数据分析学习记录W23——ETL经验点

将近期一些经验点罗列了一下，有些非常的简单，但对于初学者却就是会造成误解和麻烦。同时再次体会到，很多理解上的困难，其实就是一些基本的概念、认知、框架缺失造成的。一旦有了框架，后面再“添砖加瓦”就相对容易了。

概念认知

• KETTLE

  • <转换>由输入/转换/输出构成的流程，功能类似preap
  • <作业>将转换和相关作业组建串联起来，形成的一个整体的任务
    • <主对象树>展示一个job的基本属性
    • 作业必须从strat开始，按住shift拖放实现连线
  • <正则表达式>字符串匹配的模式，如通配符*
  • <JDBC>（Java DataBase Connectivity,java数据库连接）一种用于执行SQL语句的Java API，可以为多种关系数据库提供统一访问，它由一组用Java语言编写的类和接口组成。
  • MapReduce是一种编程模型，用于大规模数据集（大于1TB）的并行运算。概念"Map（映射）"和"Reduce（归约）"，是它们的主要思想

  • 数据仓库的基本构架，一般底层HDFS，上面跑MapReduce/Tez/Spark，再上面跑Hive，Pig。或者HDFS上直接跑Impala，Drill，Presto。这解决了中低速数据处理的要求。

    
    图片来自网络

• 背景知识

  • 数据表层
    * DIM，维表
    * DW，从ODS初步整合的宽表
    * DMK，KPI
    * DMR，Report
    * meterial code=model_code+opt_code+vcl_clr_code

• 提效技巧

  • DBeaver
    • 可在字段名进行自定义过滤，并直接查看值构成，不用写SQL
    • 更改大小写 ctrl+shift+x/y
    • 收藏ctrl+shift+alt+d
  • AS不仅可以用来取别名，还可以快速创建字段并统一赋值，可用于表合并时建立标识字段
  • NVL(A,B)若A不为空就取A值，否则取B值，若都为空则返回null

经验心得

• 调度与连接
  • 保证各数据库字段名称大小一致，否者调度运行时可能无法找到字段，会报错
  • Impala的可以理解成用在数据库上的everything软件，从连接配置的角度说，Hive与Impala的差别只是端口的差别。
  • 注意表名的前缀，使用刷新时要加上表的前缀，同时在tableau中链接impala时则要去掉表前缀
  • kettle中使用了变量的时候一定要勾选"变量替换"
  • 可用date_add('${START_DATE}',n)对增量取值日期进行偏移
  • 无法使用sqoop推数时，可现在hive中建立中间表A，再通过公共推数job将A表推入指定数据库
• Tableau Prep
  • 可以通过建立外部的映射表以减轻取数量提升处理速度
  • 合并表格要注意颗粒度的差别，特别要注意是否有进行聚合，如数量之类的字段
  • 先判断表的颗粒度，再决定如何整合。quantity的颗粒度是最小的，有值看值，没有值就看数据条目数
  • 操作前要预判数据量变化情况，以此快速校验操作正误
  • 左连接发现数据量增多，说明右表存在重复值，解决方式是使用distinct+group by（SQL），多个字段的情况下，可以将多个字段值合并为一个值，在对合并值进行聚合，进而进行联结（Prep）
• 其它
  • 数据处理其实就是一条流，所有工作都是围绕这条流展开的