ETL 框架所需的功能是什么？

Question

我正在编写一个 ETL（在带有 mongodb 后端的 python 中）并且想知道：应该将 ETL 什么样的标准函数和工具称为 ETL？

此 ETL 将尽可能通用，采用可编写脚本的模块化方法。大多数情况下，它将用于使不同的数据库保持同步，并以不同的格式（xml 和 csv）导入/导出数据集。我不需要任何多维工具，但以后可能会需要它。

Answer 1

让我们考虑一下 ETL 用例。

1. 提取。
   • 通过通用 DB-API 适配器读取数据库。
   • 通过类似的适配器读取平面文件。
   • 通过类似的适配器读取电子表格。
2. 清洁。
   • 任意规则
   • 过滤和拒绝
   • 替换
   • 添加数据列
3. 个人资料数据。
   • 统计频率表。
4. 转换（请参阅 cleanse，它们是具有相同实现的两个用例）
5. 进行维度一致性查找。
   • 替换值或添加值。
6. 聚合。
   • 管道中的任何一点
7. 加载。
   • 或者准备一个平面文件并运行数据库产品的加载器。

此外，还有一些不是单一用例的附加要求。

• 每个单独的操作都必须是一个单独的进程，可以在 Unix 管道中连接，各个记录在进程之间流动。这会使用 所有 CPU 资源。

• 您需要某种基于时间的调度程序来处理难以推理出 ETL 前提条件的地方。

• 您需要一个基于事件的计划，以便为能够确定 ETL 处理步骤的先决条件的地方制定计划。

注意。由于 ETL 是 I/O 绑定的，因此多线程对您没有什么好处。由于每个进程都运行了很长时间——尤其是当您有数千行数据要处理时——“重量级”进程的开销不会受到影响。

Answer 2

这是一个随机列表，不分先后：

1. 连接到各种来源，包括所有主要的关系数据库。
2. 处理非关系数据源，如文本文件、Excel、XML 等。
3. 允许将多个源映射到单个目标。
4. 提供一个工具来帮助从源字段映射到目标字段。
5. 提供随意注入转换的框架。
6. 用于编写复杂转换的可编程 API。
7. 优化加载过程以提高速度。

Answer 3

列名的自动/启发式映射。例如简单的字符串映射：

DB1：客户 ID

DB2：customer_id

我发现我（已经）在 DTS / SSIS 中完成的很多工作都可以自动生成。

• 不一定是“必需的功能”，但确实会让很多用户感到非常高兴。