不知道開(kāi)發(fā)的同學(xué)有沒(méi)有遇到過(guò)類(lèi)似這樣的需求：

• 相同類(lèi)型的數(shù)據(jù)在多個(gè)系統(tǒng)中，如果要得到全部的信息，就要連續(xù)調(diào)多個(gè)系統(tǒng)的接口；
• 業(yè)務(wù)復(fù)雜，一個(gè)需求需要關(guān)聯(lián)幾張表甚至幾十張表才能得到想要的結(jié)果；
• 系統(tǒng)做了分庫(kù)分表，但是需要統(tǒng)計(jì)所有的數(shù)據(jù)。

那么此類(lèi)需求要如何滿(mǎn)足呢？我們選擇了“通過(guò) ETL 提前進(jìn)行數(shù)據(jù)整合”的方案。

什么是 ETL

說(shuō)到ETL，很多開(kāi)發(fā)伙伴可能會(huì)有些陌生，更多的時(shí)候 ETL 是用在大數(shù)據(jù)、數(shù)據(jù)分析的相關(guān)崗位；我也是在近幾年的工作過(guò)程中才接觸到ETL的，現(xiàn)在的項(xiàng)目比較依賴(lài) ETL，可以說(shuō)是項(xiàng)目中重要的一部分。

ETL 是三個(gè)單詞的縮寫(xiě)：

• Extraction：抽取、提??；就是把數(shù)據(jù)從數(shù)據(jù)庫(kù)里面取出來(lái)；
• Transformation：轉(zhuǎn)換；包括但不限于：數(shù)據(jù)篩選校驗(yàn)、數(shù)據(jù)關(guān)聯(lián)、數(shù)據(jù)內(nèi)容及結(jié)構(gòu)的修改、運(yùn)算、統(tǒng)計(jì)等等；
• Loading：加載；將處理后的數(shù)據(jù)保存到目標(biāo)數(shù)據(jù)庫(kù)。

從這三個(gè)單詞基本可以了解 ETL 的作用：將各個(gè)業(yè)務(wù)系統(tǒng)的數(shù)據(jù)，通過(guò)抽取、清洗、轉(zhuǎn)換之后，將加工后的數(shù)據(jù)落地到數(shù)據(jù)庫(kù)中（數(shù)據(jù)倉(cāng)庫(kù)）；在這個(gè)過(guò)程中，ETL 可以將分散、零亂、標(biāo)準(zhǔn)不統(tǒng)一的數(shù)據(jù)整合到一起。

使用場(chǎng)景

我接觸過(guò)的項(xiàng)目，使用 ETL 工具的場(chǎng)景有這個(gè)幾種：

1. 報(bào)表、BI系統(tǒng)：

在公司建設(shè)的初期，業(yè)務(wù)比較少，系統(tǒng)也比較少，一臺(tái)數(shù)據(jù)庫(kù)就搞定了；隨著公司業(yè)務(wù)的增加，業(yè)務(wù)系統(tǒng)被拆成很多系統(tǒng)；隨著數(shù)據(jù)量的繼續(xù)增加，單個(gè)系統(tǒng)的數(shù)據(jù)增加到一定程度的時(shí)候，也做了分庫(kù)分表；

這時(shí)候領(lǐng)導(dǎo)、業(yè)務(wù)人員在用數(shù)據(jù)做分析的時(shí)候，數(shù)據(jù)來(lái)源可能是多個(gè)系統(tǒng)的多張表，這時(shí)候企圖通過(guò)一個(gè)復(fù)雜的 SQL 跑出來(lái)結(jié)果就很困難了；通常公司會(huì)建立一個(gè)數(shù)據(jù)倉(cāng)庫(kù)，通過(guò) ETL 工具把數(shù)據(jù)抽取到數(shù)據(jù)倉(cāng)庫(kù)中，再做數(shù)據(jù)的擬合和展示。

2. 跨系統(tǒng)的數(shù)據(jù)加工或查詢(xún)：

我們現(xiàn)在所在公司，業(yè)務(wù)系統(tǒng)有幾百個(gè)，由于業(yè)務(wù)流程比較復(fù)雜，前端系統(tǒng)在做業(yè)務(wù)操作的時(shí)候，在正式提交交易之前，有很多業(yè)務(wù)校驗(yàn)；

比如要查詢(xún)客戶(hù)在 X 系統(tǒng)的交易歷史，在 Y 系統(tǒng)的交易歷史，在 Z 系統(tǒng)的交易歷史；那么就需要分別調(diào)用 X、Y、Z 系統(tǒng)的接口，這個(gè)對(duì)前端系統(tǒng)很不友好，那么通常的解決方案是什么？

• A 方案：做一個(gè)中間服務(wù)，中間服務(wù)去調(diào)用 X、Y、Z 系統(tǒng)的接口，客戶(hù)端直接調(diào)用這個(gè)中間服務(wù)；這種方案只是把前端要做的事情，轉(zhuǎn)移到了中間服務(wù)；
• B 方案：整合 X、Y、Z 三個(gè)系統(tǒng)，建服務(wù)中臺(tái)；這種方法很好，但是極為難，對(duì)于很多公司來(lái)說(shuō)，別說(shuō)把 X、Y、Z 三個(gè)系統(tǒng)整合成一個(gè)中臺(tái)系統(tǒng)，就是其中一個(gè)系統(tǒng)本身進(jìn)行重構(gòu)，都是非常困難的；
• C 方案：把 X、Y、Z 三個(gè)系統(tǒng)中需要的數(shù)據(jù)，通過(guò) ETL 抽取加工到一個(gè)數(shù)據(jù)倉(cāng)庫(kù)中，對(duì)外提供服務(wù)；這個(gè)系統(tǒng)最大的好處是在不改造 X、Y、Z 三個(gè)系統(tǒng)的前提下，又可以實(shí)現(xiàn)跨系統(tǒng)的查詢(xún)。

我們?cè)?C 方案的基礎(chǔ)上又往前做了一步，就是將落地后的數(shù)據(jù)又做了一次加工，將需要跨表關(guān)聯(lián)的數(shù)據(jù)，提前關(guān)聯(lián)好存入 MongoDB 中，對(duì)外提供查詢(xún)服務(wù)；這樣可以將多表關(guān)聯(lián)查詢(xún)，變成了單表查詢(xún)。

吐數(shù)據(jù) VS 抽數(shù)據(jù)

接上文中第二個(gè)例子中的 C 方案，有些同學(xué)可能會(huì)有個(gè)疑問(wèn)：數(shù)據(jù)抽取，需要抽取哪些數(shù)據(jù)呢？為什么不讓這些系統(tǒng)把數(shù)據(jù)吐出來(lái)呢？

答案也簡(jiǎn)單，“有的時(shí)候，數(shù)據(jù)不一定能吐出來(lái)”。

MySQL 數(shù)據(jù)庫(kù)往外吐數(shù)據(jù)有比較成熟的中間件，比如 Canal，它可以通過(guò)監(jiān)聽(tīng) Mysql 的 binlog 日志來(lái)獲取數(shù)據(jù)，binlog 設(shè)置為 row 模式，能夠獲取到每一條新增、刪除、修改的日志，同時(shí)還能獲取到修改前后的數(shù)據(jù)；

其他商用數(shù)據(jù)庫(kù)，比如 Oracle、DB2 等，我也查閱過(guò)相關(guān)的資料，也是有觸發(fā)器機(jī)制，可以當(dāng)數(shù)據(jù)發(fā)生變化的時(shí)候通知出來(lái)，比如調(diào)用一段程序，將數(shù)據(jù)發(fā)送到消息隊(duì)列中，再由其他程序監(jiān)聽(tīng)消息隊(duì)列做后續(xù)處理。

不管什么類(lèi)型的數(shù)據(jù)庫(kù)，這種“吐數(shù)據(jù)”的方案，對(duì)于基礎(chǔ)設(shè)施的要求都比較高，并且對(duì)原有系統(tǒng)有一定的侵入性；所以我們采用了對(duì)原有系統(tǒng)侵入性更小的方案：主動(dòng)抽數(shù)據(jù)。

ETL 方案的優(yōu)缺點(diǎn)

1. 優(yōu)點(diǎn)

• 侵入性較低，數(shù)據(jù)源系統(tǒng)只需要開(kāi)通數(shù)據(jù)庫(kù)的訪問(wèn)權(quán)限即可，為保證數(shù)據(jù)抽取對(duì)業(yè)務(wù)的影響，通常是訪問(wèn)源系統(tǒng)的備庫(kù)，并且單獨(dú)設(shè)置一個(gè)只讀權(quán)限的數(shù)據(jù)庫(kù)用戶(hù)；
• 支持不同類(lèi)型數(shù)據(jù)源的數(shù)據(jù)抽取，比如源庫(kù)有 Mysql、DB2、Oracle，通過(guò) ETL 也可以輕松搞定；
• 數(shù)據(jù)整合，將不同業(yè)務(wù)系統(tǒng)的相同數(shù)據(jù)整合在一起，比如有些系統(tǒng) M/F 表示男女，有些系統(tǒng) 1/0 表示男女，ETL 在抽取加工后轉(zhuǎn)換成統(tǒng)一的編碼；

2. 缺點(diǎn)

• 比較致命的一個(gè)缺點(diǎn)，就是數(shù)據(jù)抽取和加工有一定的延遲，需要根據(jù)業(yè)務(wù)場(chǎng)景進(jìn)行評(píng)估，是否接受這個(gè)延遲；
• 可能會(huì)受到源庫(kù)表結(jié)構(gòu)變化的影響；
• 如果源庫(kù)中的表沒(méi)有時(shí)間戳，或者時(shí)間戳不準(zhǔn)確，那么增量抽取就變得很困難；
• 需要招聘 ETL 開(kāi)發(fā)崗，從我目前的經(jīng)驗(yàn)看，不是特別好招。