三大主流ETL工具選型

申請免費試用、咨詢電話：400-8352-114

ETL（extract, transform and load）產(chǎn)品乍看起來似乎并不起眼，單就此項技術本身而言，幾乎也沒什么特別深奧之處，但是在實際項目中，卻常常在這個環(huán)節(jié)耗費太多的人力，而在后續(xù)的維護工作中，更是往往讓人傷透腦筋。之所以出現(xiàn)這種狀況，恰恰與項目初期沒有正確估計ETL工作、沒有認真考慮其工具支撐有很大關系。

做ETL產(chǎn)品的選型，仍然需要從以前說的四點（即成本、人員經(jīng)驗、案例和技術支持）來考量。在此，主要列舉三種主流ETL產(chǎn)品：Ascential公司的Datastage、Informatica公司的Powercenter、 NCR Teradata公司的ETL Automation。其中，ETL Automation相對其他兩種有些特別之處，放在后面評述。

旗鼓相當：Datastage與Powercenter

就Datastage和Powercenter而言，這兩者目前占據(jù)了國內(nèi)市場絕大部分的份額，在成本上看水平相當，雖然市面上還有諸如Business Objects公司的Data Integrator、Cognos公司的DecisionStream，但尚屬星星之火，未成燎原之勢。

談Datastage和Powercenter，如果有人說這個就是比那個好，那聽者就要小心一點了。在這種情況下有兩種可能：他或者是其中一個廠商的員工，或者就是在某個產(chǎn)品上有很多經(jīng)驗而在另一產(chǎn)品上經(jīng)驗缺乏的開發(fā)者。為什么得出這一結論？一個很簡單的事實是，從網(wǎng)絡上大家對它們的討論和爭執(zhí)來看，基本上是各有千秋，都有著相當數(shù)量的成功案例和實施高手。確實，工具是死的，人才是活的。在兩大ETL工具技術的比對上，可以從對ETL流程的支持、對元數(shù)據(jù)的支持、對數(shù)據(jù)質(zhì)量的支持、維護的方便性、定制開發(fā)功能的支持等方面考慮。

一個項目中，從數(shù)據(jù)源到最終目標表，多則上百個ETL過程，少則也有十幾個。這些過程之間的依賴關系、出錯控制以及恢復的流程處理，都是工具需要重點考慮。在這一方面，Datastage的早期版本對流程就缺乏考慮，而在6版本則加入Job Sequence的特性，可以將Job、shell腳本用流程圖的方式表示出來，依賴關系、串行或是并行都可以一目了然，就直觀多了。Powercenter有Workflow的概念，也同樣可以將Session串聯(lián)起來，這和Datastage Sequence大同小異。

ETL的元數(shù)據(jù)包括數(shù)據(jù)源、目標數(shù)據(jù)的結構、轉(zhuǎn)換規(guī)則以及過程的依賴關系等。在這方面，Datastage和Powercenter從功能上看可謂不分伯仲，只是后者的元數(shù)據(jù)更加開放，存放在關系數(shù)據(jù)庫中，可以很容易被訪問。此外，這兩個廠家又同時提供專門的元數(shù)據(jù)管理工具，Ascential有Metastage，而Informatica擁有Superglue。你看，就不給你全部功能，變著法子從你口袋里面多掏點錢。

數(shù)據(jù)質(zhì)量方面，兩種產(chǎn)品都采用同樣的策略——獨立出ETL產(chǎn)品之外，另外有專門的數(shù)據(jù)質(zhì)量管理產(chǎn)品。例如和Datastage配套用的有ProfileStage和QualityStage，而Informatica最近也索性收購了原先OEM的數(shù)據(jù)質(zhì)量管理產(chǎn)品FirstLogic。而在它們的ETL產(chǎn)品中，只是在Job或是Session前后留下接口，所謂前過程、后過程，雖然不是專為數(shù)據(jù)質(zhì)量預留的接口，不過至少可以利用它外掛一些數(shù)據(jù)質(zhì)量控制的模塊。

在具體實現(xiàn)上看，Datastage通過Job實現(xiàn)一個ETL過程，運行時可以通過指定不同參數(shù)運行多個實例。Powercenter通過Mapping表示一個ETL過程，運行時為Session，綁定了具體的物理數(shù)據(jù)文件或表。在修改維護上，這兩個工具都是提供圖形化界面。這樣的好處是直觀、傻瓜式的；不好的地方就是改動還是比較費事（特別是批量化的修改）。

定制開發(fā)方面，兩者都提供抽取、轉(zhuǎn)換插件的定制，但筆者認為，Datastage的定制開發(fā)性要比Powercenter要強那么一點點。因為Datastage至少還內(nèi)嵌一種類BASIC語言，可以寫一段批處理程序來增加靈活性，而Powercenter似乎還缺乏這類機制。另外從參數(shù)控制上，雖然兩者的參數(shù)傳遞都是比較混亂的，但Datastage至少可以對每個job設定參數(shù)，并且可以job內(nèi)部引用這個參數(shù)名；而Powercenter顯得就有些偷懶，參數(shù)放在一個參數(shù)文件中，理論上的確可以靈活控制參數(shù)，但這個靈活性需要你自己更新文件中的參數(shù)值（例如日期更新）。另外，Powercenter還不能在mapping或session中引用參數(shù)名，這一點就讓人惱火。

總起來看，Datastage和Powercenter可謂旗鼓相當，在國內(nèi)也都有足夠的支持能力，Datastage在2005年被IBM收購之后，可以說后勁十足。而Informatica則朝著BI全解決方案提供商方向發(fā)展，Powercenter顯然還將是它的核心產(chǎn)品。

獨樹一幟：Teradata的ETL Automation

繼續(xù)要說的第三種產(chǎn)品是Teradata的ETL Automation。之所以拿它單獨來說是因為它和前面兩種產(chǎn)品的體系架構都不太一樣。與其說它是ETL工具，不如說是提供了一套ETL框架。它沒有將注意力放在如何處理“轉(zhuǎn)換”這個環(huán)節(jié)上，而是利用Teradata數(shù)據(jù)庫本身的并行處理能力，用SQL語句來做數(shù)據(jù)轉(zhuǎn)換的工作，其重點是提供對ETL流程的支持，包括前后依賴、執(zhí)行和監(jiān)控等。

這樣的設計和Datastage、Powercenter風格迥異，后兩者給人的印象是具有靈活的圖形化界面，開發(fā)者可以傻瓜式處理ETL工作，它們一般都擁有非常多的“轉(zhuǎn)換”組件，例如聚集匯總、緩慢變化維的轉(zhuǎn)換。而對于Teradata的ETL Automation，有人說它其實應該叫做ELT，即裝載是在轉(zhuǎn)換之前的。的確，如果依賴數(shù)據(jù)庫的能力去處理轉(zhuǎn)換，恐怕只能是ELT，因為轉(zhuǎn)換只能在數(shù)據(jù)庫內(nèi)部進行。從這個角度看，Automation對數(shù)據(jù)庫的依賴不小，似乎是一種不靈活的設計。也正是這個原因，考慮它的成本就不單單是ETL產(chǎn)品的成本了。

其實，在購買現(xiàn)成的工具之外，還有自己從頭開發(fā)ETL程序的。

ETL工作看起來并不復雜，特別是在數(shù)據(jù)量小、沒有什么轉(zhuǎn)換邏輯的時候，自己開發(fā)似乎非常節(jié)省成本。的確，主流的ETL工具價格不菲，動輒幾十萬；而從頭開發(fā)無非就是費點人力而已，可以控制。至于性能，人大多是相信自己的，認為自己開發(fā)出來的東西知根知底，至少這些程序可以完全由自己控制。

就目前自主開發(fā)的ETL程序而言，有人用c語言編寫，有人用存儲過程，還有人用各種語言混雜開發(fā)，程序之間各自獨立。這很危險，雖然能夠讓開發(fā)者過足編碼的癮，卻根本不存在架構。

有位銀行的朋友，他們幾年前上的數(shù)據(jù)倉庫系統(tǒng)，就是集成商自己用c語言專門為他們的項目開發(fā)的。單從性能上看似乎還不賴，然而一兩年下來，項目組成員風雨飄零，早已物是人非，只有那套程序還在那里；而且，按照國內(nèi)目前的軟件工程慣例，程序注釋和文檔是不全或者是不一致的，這樣的程序已經(jīng)對日常業(yè)務造成很大阻礙。最近，他們已經(jīng)開始考慮使用ETL工具重新改造了。(ccw-cnw)