HATÉKONY ETL FOLYAMATOK WORKSHOP

Átírás

1 HATÉKONY ETL FOLYAMATOK WORKSHOP Gollnhofer Gábor JET-SOL Kft. Nyilvántartási szám: 503/

2 JET-SOL KFT. Alapadatok 2003-ban alakultunk Több mint 120 magasan képzett munkatárs Ügyfélkör Nagyvállalati szektor Magyarországon és Közép-Kelet Európában Értékeink Precizitás, professzionalitás, hatékonyság DW fórum Hatékony ETL workshop

3 DW & BI SZAKTERÜLETEINK Szakterületeink Adattárház és üzleti intelligencia rendszerek Adatvagyon biztosítás (Data Governance) Metaadat kezelés Vezetői információs rendszerek Technológiai partnereink EMC 2, Oracle, Microsoft, SAP, Teradata, AnalytixDS DW fórum Hatékony ETL workshop

4 HATÉKONY ETL FOLYAMATOK KIALAKÍTÁSA Félnapos workshop DW adatintegráció és ETL tervezési, fejlesztési és üzemeltetési témakörök Workshop ETL architektúra ETL eszközök mappingek tervezése/kezelése némi adatmodellezés metaadat kezelés DW automatizálás Menetközben bemutatok egy-két használható eszközt, megoldást 4.

5 HATÉKONY ETL FOLYAMATOK KIALAKÍTÁSA Saját kérdések? amiket megpróbálunk közösen megvitatni és akár megoldani is 5.

6 TARTALOM Bemutatkozás Alapelvek Extract adatok kinyerése & összegyűjtése Transform transzformációk Load betöltés Nagy mennyiségű adatok és érzékeny adatok kezelése Metaadatok ETL tervezés, fejlesztés ETL automatizálás Kérdések & válaszok 6.

7 ALAPELVEK Az ETL helye és szerepe az architektúrában ETL/ELT Három adatmozgatási modell 7.

8 ALAPELVEK AZ ETL HELYE ÉS SZEREPE AZ ARCHITEKTÚRÁBAN Adatforrások Staging terület Történeti adattárház Felhasználói elérés Értékesítés Pénzügy Érkeztetés és transzformáció terület SF 1 Elemi történeti adattár (DW Data Warehouse) Témakör orientált adatpiacok (DM Data Mart) D 1 D 2 D 3 D 6 D 7 FACT 2 D 8 Fix és paraméterezett riportok Ad-hoc riportok, elemzések CRM Dokumentum kezelés SD 2 ST 3 FACT 1 D 4 D 5 D 1 D 3 D 1 D 5 D 6 Vezetői portál Adminisztráció, monitoring Külső adatok Gyártás Audit Trail Interfaces Mappings FACT 3 D 4 D 2 Kötelező jelentések Analitikus CRM Kézi adatforrások (xls, csv) Meta adatok META 1 META 2 Tulajdonosi riportok Data mining Metaadat karbantartás Törzsadat karbantartás (master data) Mapping karbantartás 8.

9 ALAPELVEK ETL/ELT ETL = Extract-Transform-Load A klasszikus felépítés Dedikált ETL szerver Teljesen(?) átalakított adatok töltődnek az adatbázisba Pl. Data Stage ELT = Extract-Load-Transform Ha már van adatkezelésre optimalizált szerver, használjuk! Az extraktált adatok töltődnek az adatbázisba, ott történik az átalakításuk Pl. Oracle Data Integrator ETLT? és egyéb kombinációk 9.

10 ALAPELVEK ADATMOZGATÁSI MODELLEK 10.

12 EXTRACT AZ ADATOK KINYERÉSE Push/pull Full/changed File/direct/messaging CDC (timestamp, trigger, log, replikáció, compare) 12.

13 ADATKINYERÉS PUSH / PULL Push Az adatforrás küldi az adatokat Amikor a forrásnak kényelmes A DW oldalon érkeztető (landing) terület Közösen definiált interfészek (fájl/db/messaging) Forrás oldali fejlesztést igényel Pull A cél (DW) olvassa ki az adatokat Amikor a DW-nek kényelmes (és a forrás elérhető) A DW oldalon érkeztető terület (nem kötelező ) Közvetlen elérés v. szabványos interfészek (pl.natív/odbc/jdbc) Forrás oldali jogosultságot igényel 13.

14 ADATKINYERÉS PUSH / PULL Lehet vegyes megoldás is: Az adatforrás: leválogatja az adatokat egy dedikált extrakt területre (amikor neki kényelmes) Jelöli, hogy készen van! A DW: elveszi a dedikált területről a kész adatokat (amikor neki kényelmes) Jelöli, hogy készen van! Nagyobb hibatűrés, de dupla helyigény 14.

15 ADATKINYERÉS FULL / CHANGED Full teljes leválogatás Egyszerűbb(?) Kicsi adatmennyiség Nincsenek megbízható változás adatok Changed csak a változott adatok Bonyolultabb(?) Megbízható változás adatok vannak CDC (changed data capture) megoldások 15.

16 ADATKINYERÉS FILE / DIRECT / MESSAGING Fájl alapú Közvetlen elérésű Üzenet alapú 16.

17 ADATKINYERÉS FÁJL ALAPÚ Szabványos formátumok, előre definiált struktúra CSV, XML, JSON SAP printout? Log fájlok? Előnyök Egyszerű Platform & technológia független (codepage? CRLF?) Újra tölthető Lazán csatolt rendszerek Hátrányok Forrás oldali fejlesztést igényel Plusz tárolót igényel 17.

18 ADATKINYERÉS KÖZVETLEN ELÉRÉSŰ (DIRECT) Szabványos formátumok, előre definiált struktúra DB DB (ELT) Natív/ODBC/JDBC/gateway/webservice Előnyök Gyorsan kialakítható, módosítható Nem kell plusz tároló Hátrányok Szorosan csatolt rendszerek Jogosultságok Teljesítmény hatások (a forrás rendszeren), konzisztencia? 18.

19 ADATKINYERÉS ÜZENET ALAPÚ (MESSAGING) Szabványos formátumok(?), technológia Messaging (pl. MQ), replikáció Előnyök Lazán csatolt, aszinkron Akár tranzakciónként frissíthetünk Nem kell plusz tároló (queue?) Hátrányok Plusz infrastruktúra Összetett felépítés Teljesítmény? 19.

20 ADATKINYERÉS TIPPEK & TRÜKKÖK Fájl alapú Trigger fájl Az extraktum kész, vihető Fájl név, dátum&idő, rekordszám, checksum Névkonvenció Forrás_típuskód_ÉÉÉÉHHNNóóppss.txt (csv,xml,json,gzip) Adatforrásonként saját postaláda Közvetlen elérésű Metaadat tábla/táblák a fentiekhez hasonló tartalommal Egyéb fontos dolgok! Locale settings, codepage (unicode? UTF-8/UTF-16/UCS-2) 20.

21 ADATKINYERÉS CDC MEGVÁLTOZOTT ADATOK KERESÉSE Forrás adat változások Új adat Módosítás Törlés Fizikai full extrakt(?) Logikai == módosítás(?) 21.

22 ADATKINYERÉS CDC - TECHNOLÓGIÁK Timestamp Trigger Log Replikáció Full compare 22.

23 ADATKINYERÉS CDC TIMESTAMP A forrás adat tartalmazza az utolsó módosítás timestamp-jét Batch jellegű ETL-hez Megbízható? Automatikus v. az alkalmazás állítja be Ha megbízható csak változások kinyerése Különben csak full extrakt Fizikai törlés lehetséges? Ha igen csak full extrakt De két extrakt közötti változások elvesznek! 23.

24 ADATKINYERÉS CDC TRIGGER A forrás rendszer (db) változás esetén automatikusan eltárolja a megváltozott adatokat (egy másik táblában?) Batch jellegű ETL-hez Megbízható? Igen (elvileg kivéve, ha hibás a kód) Két extrakt közötti változások is megvannak De Fejlesztést igényel Plusz erőforrást igényel Nem szeretik 24.

25 ADATKINYERÉS CDC LOG A forrás adatbázis tranzakció naplója Batch jellegű ETL-hez Megbízható? Igen, rendszer szintű Ha be van kapcsolva és nem végeznek nem logolt műveleteket Két extrakt közötti változások is megvannak De Nem mindenhol/mindig van bekapcsolva A forrás tükre kell, hogy használni tudjuk Némi erőforrásigény, de nagy diszk igény 25.

26 ADATKINYERÉS CDC REPLIKÁCIÓ Forrás db log alapján automatikus Akár tranzakció szintű Aszinkron (publish-subscribe; ~messaging) Megbízható? De Mint a Log Két extrakt közötti változások is megvannak Plusz szoftver igény, plusz erőforrás igény 26.

27 ADATKINYERÉS CDC TELJES HASONLÍTÁS (FULL COMPARE) Teljes forrás állományt veszünk át és DW oldalon különbség képzés (a megelőző teljes állomány alapján) Megbízható? Igen (elvileg kivéve, ha hibás a kód) Két extrakt közötti változások elvesznek De Feleslegesen sok adatot mozgatunk Plusz diszk és feldolgozás igény 27.

28 ADATKINYERÉS CDC TIPPEK & TRÜKKÖK Bármelyik megoldást választjuk Mindig kellhet teljes összehasonlítás, mert Kiesünk a szinkronból Teljes feltöltés Teljes összehasonlítás HASH kód (pl. MD5) alapú Táblák minden sorára HASH kód, majd Select * from extr_tab full outer join dw_tab on dw_tab.pk = extr_tab.pk where dw_tab.hash <> extr_tab.hash 28.

29 ADATKINYERÉS CDC TIPPEK & TRÜKKÖK Teljes összehasonlítás Gyors oszlop alapú: 29.

31 TRANSFORM ADATOK ÁTALAKÍTÁSA Érkeztető terület (landing) A forrásadatok az extraktált formában itt várják a feldolgozást (akár fájl, akár db táblák&sorok) A feldolgozott adatokat archiváljuk Feldolgozó terület (staging) A tényleges feldolgozásokat, transzformációkat itt végezzük el Általában az adott ETL futáshoz szükséges adatokat tartjuk benne Persistent Staging? 31.

33 LOAD - BETÖLTÉS Bárhogy, csak gyors legyen Bulk load Logged/non-logged Partitioning, partition-swapping Betöltési hibák kezelése Adathibák Programhibák Paraméterezési hibák 33.

34 LOAD - BETÖLTÉS HIBÁK KEZELÉSE Adathibák Hiba tábla/állomány Mit fogunk kezdeni vele? Részleges betöltés Konzisztencia? Auditálhatóság? Kihagyás Konzisztencia? Auditálhatóság? DataQuality jel/dimenzió Program/paraméterezési hibák Észrevettük? Nem minden OK? javítás/újra töltés Igen megállunk/folytatjuk v. javítás után & újra/folytatjuk Adjon lehetőséget az újra futtatásra! 34.

35 NAGY MENNYISÉGŰ ADATOK ÉS ÉRZÉKENY ADATOK KEZELÉSE Nagy mennyiségű adatok Csak a feltétlenül szükséges adatokat mozgassuk Bulk műveletek (minimális v. nolog) Tömörítés és tömörítve mozgatás a hálózaton Érzékeny adatok kezelése Önálló területet biztosítsunk nekik A hálózaton is kódolva mozgassuk Anonimizálás, egy irányú kódolás 35.

37 METAADATOK Mit, mikor tervezési metaadatok Monitorozás működési metaadatok 37.

38 TERVEZÉSI METAADATOK MIT, MIKOR Adatforrások Adatstruktúrák Mapping ETL folyamatok Függőségek Ütemezés 38.

39 TERVEZÉSI METAADATOK METAADAT MODELL Házi feladat vagy lásd. később 39.

40 MŰKÖDÉSI METAADATOK MONITOROZÁS Futási statisztikák Feldolgozási idők (folyamat kezdete, vége, időtartama) Adatmennyiségek (megkapott, feldolgozott fájl/message/rekord/bájt/stb.) Hibák (száma, típusa) Folyamatok (státusz) Adatminőség (szélső értékek, darabszámok, eloszlások, hibás adatok száma, hibatípusok, stb.) 40.

41 MŰKÖDÉSI METAADATOK METAADAT MODELL Tervezési és működési metaadat modell: Fogalmak Szereplők, szerepkörök Jogosultságok Forrásrendszerek Objektumok Transzformációk Folyamatok Vezérlés, napló 41.

43 ETL TERVEZÉS, FEJLESZTÉS Forrás felmérés (elérhetőség, technológia, struktúrák, profiling) Folyamatok (csoportosítás, függőségek, ütemezés) Mapping definíciók ETL változás kezelés 43.

44 ETL TERVEZÉS, FEJLESZTÉS ADATFORRÁS FELMÉRÉS Elérhetőség, technológia, struktúrák Profiling 44.

45 ETL TERVEZÉS, FEJLESZTÉS FOLYAMATOK - FÜGGŐSÉGEK, ÜTEMEZÉS Kód vezérelt Előre definiált végrehajtási sorrend A végrehajtási sorrend behuzalozva Optimalizált(?) Új folyamatok beillesztése bonyolult (újra optimalizálás?) Az ETL eszközökben ez az alapértelmezett futtatási mód Adat vezérelt Csak az adat függőségek definiáltak (és prioritások) A végrehajtási sorrend a tényleges adatfeldolgozástól függ Új folyamatok beillesztése egyszerű (csak a függőségeket kell definiálni) Az ETL eszközökben keretfolyamatokat kell készíteni 45.

46 ETL TERVEZÉS, FEJLESZTÉS MAPPING DEFINÍCIÓK Excel tábla demo Modellező eszköz demo: PowerDesigner Spec. mapping kezelő és ETL generáló eszköz demo: Analytix Mapping Manager ETL eszközök Mindenkinek a kedvenc ETL eszköze (és SQL eljárásai) 46.

47 ADATFORRÁS ELEMZÉS EXCEL TÁBLA 47.

48 INTERFÉSZ DEFINÍCIÓ EXCEL TÁBLA 48.

49 MAPPING DEFINÍCIÓ EXCEL TÁBLA 49.

51 MODELLEZŐ ESZKÖZ POWERDESIGNER MAPPING EDITOR Tervezés: adatbázis, folyamatok, drag & drop ETL mapping Generálás: adatbázis, ETL SQL query dokumentáció Egyedi bővítmények 51.

52 POWERDESIGNER BŐVÍTMÉNYBŐL GENERÁLT ETL SQL KÓD 52.

53 POWERDESIGNER MODELLEZŐ ESZKÖZ demo: SAP PowerDesigner How to Use the Mapping Editor in PowerDesigner 53.

55 MAPPING KEZELŐ ÉS ETL GENERÁLÓ ESZKÖZ ANALYTIX MAPPING MANAGER Drag & drop mapping Szabályok Repository ETL import Excel import ETL export Excel export Bővíthető metaadatok 55.

56 ANALYTIX MAPPING MANAGER ETL GENERÁLÁS DataStage Informatica SSIS XML egyéb egyedi bővítmények ETL konverzió 56.

57 MAPPING KEZELŐ ÉS ETL GENERÁLÓ ESZKÖZ demo: Analytix Mapping Manager 57.

59 ETL TERVEZÉS, FEJLESZTÉS VÁLTOZÁS KEZELÉS A DW-ben tárolt adatokról tudjuk megmondani, hogy mikor kerültbe, melyik ETL eljárással audit_trail dimenzió Fontos, hogy megőrizzük a régi ETL kódokat is! ETL eszközök általában támogatják (repository) Egyedi fejlesztés verziókezelő 59.

61 ETL AUTOMATIZÁLÁS FELADATOK Hogyan kezeljük, ha: 3 adatforrásunk van <> 30 adatforrás 50 táblát kell tölteni <> 5000 táblát Automatizáljuk az ismétlődő feladatokat Adatstruktúrák, formátum leírók Mapping Feldolgozási eljárások (SQL, map-reduce, scriptek, ETL eszköz kódok) Tervezési metaadatok 61.

62 ETL AUTOMATIZÁLÁS ESZKÖZÖK ETL eszközök Könnyen(?) tanulható, átlátható, grafikus felület Scriptelhető? Tervezőeszközök(?) Adatmodellezés & mapping definíciók ETL kódgenerálás (staging táblák, ETL kód) Scriptelhető? Saját fejlesztés Kód generálás 62.

63 MIVEL AUTOMATIZÁLJUNK? DW TERVEZÉS & FEJLESZTÉS Klasszikus ETL eszközök Scriptelhetők: saját script nyelv és/vagy repositoryba írás(?) DataStage, Informatica, ODI, OWB, Pentaho, Talend, stb. BASIC, Java, TCL, Groovy, SQL, saját, stb.; XML/XMI ETL/BI automation eszközök, pl. Analytix Mapping Manager BIReady Consensus Quipu Wherescape RED Saját, egyedi fejlesztés 63.

65 KÉRDÉSEK & VÁLASZOK 65.

66 KAPCSOLAT 1143 Budapest, Ilka utca 2-4. Telefon: Fax: info@jet-sol.hu DW fórum Hatékony ETL workshop Nyilvántartási szám: 503/