有系统侵入性更小的方案：主动抽数据。

04

ETL 方案的优缺点

1. 优点

• 侵入性较低，数据源系统只需要开通数据库的访问权限即可，为保证数据抽取对业务的影响，通常是访问源系统的备库，并且单独设置一个只读权限的数据库用户；

• 支持不同类型数据源的数据抽取，比如源库有 Mysql、DB2、Oracle，通过 ETL 也可以轻松搞定；

• 数据整合，将不同业务系统的相同数据整合在一起，比如有些系统 M/F 表示男女，有些系统 1/0 表示男女，ETL 在抽取加工后转换成统一的编码；

2. 缺点

• 比较致命的一个缺点，就是数据抽取和加工有一定的延迟，需要根据业务场景进行评估，是否接受这个延迟；

• 可能会受到源库表结构变化的影响；

• 如果源库中的表没有时间戳，或者时间戳不准确，那么增量抽取就变得很困难；

• 需要招聘 ETL 开发岗，从我目前的经验看，不是特别好招。

特别推荐一个分享架构+算法的优质内容，还没关注的小伙伴，可以长按关注一下：

长按订阅更多精彩▼如有收获，点个在看，诚挚感谢