关于ETL过程如何保证数据量的准确性和数据的正确性的讨论
B 、数据量的准确性 —— 使用 ETL 工具的质量监控工具就那么准么?我可遇到过不准的情况哦。
C 、discard 的数据怎么重新能够加载回目的数据库中( ETL 已经完毕了,并不是所有的数据能够重新加载进取的)。
不知对不,偶想也不只一种方法吧,望 LZ 给予指正!
A 、如果数据源比较多而且字符集都不一样的话,字符集的转换的确是比较麻烦的,不过我想如果能够保证目标数据库的字符集是其它源数据库字符集的超集,或者是大部分源数据库字符集的超集,我想这样的麻烦可以减少很多。
B 、如果 ETL 处理的表比较多,那么除了用监控工具之外,我想不到有什么其它好的方法,或者可以写写过程之类的,让它定期运行,获取你关心的一些数据指标。
C 、 ETL 已经完毕了,并不是所有的数据能够重新加载进取的?这个我不是很明白为什么不能重新加载进取?
D 、这一点的话楼上的建议也不错,我们现在一般不到生产库抽取数据,数据都是在备机上取的,因为直接到生产库抽数据会影响到正常的业务办理,这种方式不是很好。不过如果没有备机的话,那也只能从生产机上取了,不过不是很明白为什么不能抽到昨天的业务数据?如果要保证抽到昨天的业务数据,既然技术上实现不了,那只能通过别的途径了,是否可能跟客户谈谈,改变这种方式?
E 、这个也是个问题,有时我们只能引导客户。
这个问题看起来很简单,但是却包含很多内容:
B 、数据量的准确性 —— 使用 ETL 工具的质量监控工具就那么准么?我可遇到过不准的情况哦。
-- 这个很难,我建议在不符合标准的数据上做个记号,全部写入到数据仓库中
C 、 discard 的数据怎么重新能够加载回目的数据库中( ETL 已经完毕了,并不是所有的数据能够重新加载进取的)。
-- 通上,不符合条件数据的维度值给以一些缺省值,一般情况下流水作业很难重新补登再入库的
D 、 ETL 一般都是在晚上生产库结束后进行的,如果第二天发现 ETL 数据不对,怎么保证还能够抽取到昨天的业务数据?做个好的脚本,只负责删除和处理某个时间段的数据
进行运算的过程( ETL 抽取的时提供的可是技术元数据,客户所关心的可是业务员数据)?
自己理解后,做好元数据维护和释义
就说两个吧 c, 不符合条件数据的维度 -- 很多时候不符合条件的是五花八门的,什么情况都可能,所以无法预先知道哪些是不符合条件的,
d, 不是所有数据只是插入操作,在业务系统中更新操作的数据很多,而且不是所有都有时间字段的, 具体问题还是要具体分析 ITPUB个人空间1P�gEw1ye`
很多时候理论上是如此,事实却是另一面,这就是为什么有很多好的数据仓库方面的书籍而难有很好的数据仓库的实际项目
D, 一般情况下,业务系统会有一个时间戳,从昨天的时间戳重新抽取。
E, 在每一步的计算机中尽可能保留多的小数据位数据,不进行四舍五入
回复:呵呵,如果用户可以接受的话,我一般把 ETL 执行安排在第二天的凌晨开始,从第二天凌晨开始抽取第一天的数据。
E 、一个指标的计算是经过多层次的抽取后完成的,怎么保证在抽取的过程中数值精度不丢失?怎么让业务人员理解其指标进行运算的过程( ETL 抽取的时提供的可是技术元数据,客户所关心的可是业务员数据)?
回复:我认为在 ETL 的过程中不对数值型数据据进行四舍五入操作,可有效防止数据精度不丢失,至于客户想看到多少位的精度,我们可以在前端展现中对数据进行格式化。为了让业务人员能更好的理解指标的运算过程,我们一般在展现层以文字或在线帮助的形式对可能会引起歧义的指标给出后台的计算公式,帮助用户更好的理解指标含义。
今天冒个泡说两句:
对于 A 问题字符集 bq_wang 说的是很贴切的,一般来说为了确保安全该使用字符集的超集合,对于 Oracle 数据库来说,是可以转换字符集的,也就是说不同种字符集之间 Oracle 会自动给你转换,这个部分抽时间我传个最近整理的字符集 ppt ,大家看看 就知道了,但是我们这里讨论的不仅仅是 Oracle 数据库,这个时候你就要同时考虑操作系统字符集、客户端字符集、数据库字符集甚至应用程序字符集的问题。而最关键的是要看你抽取的数据是否落地,并且在落地的同时有没有进行字符集的转换
例如:如果从一个字符集的操作系统中导出来数据,传输过程中几次落地,但是仅仅是落地存储,即使落地的操作系统、客户端的字符集再怎么相互不兼容,这也不会影响了源数据。一般来说都会在 ETL 前详细调查源的字符集以落地解析的字符集以及目的地的字符集,如果这个过程是字符集的子集以及超级的话那当然最好了,如果不是那么就要评估数据的损失量或者制定 ASCII 的转换机制,因为字符集说白了就是将 “ 字 ” 存储为 ASCII 码,而这个 ASCII 在另个字符集展现中是什么样子的问题。
B 数据量准确性问题,说实话至今好像还没有什么好的方法,因为 ETL 不是数据平移 ---- 用个 count 统计对比就能知道数据量是否正确,当一个指标是经过多次 join 、过滤、判断、计算以后就已经很难保证抽取过来的数据是否在量上是正确的,一般我这边采取的方法是定义抽样检测,得出一定的概率,这个概率就算是指标体系的一个误差了。
C bq_wang 和其他人说的都有道理,有些业务数据在当天做完 ETL 的 EOD 以后是没有办法再重新单独抽取的,在这种情况下要么 制定手工更改抽取的指标;要么启用前一天业务数据备份 ,再另一个环境下在人为的干预下重新跑一次该模块的 ETL 流程。而对于一些仅仅是静态平移、简单清洗的数据当然就不用这么麻烦了。
就是类似于 create table table_name_2008_1_5 as select * from .... ,一旦第二天发现抽取问题,还有昨天的静态数据源;而 对于流水性质的数据来说我们就可以不用做 tmp 表而在第二天还能重新抽取了,但是对于那种可以删除流水的业务系统就有点 变态了:
大家别仅仅就考虑我提出来的这 A--E 五个方面,可以集思广益,多谈谈大家在实际工作中遇到的问题。好了,今天就罗嗦到这里,欢迎大家来拍砖头。
A 、字符集的转换 —— 怎么将基于不同字符集的数据转换到目的数据库。
B 、数据量的准确性 —— 使用 ETL 工具的质量监控工具就那么准么?我可遇到过不准的情况哦。
关于ETL过程如何保证数据量的准确性和数据的正确性的讨论相关推荐
- 为基于类的策略选择突发数据量和超额突发数据量
什么是令牌桶 在我们讨论突发数据量之前,我们首先要理解令牌桶的概念.令牌桶本身没有丢弃和优先级策略, 令牌桶是这样工作的: 1. 令牌以一定的速率放入桶中. 2. 每个令牌允许源发送一定数量的比特. ...
- 查看mysql数据库 数据量大小和索引数据大小以及行数的方法
查看mysql数据库 数据量大小和索引数据大小以及行数的方法 查看一个数据中所有表的相关信息: (1)可以在命令下使用show table status \G命令查看: (2)如果想知道MySQL数据 ...
- 2011年至2018年全国城市区县历史天气数据集,包含预报高温、低温、风速、风向、天气现象数据,mysql数据集,数据量800万以上数据大小1G
2011年至2018年全国城市区县历史天气数据集,包含预报高温.低温.风速.风向.天气现象数据,mysql数据集,数据量800万以上数据大小1G 数据集格式,数据集来源于网络公开数据,本人整理所得 8 ...
- mysql单张表数据量极限_极限数据量范围的安全测试
mysql单张表数据量极限 When we develop security testing within inconsistent data volume situations, we should ...
- rdd数据存内存 数据量_「大数据」(七十七) Spark之IO机制
[导读:数据是二十一世纪的石油,蕴含巨大价值,这是·情报通·大数据技术系列第[77]篇文章,欢迎阅读和收藏] 1 基本概念 与传统的 IO 相比, Spark IO 有很大区别.传统的数据存在单个计算 ...
- react大数据量渲染_React大量数据渲染的绝佳解决方案——React虚拟化组件
介绍 在当下Web开发盛行的时代里,Web应用随之面临着各种问题,虽然前端框架或者前端解决方案百花齐放,但是并不是所有的问题都能很完美的解决.由于Web应用是基于浏览器渲染界面的,而由于浏览器瓶颈的限 ...
- python读取大数据量xml_[C#]_[使用微软OpenXmlSDK (OpenXmlReader)读取xlsx表格] 读取大数据量100万条数据Excel文件解决方案...
1.OpenXmlSDK是个很好的类库,可惜只能通过C#调用,C#的童鞋又福气了. 2.服务端程序由于没法安装office,所以这个对asp.net网站来说是最理想的库了.需要.net 4.0版本以上 ...
- ORACLE数据库,数据量大,转移数据到备份表语句
INSERT INTO TEMP_BUS_TRAVEL_INFO ( SELECT * FROM BUS_TRAVEL_INFO t where to_Char( start_time,'YYYYMM ...
- 大数据量下水晶报表的实现及显示过程中的进度条显示讨论
最近一段收到的反馈中,有几位是问到在应用程序中使用水晶报表时,大数据量情况下因为等待时间过长,给用户的感觉不好 所以想增加一个进度条,给用户一个比较直观的印象. 本文针对此问题而生,但是并没有一个像样 ...
最新文章
- poj 2739 Sum of Consecutive Prime Numbers
- 【2019.7.16 NOIP模拟赛 T1】洗牌(shuffle)(找环)
- 【Java】 5.7 多态
- 自动升级失败,缺少System.resources.dll?
- PowerBI随笔(4)-关系模型与报表-1
- 大数据WE阶段(十七)文件上传
- CF--思维练习--CodeForces - 216C - Hiring Staff (思维+模拟)
- 解决 :IDEA 修改代码后 Local Changes 中没有提示待提交文件,代码自动提交了
- matlab中如何做连乘循环,如何利用for循环实现矩阵连乘
- RTOS原理与实现07:邮箱实现
- 筛选索引--filter indexs
- Eclipse+CDT+GDB调试android NDK程序(转)
- i3wm nm-applet每次开机都要输入wifi密码的解决办法
- 两万字的CAPL语法基础,一篇文章带你入门
- VMware 安装 win7、win10、MAC 和网络模式VMnet0、VMnet1、VMnet8解释
- Mimics 21.0软件学习笔记(一)基本操作
- 利用IDEA模板快速生成swagger注解
- [译] Vue 最黑暗的一天
- Java soso移动大厅项目
- 虚拟机监视器(VMM)
热门文章
- 历年诺贝尔物理学奖获得者名单及研究领域(1901-2016)
- 【完整面经含答案】华为校招+阿里巴巴社招,Java开发岗位
- 如何让一个PNG图片背景透明
- iphone已停用连接itunes怎么解锁教程
- SPARC架构下的反汇编(三)——SPARC汇编语言
- HTTP协议:接口测试_发送请求_post方法
- 018 《指数基金投资指南》听后感
- pdf 改变页面大小 python_用Python开发PDF编辑器,实现PDF页面提取,页面合并与替换...
- c代码生成matlab模块,使用 C Caller 模块集成 C 代码
- “东数西算”工程解读