陳鋒

摘 ? 要：文章首先對ETL數(shù)據(jù)處理及應(yīng)用價值進行了定義和表述，并就ETL數(shù)據(jù)處理工作在高校內(nèi)的具體應(yīng)用場景和所面臨的問題進行介紹;其次對當前高校開展ETL數(shù)據(jù)處理工作的幾個主流解決方案進行了剖析，并圍繞ETL數(shù)據(jù)治理工作中的ETL數(shù)據(jù)技術(shù)平臺建設(shè)、ETL數(shù)據(jù)規(guī)范及從業(yè)人員隊伍的整合優(yōu)化等問題進行了詳細闡述與分析;最后對開展ETL數(shù)據(jù)治理的意義進行了總結(jié)。

關(guān)鍵詞：ETL;數(shù)據(jù)處理;數(shù)據(jù)治理;數(shù)據(jù)規(guī)范

中圖分類號：G647;TP311.13 文獻標志碼：A 文章編號：1673-8454（2020）13-0068-03

ETL即Extract-Transform-Load，是指將數(shù)據(jù)從數(shù)據(jù)來源端經(jīng)抽取（extract）、轉(zhuǎn)換（transform）、加載（load）至數(shù)據(jù)目的端的處理過程。在大數(shù)據(jù)、移動應(yīng)用技術(shù)蓬勃發(fā)展的今天，高校信息化建設(shè)正由信息管理向提供優(yōu)質(zhì)信息服務(wù)方向轉(zhuǎn)變，當前制約高校信息化發(fā)展的瓶頸不在于智能化的多終端數(shù)據(jù)采集，不在于圖形化個性化的數(shù)據(jù)展現(xiàn)，而在于如何對數(shù)據(jù)進行精準快速處理。ETL數(shù)據(jù)處理作為院校在信息管理、信息化服務(wù)中的一項最基本最重要的工作，它的時效性、準確性及可重用性將直接影響高校信息化服務(wù)的質(zhì)量與效能。

一、ETL數(shù)據(jù)處理在高校當前的應(yīng)用場景和所面臨的問題

在高校信息化建設(shè)進程中，問題最多、工作量最大的環(huán)節(jié)就是從各種數(shù)據(jù)源抽取、轉(zhuǎn)換和加載數(shù)據(jù)的操作，高校信息化建設(shè)中沉淀產(chǎn)生的數(shù)據(jù)來自不同時期、不同硬件平臺、不同操作系統(tǒng)，數(shù)據(jù)源的多樣性造成“臟數(shù)據(jù)”的大量存在。這些“臟數(shù)據(jù)”給學(xué)校教學(xué)、科研、管理等各項工作的開展都帶來一定困難。

1.高校的各種數(shù)據(jù)統(tǒng)計報表離不開ETL數(shù)據(jù)處理

數(shù)據(jù)報表工作主要包括數(shù)據(jù)的收集、加工和上報三個工作環(huán)節(jié)，數(shù)據(jù)報表工作的本質(zhì)就是一次ETL閉環(huán)過程。高校數(shù)據(jù)報表既有反映全校概況的，如高基報表、財務(wù)預(yù)決算報表;也有客觀展現(xiàn)學(xué)校具體工作的，如專業(yè)評估報表、教科研報表等?？傮w來說高校報表具有專業(yè)性強、指標體系復(fù)雜、時效性高等特點。在報表工作中，由于高校業(yè)務(wù)數(shù)據(jù)庫之間缺乏統(tǒng)一的標志，表示同一對象的數(shù)據(jù)庫記錄的ID不唯一;此外，用戶在輸入數(shù)據(jù)時，也會出現(xiàn)手工錄入錯誤。這就要求報表人員要掌握計算機數(shù)據(jù)處理相關(guān)技術(shù)和方法。

2.高校的信息業(yè)務(wù)邏輯離不開ETL數(shù)據(jù)處理

ETL數(shù)據(jù)處理工作與高校信息系統(tǒng)的業(yè)務(wù)邏輯密不可分，如學(xué)工部門的獎勤助貸管理要根據(jù)學(xué)生家庭經(jīng)濟狀況、個人成績等指標進行量化賦分換算;財務(wù)部門的繳費管理要與學(xué)工系統(tǒng)、教務(wù)系統(tǒng)進行數(shù)據(jù)交換。以往這些業(yè)務(wù)數(shù)據(jù)工作由學(xué)校業(yè)務(wù)部門獨立完成。由于缺乏必要數(shù)據(jù)處理規(guī)范，不同數(shù)據(jù)庫對同一數(shù)據(jù)類型的實現(xiàn)形式不同，不同組織采用不同格式表示數(shù)據(jù)，從而導(dǎo)致業(yè)務(wù)部門各自的業(yè)務(wù)數(shù)據(jù)邏輯無法實現(xiàn)共用，其建立的計算機數(shù)據(jù)處理過程無法被復(fù)制調(diào)用。

3.高校內(nèi)部的信息系統(tǒng)集成離不開ETL數(shù)據(jù)處理

隨著高校數(shù)字校園信息平臺的逐漸成熟與完善，業(yè)務(wù)信息系統(tǒng)與信息平臺的集成需求也越來越多。信息系統(tǒng)的集成主要包括認證集成、門戶集成和數(shù)據(jù)集成，其中數(shù)據(jù)集成是信息系統(tǒng)集成的核心建設(shè)內(nèi)容。業(yè)務(wù)系統(tǒng)與數(shù)據(jù)中心集成過程中需要先修改數(shù)據(jù)標準，按其數(shù)據(jù)標準進行數(shù)據(jù)建模，最后依據(jù)數(shù)據(jù)模型來完成數(shù)據(jù)集成。這種傳統(tǒng)的數(shù)據(jù)集成方式開發(fā)周期過長，且在業(yè)務(wù)集成過程中，學(xué)校的建設(shè)成本很大，業(yè)務(wù)系統(tǒng)數(shù)據(jù)集成工作往往不會一蹴而就，隨著業(yè)務(wù)信息系統(tǒng)迭代升級，信息集成面臨的困難也會越來越多。因此，如何根據(jù)業(yè)務(wù)系統(tǒng)集成需要，高效快速創(chuàng)建ETL數(shù)據(jù)處理過程，縮短數(shù)據(jù)集成開發(fā)工期，降低建設(shè)成本，是高校所面臨的難點問題。

二、當前高校開展ETL數(shù)據(jù)處理所采用的技術(shù)方案

1.利用Excel完成ETL數(shù)據(jù)處理工作

Excel提供了很多數(shù)據(jù)處理和分析方法。目前常見的應(yīng)用于數(shù)據(jù)處理的方法有排序、篩選、分類、匯總、合并計算及各類數(shù)據(jù)處理函數(shù)，此外，Excel還提供均值判斷、概率統(tǒng)計、回歸分析、時間序列等數(shù)據(jù)分析方法。Excel工具簡單易學(xué)，目前仍是高校開展數(shù)據(jù)處理工作的主流技術(shù)手段，但Excel自身在ETL數(shù)據(jù)采集、數(shù)據(jù)加載環(huán)節(jié)上沒有優(yōu)勢，所以一般通過VBA宏編程等手段輔助完成。

2.利用專業(yè)的ETL數(shù)據(jù)處理工具

如IBM公司的DataStage、Oracle的Warehouse Builder、Microsoft公司的DTS都能夠獨立完成多數(shù)據(jù)源的抽取、轉(zhuǎn)換和數(shù)據(jù)維護。但這些專業(yè)ETL數(shù)據(jù)處理工具，一般需要DBA級別的數(shù)據(jù)庫技術(shù)專家參與才能完成復(fù)雜的數(shù)據(jù)加工處理過程，對于一些數(shù)據(jù)需求不穩(wěn)定、時效性要求高的數(shù)據(jù)轉(zhuǎn)換任務(wù)，僅依靠專業(yè)的ETL數(shù)據(jù)處理工具還是難以勝任的。

綜上所述，使用一種或幾種技術(shù)解決方案完成學(xué)校的ETL數(shù)據(jù)處理工作有較大的局限性，只有在頂層數(shù)據(jù)治理框架下通過建立數(shù)據(jù)處理標準規(guī)范，開發(fā)數(shù)據(jù)處理系統(tǒng)，科學(xué)調(diào)配人員分工，才能提高學(xué)校數(shù)據(jù)處理工作的時效性、可靠性與準確性，才能讓高校的計算機數(shù)據(jù)處理工作得到共享和復(fù)用。

三、高校ETL數(shù)據(jù)處理規(guī)范的制定

ETL數(shù)據(jù)處理就是把數(shù)據(jù)從數(shù)據(jù)源中抽取出來，經(jīng)過清洗、轉(zhuǎn)換、加載到目標數(shù)據(jù)集的過程，在信息技術(shù)中稱之為一次工程（project）。一個完整的ETL數(shù)據(jù)處理工程由數(shù)據(jù)抽取、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)加載、日志系統(tǒng)四個模塊組成。同時，每個模塊下，又由很多具體的ETL操作指令組合而成。每個具體的ETL操作，則稱之為一個任務(wù)（task）。為保證每一個ETL數(shù)據(jù)處理工程（project）都能夠被規(guī)范化設(shè)計、實施和維護，就必須制定出高校自己的ETL數(shù)據(jù)處理規(guī)范。

高校ETL數(shù)據(jù)處理規(guī)范主要包括設(shè)計規(guī)范、開發(fā)規(guī)范及維護規(guī)范。其中設(shè)計規(guī)范包括數(shù)據(jù)源的規(guī)范化定義和表述，目標數(shù)據(jù)集的規(guī)范化定義和表述，數(shù)據(jù)抽取、轉(zhuǎn)換規(guī)則的定義，數(shù)據(jù)處理流程的規(guī)范化描述;ETL數(shù)據(jù)處理規(guī)范一般采用標準XML文檔來進行描述和約束。即每一項ETL數(shù)據(jù)處理工程（project）都由一份完整的XML文檔進行描述：XML文檔中會包含一個名為“Project ”的根元素，“Project”元素下包含“Extract”、“Transform”、“Load”和“Log”四個子元素，這四個元素標簽分別對應(yīng)于ETL project的數(shù)據(jù)抽取、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)加載和日志四個系統(tǒng)模塊。

每個ETL數(shù)據(jù)處理工程的基本XML文檔格式如圖1所示。

其中高校ETL數(shù)據(jù)處理規(guī)范的開發(fā)規(guī)范是指數(shù)據(jù)處理過程在開發(fā)過程中所遵循的章程和約束。開發(fā)規(guī)范包括命名規(guī)范、功能定義規(guī)范和結(jié)構(gòu)規(guī)范，由于ETL技術(shù)平臺的支撐，用戶在圖形界面下可視化搭建數(shù)據(jù)處理作業(yè)，技術(shù)平臺能夠自動生成開發(fā)規(guī)范文檔，從而省去了大量工作。維護規(guī)范是指數(shù)據(jù)作業(yè)提交并執(zhí)行后，系統(tǒng)所產(chǎn)生的日志、報告以及其他相關(guān)技術(shù)文檔。數(shù)據(jù)作業(yè)的維護文檔也同樣由技術(shù)平臺自動生成。ETL數(shù)據(jù)處理過程的規(guī)范化，為數(shù)據(jù)處理作業(yè)代碼可讀、維護和可復(fù)用提供了必要保證。

四、高校ETL數(shù)據(jù)處理信息平臺的建設(shè)

ETL數(shù)據(jù)處理技術(shù)平臺能夠為高校用戶實現(xiàn)輕量級數(shù)據(jù)傳輸和數(shù)據(jù)交換，可以幫助校方將數(shù)據(jù)從一個系統(tǒng)按照一定的業(yè)務(wù)規(guī)則準確無誤地轉(zhuǎn)換到其他業(yè)務(wù)系統(tǒng)或報表中。數(shù)據(jù)處理技術(shù)平臺提供基于Web架構(gòu)的可視化數(shù)據(jù)操作頁面，允許用戶通過拖拽數(shù)據(jù)處理元件完成數(shù)據(jù)的抽取、轉(zhuǎn)換、清洗、加載等工作任務(wù);同時，嚴格的事務(wù)控制策略和數(shù)據(jù)工作流引擎能夠保證數(shù)據(jù)的安全性和可靠性。ETL數(shù)據(jù)技術(shù)處理平臺自身具有數(shù)據(jù)處理技術(shù)平臺的多層體系架構(gòu)的特性，如圖2所示。

第一層是ETL數(shù)據(jù)處理組件庫。組件庫包括數(shù)據(jù)連接池組件、數(shù)據(jù)清洗規(guī)則庫組件、數(shù)據(jù)轉(zhuǎn)換規(guī)則庫組件及數(shù)據(jù)加載池組件。其中數(shù)據(jù)連接池和數(shù)據(jù)加載池組件能分別實現(xiàn)Access、CSV、Excel、Oracle 、MySQL等多種類數(shù)據(jù)庫、數(shù)據(jù)文件導(dǎo)入與導(dǎo)出;數(shù)據(jù)轉(zhuǎn)換組件能實現(xiàn)SQL解析、XSL轉(zhuǎn)換、值映射、排序等數(shù)據(jù)轉(zhuǎn)換操作，并允許用戶根據(jù)需求自定義擴充轉(zhuǎn)換規(guī)則;數(shù)據(jù)清洗組件可實現(xiàn)數(shù)據(jù)排序合并、記錄關(guān)聯(lián)、連接、分組、采樣等記錄集操作，也可實現(xiàn)字符串替換、校驗、補全拆分等數(shù)據(jù)字段級操作，并允許用戶根據(jù)需求自定義擴充數(shù)據(jù)清洗規(guī)則。

第二層是ETL數(shù)據(jù)任務(wù)執(zhí)行引擎。該層根據(jù)用戶提交的數(shù)據(jù)處理作業(yè)進行解析并執(zhí)行;服務(wù)器根據(jù)數(shù)據(jù)作業(yè)任務(wù)量與當前可用資源自動均衡計算負載，保證多個數(shù)據(jù)作業(yè)能并發(fā)執(zhí)行。

第三層是ETL數(shù)據(jù)作業(yè)編輯。該層提供計算機數(shù)據(jù)處理的可視化編輯與設(shè)計界面，用戶通過簡單拖拽操作就可把底層ETL數(shù)據(jù)處理組件裝配成完整的數(shù)據(jù)處理作業(yè)并保存，用戶無須掌握編程技術(shù)即可完成數(shù)據(jù)作業(yè)開發(fā)與維護。

第四層是ETL 作業(yè)調(diào)度及監(jiān)控。ETL數(shù)據(jù)任務(wù)執(zhí)行引擎將并行過程中數(shù)據(jù)作業(yè)的執(zhí)行情況反饋至ETL作業(yè)調(diào)度及監(jiān)控層中，系統(tǒng)管理員可以根據(jù)實際需求對多處并發(fā)執(zhí)行的多個數(shù)據(jù)作業(yè)進行資源分配，也可以對執(zhí)行中的數(shù)據(jù)作業(yè)進行暫停、恢復(fù)和中斷操作。

五、高校ETL用戶角色崗位分工

高校ETL數(shù)據(jù)處理工作主要來自于高校數(shù)據(jù)報表、內(nèi)部業(yè)務(wù)部門的數(shù)據(jù)流轉(zhuǎn)及業(yè)務(wù)系統(tǒng)的數(shù)據(jù)集成。高校從事計算機數(shù)據(jù)處理工作的人員按類別可大致分為報表填報人員、業(yè)務(wù)部門的數(shù)據(jù)流傳處理人員、負責信息系統(tǒng)集成的校方技術(shù)人員及學(xué)校信息中心的平臺維護技術(shù)人員等。為了能夠優(yōu)化人力資源，避免重復(fù)性勞動，要在學(xué)校數(shù)據(jù)治理層面上對ETL數(shù)據(jù)處理用戶角色及崗位進行整合優(yōu)化，圖3是高校ETL數(shù)據(jù)處理人員角色責任分工矩陣。

高校ETL數(shù)據(jù)處理具有跨部門、跨專業(yè)的工作特性，高校ETL數(shù)據(jù)處理工作人員角色責任分工矩陣的建立，有利于ETL數(shù)據(jù)處理工作的任務(wù)分解和責任界定;角色責任分工矩陣的創(chuàng)建，能夠幫助高校梳理ETL工作任務(wù)的性質(zhì)和特點，能夠更有效地分解工作任務(wù);高校各部門也可按照責任矩陣中的角色認領(lǐng)工作任務(wù)，將工作落地實施;同時，高校也可按照ETL數(shù)據(jù)處理人員角色責任分工矩陣對責任部門設(shè)定可度量的績效考核目標，進行考核評價;通過對高校ETL用戶角色崗位的合理分工與整合，各單位在各個工作環(huán)節(jié)之間銜接得更加緊密、高效和順暢。

六、結(jié)束語

基于全?？傮w數(shù)據(jù)治理設(shè)計框架的全局ETL數(shù)據(jù)整合方案，能夠?qū)⒁酝咝?nèi)部各部門分散的數(shù)據(jù)處理工作整合起來，將凌亂無序的數(shù)據(jù)處理技術(shù)方法通過ETL數(shù)據(jù)處理技術(shù)平臺統(tǒng)一起來;此外，ETL數(shù)據(jù)整合方案確定了數(shù)據(jù)處理從業(yè)人員的角色分工，讓全校數(shù)據(jù)處理工作人員都能人盡其職、人盡其能，充分挖掘調(diào)動智力資源，避免了人力浪費;基于校標的ETL數(shù)據(jù)處理技術(shù)規(guī)范保證了每一份處理作業(yè)的質(zhì)量和時效性。規(guī)范化標準化的數(shù)據(jù)處理作業(yè)具備可維護性、可移植性、可復(fù)用性，能夠大大減少基層數(shù)據(jù)處理人員的重復(fù)性勞動，能夠大幅提升高校的數(shù)據(jù)質(zhì)量和信息服務(wù)水平。

參考文獻：

[1]王卓昊，楊冬菊，徐晨陽.基于ISE算法的分布式ETL任務(wù)調(diào)度策略研究[J].計算機科學(xué)，2019（12）：1-7.

[2]趙志.教育大數(shù)據(jù)統(tǒng)計分析平臺設(shè)計與研究[D]. 西安：西安理工大學(xué)，2019.

[3]王夢潔.基于ETL的數(shù)據(jù)集成平臺的設(shè)計與實現(xiàn)[D].西安：西安電子科技大學(xué)，2019.

[4]范江波.基于Oracle ESB建設(shè)校園服務(wù)體系的實踐與探索[J].中國教育信息化，2016（19）：57-60.

[5]潘彬.改進的ETL框架及其數(shù)據(jù)清洗方法研究[D].南充：西華大學(xué)，2019.

[6]周宇.基于模型轉(zhuǎn)換的ETL代碼生成方法研究及應(yīng)用[D].重慶：重慶郵電大學(xué)，2018.

[7]周春紅.ETL在BI項目中的設(shè)計與實現(xiàn)[D].上海：東華大學(xué)，2016.

[8]姚志鵬.數(shù)據(jù)抽取、轉(zhuǎn)換、加載描述規(guī)范的研究與應(yīng)用[D].青島：青島大學(xué)，2013.

（編輯：王天鵬）