数据仓库开发技术的重要一环：ETL

大家都知道数据仓库，是为企业所有级别的决策制定过程，提供所有类型数据支持的战略集合。因此越来越多的企业和管理者对数据仓库格外关注。做好数据仓库开发，一靠工具，二靠技术。就工具方面来说，很多云厂商已经提供了相当成熟和完备的解决方案。

以我们华为云举例，目前华为云的数据仓库服务 GaussDB（DWS）已经做到了：实时、简单、安全可信的企业级融合数据仓库，并可借助DWS Express将查询分析扩展至数据湖。基于华为GaussDB产品的云原生服务，也可以兼容标准SQL和PostgreSQL/Oracle生态。所以，在工具完备的情况下，开发者们更关注的应该是技术层面。今天小编要和大家分享的，就是构建数据仓库的重要一环：ETL。

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，是构建数据仓库的重要一环，用户从数据源抽取出所需的数据，经过数据清洗，最终按照预先定义好的数据仓库模型，将数据加载到数据仓库中。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算法概览

算法应用场景概览

以上共计累积了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。

全删全插模型

即Delete/Insert实现逻辑；

应用场景

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。

算法实现逻辑

1.清空目标表； 2.源表全量插入；

ETL代码原型

--1.清理目标表 TRUNCATE TABLE <目标表>; -- 2. 全量插入 INSERT INTO <目标表> (字段***) SELECT 字段*** FROM <源表> ***JOIN <关联数据> WHERE ***;

增量累全模型

即Upsert实现逻辑；

应用场景

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。

算法实现逻辑

1.利用PK主键比对； 2.目标表和源表PK一致的变化记录，更新目标表； 3.源表存在但目标表不存在，直接插入；

ETL代码原型

--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 *** ; -- 2. 可利用Merge Into实现累全能力，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*** )

增量累加模型

即Append实现逻辑；

应用场景

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。

算法实现逻辑

1.源表直接插入目标表；

ETL代码原型

-- 1.插入目标表 INSERT INTO <目标表> (字段***) SELECT 字段*** FROM <源表> ***JOIN <关联数据> WHERE ***;

全历史拉链模型

拉链表背景知识

概念 拉链表是一张至少存在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；

益处 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；

示例 提取指定日期有效数据

提取2020年2月5日当日有效数据

Select* From <目标表> Where 开始日期<=date'2020-02-05' And 结束日期 >date'2020-02-05';

最终提取到数据：

应用场景

全历史拉链，跟踪源表全量变化历史，若源表记录不存在，则说明数据闭链；根据PK新拉一条有效记录。

算法实现逻辑

1.提取当前有效记录； 2.提取当日源系统最新数据； 3.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； 4.根据全字段比对最新源表与当前有效记录，插入目标表；

ETL代码原型

--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>'; ; -- 2. 提取当日源系统最新数据 <源表临时表-cur> -- 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> ); -- 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>;

增量拉链模型

应用场景

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；

算法实现逻辑

1.提取上日开链数据； 2.PK相同变化记录，关闭旧记录链，开启新记录链； 3.PK不同，源表存在，新增开链记录

ETL代码原型

--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>'; -- 2. 提取当日源系统增量记录 <源表临时表-cur> -- 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>); -- 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***); -- 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>; -- 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>;

增删拉链模型

应用场景

主要是利用业务字段跟踪增量数据中包含删除的变化历史。

算法实现逻辑

1.提取上日开链数据； 2.提取源表非删除记录； 3.PK相同变化记录，关闭旧记录链，开启新记录链； 4.PK比对，源表存在，新增开链记录； 5.提取源表删除记录； 6.PK比对，旧开链记录存在，关闭旧记录链；

ETL代码原型

--1.清理目标表《待续...》 TRUNCATE TABLE <目标表>; -- 2. 全量插入 INSERT INTO <目标表> (字段***) SELECT 字段*** FROM <源表> ***JOIN <关联数据> WHERE ***;

全量增删拉链模型

应用场景

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。

算法实现逻辑

1.提取上日开链数据； 2.提取源表非删除记录； 3.PK相同变化记录，关闭旧记录链，开启新记录链； 4.PK比对，源表存在，新增开链记录； 5.提取源表删除记录； 6.PK比对，旧开链记录存在，关闭旧记录链； 7.PK比对，提取旧开链存在但源表不存在记录，关闭旧记录链；

ETL代码原型

-- 1. 清理目标表，《待续...》 TRUNCATE TABLE <目标表>; -- 2. 全量插入 INSERT INTO <目标表> (字段***) SELECT 字段*** FROM <源表> ***JOIN <关联数据> WHERE ***;

自拉链模型

应用场景

主要将流水表数据转化成拉链表数据。

算法实现逻辑

借助源表业务日期字段，和目标表开链、闭链日期比对，首尾相接，拉出全历史拉链；

ETL代码原型

--1.清理目标表，《待续...》 TRUNCATE TABLE <目标表>; -- 2. 全量插入 INSERT INTO <目标表> (字段***) SELECT 字段*** FROM <源表> ***JOIN <关联数据> WHERE ***;

其它说明

1.根据数据仓库最佳实践，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； 2.ETL算法本身是为了更好服务于数据加工过程，实际业务实现过程中，并不局限于传统算法，即涉及到更多适应业务的自定义的ETL算法。

原文标题：8种优秀ETL算法推荐！数据仓库开发者看过来～

文章出处：【微信公众号：华为开发者社区】欢迎添加关注！文章转载请注明出处。