一文追溯 ETL 的发展历程

在这篇文章里，我们将追溯传统的ETL架构，然后看看现代ETL发展过程中的重大事件。

作者 | Ramindu De Silva

译者 | 弯月，责编 | 郭芮

头图 | CSDN 下载自东方 IC

出品 | CSDN（ID：CSDNnews）

以下为译文：

ETL是什么？

ETL是Extract（提取）、Transformation（转换）和Load（加载）的首字母缩写。简而言之，ETL就是在两个位置之间拷贝数据。

• Extract（提取）：从不同类型的数据源（包括数据库）读取数据。

• Transform（转换）：将提取的数据转换成特定的格式。转换还包括使用系统中其他数据来丰富数据内容。

• Load（加载）：将数据写入到目标数据库、数据仓库或者另一个系统中。

根据基础设施的不同，ETL可以划分为两大类。

传统ETL

以前，数据通常都保存在操作系统、文件和数据仓库中。每天，数据都要在这些位置之间移动多次。ETL工具和脚本都是现写现用。

传统ETL的工作流

这个架构非常难以管理，而且非常复杂。下面是传统ETL架构的一些缺点：

• 数据库、文件和数据仓库之间的处理以批次进行。

• 目前，大多数公司都需要分析并操作实时数据。但是，传统的工具不适合分析日志、传感器数据、测量数据等。

• 非常大的领域数据模型需要全局的结构。

• 传统ETL处理非常慢、非常耗时，而且需要大量资源。

• 传统架构仅关注已有的技术。因此，每次引入新的技术，应用程序和工具都要重新编写。

随着时间一天天过去，大数据改变了处理的顺序。数据先提取并加载到一个仓库中，并以原始格式保存。每当数据分析师或其他系统需要数据时再进行转换。这个过程叫做ELT。不过这个过程最适合在数据仓库中进行处理。如Oracle Data Integration Platform Cloud等系统提供了该功能。

ETL的现状

与十年前相比，当今世界的数据和处理状况已经发生了巨大的变化。使用传统ETL过程处理现代数据已经力不从心。部分原因如下：

• 现代数据处理通常包括实时数据的处理，而且组织也需要对处理过程的实时洞察。

• 系统需要在数据流上执行ETL，不能使用批处理，而且应该能够自动伸缩以处理更高的数据流量。

• 一些单服务器的数据库已经被分布式数据平台（如Cassandra、MongoDB、Elasticsearch、SAAS应用程序等）、消息传递机制（Kafka、ActiveMQ等）和几种其他类型的端点代替。

• 系统应该能够以可管理的方式加入额外的数据源或目的地。

• 应当避免由于“现写现用”的架构导致的重复数据处理。

• 改变数据捕获技术的方式，从要求传统ETL与之集成，变成支持传统操作。

• 数据源多样化，而且需要考虑新需求的可维护性。

• 源和目标端点应该与业务逻辑解耦合。使用数据映射层，将新的源和端点无缝地衔接，而且不影响数据转换过程。

数据映射层

• 接收到的数据应当在转换（或执行业务规则）之前进行标准化。

• 数据应该在转换之后、发布到端点之前转换成特定的格式。

• 数据清理并不是现代世界中唯一的数据转换过程。数据转换还需要满足组织的许多业务需求。

• 目前的数据处理通常包含过滤、连接、聚合、序列、模式和丰富化，以执行复杂的业务逻辑。

数据处理过程

拯救世界的流式ETL

新的数据需求是驱动组织前进的动力。许多组织中的绝大多数传统系统依然能够运行，这些系统使用的都是数据库和文件系统。这些组织也在尝试新的系统和新技术。这些技术能够处理大数据和增长和更快的数据速率（如每秒上万条记录），如Kafka、ActiveMQ等。

使用流式ETL继承架构，组织不需要计划、设计并实现一个复杂的架构，就能填补传统系统和现代系统之间的空白。流式ETL架构师可伸缩的、可管理的，还能处理大容量、结构多样的实时数据。

将数据提取和加载从数据转换中解耦合，就构成了源-目的地模型，该模型可以让系统与未来的新技术向前兼容。这个功能可以通过许多系统实现，如Apache Kafka（配合KSQL）、Talend、Hazelcast、Striim和WS02 Streaming Integrator（配合Siddhi IO）。

现代ETL功能

如上所述，传统系统通常将所有数据都放到数据库和文件系统中，以便进行批处理。这个场景说明了为何传统的事件源（如文件、改变数据捕获（Change Data Capture，简称CDC））要与新的流式集成平台集成。

我们来考虑一个工厂中的实际应用场景，它有以下功能。

传统系统：

• 将所有生产数据放到文件系统和数据库中，数据的格式各异。

• 每小时或每天对数据进行处理。

• 处理来自CDC的事件。

• 处理新系统通过HTTP收到的以事件为中心的数据。

• 将处理过的事件发送到多个目的地。

• 监视当前的库存，在需要新库存的时候发送通知。

• 使用库存数量查看分析结果。

传统的ETL工具：

• 下述处理的ETL逻辑是重复的：

• 对于每个结构不同的文件和数据库。

• 当目标或源端点的数量增加时。

• 重复的业务逻辑很难管理和伸缩。

• 分析和监视所需的数据计算是重复的。

流式平台架构如何解决现代ETL问题：

现代流式平台的工作流

• 源（例如文件、CDC、HTTP）和目标端点（如Kafka、Elasticsearch、Email）从处理过程中解耦合：

• 目标、源和存储API连接到多个数据源。

• 即使源和目标中的数据结构不同，数据映射（如data mapper）层和流SQL（如Query1）也会把从多个源接收到的事件转换成通用的源定义（如Stream1），以便以后进行处理。

• 流平台架构可以连接传统类型的数据源（如文件和CDC），和广泛应用的现代数据源（如HTTP）。

• 传统系统和现代系统生成的事件都用同一个工作流进行接收和分析。

• 聚合（如Aggregation1）按照每分钟、每小时等频率针对需要的属性进行计算。

• 数据随时按需进行汇总，不需要对整个数据集进行处理和汇总。应用程序和可视化、监视工具可以通过提供的API访问汇总后的数据。

• 可以无缝地添加并改变一个或多个业务逻辑（如BusinessRule1）。

• 可以添加任何逻辑，而无需改变已有组件。如上例中，根据BusinessRule1，当紧急程度升高时，就会触发一条Email消息。

通过上述架构，我们可以看到为了ETL数据处理，流式平台与传统系统集成，如文件、CDC与使用Kafka和HTTP的现代系统的结合。

原文：https://dzone.com/articles/etl-and-how-it-changed-over-time

本文为CSDN翻译文章，转载请注明出处。

【End】

推荐阅读 

☞ 又要头秃？2020 年七大 AI 编程语言大盘点

☞ 软件欺诈的骗局揭露：“替罪羊”究竟是如何构建的？

☞ 2020，国产AI开源框架“亮剑”TensorFlow、PyTorch

☞1 分钟抗住 10 亿请求！某些 App 怎么做到的？ | 原力计划

☞另一种声音：容器是不是未来？

☞探索比特币独特时间链、挖矿费用及场外交易的概念

你点的每一个在看，我认真当成了喜欢