汪洋，韓寧

　　（中國軟件與技術(shù)服務(wù)股份有限公司，北京 100081）

       摘要：在企業(yè)數(shù)據(jù)愈加龐大的今天，大批量數(shù)據(jù)交換也越加頻繁，ETL是數(shù)據(jù)處理的主要技術(shù)手段，但極少有ETL工具能夠兼顧自動調(diào)度及跨網(wǎng)段交換。在開源ETL工具Kettle的基礎(chǔ)上，設(shè)計實現(xiàn)能夠定制觸發(fā)規(guī)則、根據(jù)調(diào)度周期自主運行交換作業(yè)的數(shù)據(jù)交換工具GoData，該工具支持跨節(jié)點跨網(wǎng)段的數(shù)據(jù)交換作業(yè)，同時具有節(jié)點監(jiān)控及錯誤作業(yè)預(yù)警和消息推送功能，支持集群和分布式部署。該工具極大地滿足了企業(yè)對數(shù)據(jù)交換業(yè)務(wù)的需求，在企業(yè)合理和充分利用現(xiàn)有數(shù)據(jù)資源方面發(fā)揮作用。

　　關(guān)鍵詞：ETL；Kettle；GoData；跨網(wǎng)段數(shù)據(jù)交換；自動觸發(fā)

　　中圖分類號：TN919文獻(xiàn)標(biāo)識碼：ADOI： 10.19358/j.issn.1674-7720.2016.24.006

　　引用格式：汪洋，韓寧. 基于開源代碼的ETL工具的實現(xiàn)［J］.微型機與應(yīng)用，2016,35（24）：19-21.

0引言

　　隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，企業(yè)內(nèi)業(yè)務(wù)應(yīng)用數(shù)量猛增，業(yè)務(wù)數(shù)據(jù)更是與日俱增，越來越多的企業(yè)在面對眾多業(yè)務(wù)系統(tǒng)產(chǎn)生的日益龐大的業(yè)務(wù)數(shù)據(jù)時，顯得束手無策，疲于應(yīng)對。其原因大多在于企業(yè)內(nèi)部信息化建設(shè)并沒有形成統(tǒng)一的標(biāo)準(zhǔn)，各廠商、各系統(tǒng)、各層級間數(shù)據(jù)形態(tài)各異，無法實現(xiàn)互聯(lián)互通數(shù)據(jù)共享，從而形成“信息孤島”。而信息是現(xiàn)代企業(yè)的重要資源，是企業(yè)科學(xué)管理、決策分析的基礎(chǔ)。因此，打破“信息孤島”，實現(xiàn)數(shù)據(jù)高效集成和共享是企業(yè)數(shù)字信息化建設(shè)的關(guān)鍵問題。企業(yè)需要通過各種技術(shù)手段，把數(shù)據(jù)轉(zhuǎn)換為信息、知識，最大程度地發(fā)揮數(shù)據(jù)的作用，而ETL便是主要的技術(shù)手段。

　　當(dāng)前企業(yè)信息建設(shè)普遍存在以下問題：

　　（1)數(shù)據(jù)源眾多

　　企業(yè)內(nèi)層級部門眾多，業(yè)務(wù)種類多樣，數(shù)據(jù)來源更為廣泛。

　　（2)數(shù)據(jù)差異性大

　　數(shù)據(jù)源眾多的前提下，企業(yè)沒有統(tǒng)一的數(shù)據(jù)標(biāo)準(zhǔn)造成業(yè)務(wù)數(shù)據(jù)差異性大，在擁有結(jié)構(gòu)化數(shù)據(jù)的同時可能還存在大量半結(jié)構(gòu)以及無結(jié)構(gòu)數(shù)據(jù)。

　　（3)業(yè)務(wù)數(shù)據(jù)增長迅猛，數(shù)據(jù)利用率低下

　　據(jù)統(tǒng)計，大多數(shù)企業(yè)數(shù)據(jù)量每2～3年時間就會成倍增長，業(yè)務(wù)數(shù)據(jù)增長迅猛，而企業(yè)所關(guān)注的數(shù)據(jù)通常只占總數(shù)據(jù)量的2%～4%左右，并沒有充分利用已存在的數(shù)據(jù)資源。

　　因此，設(shè)計和實現(xiàn)一個穩(wěn)定、高效、符合企業(yè)形態(tài)、可以靈活部署的ETL工具勢在必行。其在使企業(yè)實現(xiàn)信息和數(shù)據(jù)共享的同時，還能夠幫助企業(yè)最大化地利用已存在的數(shù)據(jù)資源，完善企業(yè)數(shù)字化、信息化建設(shè)。

1Kettle介紹

　　ETL(Extraction, Tansformation, Loading)即是將數(shù)據(jù)從來源端經(jīng)過抽取和轉(zhuǎn)換后加載到目的端的過程。在ETL過程中，數(shù)據(jù)抽取即是從數(shù)據(jù)源中抽取數(shù)據(jù)的過程，也可從多個數(shù)據(jù)源中進(jìn)行數(shù)據(jù)抽取；數(shù)據(jù)轉(zhuǎn)換即是對抽取數(shù)據(jù)進(jìn)行清洗，通過清洗策略和合并、轉(zhuǎn)換以及數(shù)學(xué)運算等操作，去除數(shù)據(jù)中存在的錯誤和冗余，也可根據(jù)要求變換數(shù)據(jù)格式，保證數(shù)據(jù)質(zhì)量；數(shù)據(jù)裝載即是將轉(zhuǎn)換好的數(shù)據(jù)保存到數(shù)據(jù)庫或文件中。目前，越來越多的廠商致力于ETL工具的研發(fā)，而較常用的開源工具有Kettle、 Talend、 Octopus等，其中以開源Java工具Kettle應(yīng)用最廣，表現(xiàn)最為突出。

　　Kettle是一款用Java編寫的開源ETL工具，其主要由轉(zhuǎn)換(Transformation)和作業(yè)(Job)兩部分組成。其中“轉(zhuǎn)換”是由一系列步驟組成的，每一個步驟表示對一個或多個數(shù)據(jù)流進(jìn)行特定的轉(zhuǎn)換操作。而“作業(yè)”基于工作流模型，協(xié)調(diào)數(shù)據(jù)源、執(zhí)行過程和相關(guān)依賴性的ETL活動，其將功能性和實體過程聚合起來，完成對整個工作流的控制。Kettle的概念模型如圖1所示［1］。圖1Kettle概念模型圖2GoData架構(gòu)圖Kettle優(yōu)點很多：具有可視化的流程設(shè)計工具，具備眾多數(shù)據(jù)處理控件，擁有良好的插件擴展功能，支持集群操作等。可以說Kettle是當(dāng)前ETL開源世界中功能最全面的一款工具［2］。但是每個產(chǎn)品都有其自身的局限性，Kettle也不能例外，比如缺少多頻度自動觸發(fā)調(diào)度機制，不能實現(xiàn)跨網(wǎng)段數(shù)據(jù)交換功能等。而這恰巧是多數(shù)企事業(yè)單位對數(shù)據(jù)交換業(yè)務(wù)的共性需求。

2GoData設(shè)計與實現(xiàn)

　　2.1設(shè)計初衷

　　GoData的設(shè)計初衷即是打造一款符合大多數(shù)企事業(yè)單位數(shù)據(jù)交換需求的ETL工具，其在Kettle的基礎(chǔ)上，取長補短，調(diào)整作業(yè)運行機制，完善作業(yè)調(diào)度機制，加入作業(yè)觸發(fā)機制，并在保證數(shù)據(jù)正確安全的基礎(chǔ)上，實現(xiàn)跨網(wǎng)段的數(shù)據(jù)交換，加入作業(yè)監(jiān)控，實現(xiàn)錯誤告警，整理日志記錄機制，完善作業(yè)調(diào)度及授權(quán)等功能。

　　2.2設(shè)計實現(xiàn)

　　GoData產(chǎn)品架構(gòu)圖如圖2所示，最底層為數(shù)據(jù)來源層，GoData可適配的數(shù)據(jù)來源眾多，包括結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)以及非機構(gòu)化數(shù)據(jù)；協(xié)議適配層是GoData的網(wǎng)絡(luò)適配協(xié)議，既包括RDBMS、HTTP等，也能對WebService、FTP等進(jìn)行適配；功能組件層包含了管理組件、監(jiān)控組件、安全組件、輔助組件以及核心組件；展示層則包含了產(chǎn)品對外的展示形式，包括圖形、文本和表格等。

　　圖3展示的是GoData的核心模塊，主要包含：作業(yè)設(shè)計器、作業(yè)調(diào)度器、作業(yè)監(jiān)控器三個模塊。其中觸發(fā)機制在流程設(shè)計時進(jìn)行定制，然后在作業(yè)運行態(tài)時由調(diào)度器根據(jù)該作業(yè)的觸發(fā)機制完成調(diào)度。各模塊之間通過共享數(shù)據(jù)庫進(jìn)行通信。

　　GoData作業(yè)編輯器可以配置觸發(fā)器的觸發(fā)規(guī)則、作業(yè)的處理流程、節(jié)點配置、路由配置和集群配置等，同時可以對配置完成的作業(yè)進(jìn)行調(diào)試。控制臺執(zhí)行器負(fù)責(zé)在后臺調(diào)度執(zhí)行所有的作業(yè)，并且根據(jù)作業(yè)來配置調(diào)用節(jié)點、路由和集群功能。節(jié)點管理模塊負(fù)責(zé)配置管理多節(jié)點的數(shù)據(jù)信息。路由管理模塊負(fù)責(zé)配置管理多節(jié)點路由信息。集群調(diào)度器負(fù)責(zé)在集群間進(jìn)行數(shù)據(jù)分發(fā)和同步。接收適配器和發(fā)送適配器負(fù)責(zé)在多節(jié)點之間接收和發(fā)送業(yè)務(wù)數(shù)據(jù)。

　　GoData在Kettle的基礎(chǔ)上加入了傳輸模塊，該模塊依托于作業(yè)編輯器對傳輸節(jié)點及路由的配置信息，將所交換數(shù)據(jù)正確安全地傳輸?shù)侥繕?biāo)節(jié)點。節(jié)點通信使用Netty作為底層支撐，使用“客戶端/服務(wù)器”模式進(jìn)行節(jié)點之間通信。通信的每個數(shù)據(jù)包會根據(jù)節(jié)點路由表的配置選擇正確的鏈路，并且具有斷點續(xù)傳功能。發(fā)送數(shù)據(jù)的一方為數(shù)據(jù)源節(jié)點，接收數(shù)據(jù)的一方稱為目標(biāo)節(jié)點，傳輸過程經(jīng)過的節(jié)點為路由節(jié)點。三種節(jié)點的角色在傳輸過程中可能會互換（例如，當(dāng)下一個路由節(jié)點為目標(biāo)節(jié)點的時候，路由節(jié)點和目標(biāo)節(jié)點是同等的）。當(dāng)源節(jié)點是路由節(jié)點的時候源節(jié)點和路由節(jié)點是等同的。數(shù)據(jù)包從源節(jié)點出發(fā)，到達(dá)第一個路由節(jié)點后，此路由節(jié)點從配置中讀取它的下一個路由節(jié)點的配置信息，如果此節(jié)點就是目標(biāo)節(jié)點，則不需要再傳遞數(shù)據(jù)包，如果還有下一個路由節(jié)點，那么使用客戶端服務(wù)器模式連接路由節(jié)點，然后將這次路由信息保存到數(shù)據(jù)包中，最后發(fā)送數(shù)據(jù)包到下一個路由節(jié)點。這樣重復(fù)以上所述步驟，最終到達(dá)目標(biāo)節(jié)點。在傳輸過程中用戶可以選擇是否對傳輸信息進(jìn)行二次加密，GoData在Kettle加密的基礎(chǔ)上，使用DES加密協(xié)議，對每個數(shù)據(jù)包的數(shù)據(jù)區(qū)又進(jìn)行二次加密，為了保證傳輸?shù)臄?shù)據(jù)量不變和傳輸過程中數(shù)據(jù)包協(xié)議的合理性，加密后數(shù)據(jù)包的大小保持不變。為了安全性的考慮，密鑰不會包含在數(shù)據(jù)包中，而是使用雙方協(xié)商的加密方式，在部署配置的時候設(shè)定密碼。

　　此外，GoData具有Web監(jiān)控及管理功能，業(yè)務(wù)人員能夠遠(yuǎn)程對數(shù)據(jù)交換的各節(jié)點狀態(tài)進(jìn)行監(jiān)控并對節(jié)點上運行的交換作業(yè)進(jìn)行管理。因此，GoData系統(tǒng)分成兩種主要節(jié)點，業(yè)務(wù)數(shù)據(jù)交換節(jié)點和Web監(jiān)控管理節(jié)點。業(yè)務(wù)數(shù)據(jù)交換節(jié)點主要負(fù)責(zé)業(yè)務(wù)數(shù)據(jù)的讀取、傳輸、轉(zhuǎn)換和裝載。系統(tǒng)的Web監(jiān)控管理節(jié)點則負(fù)責(zé)監(jiān)控所有交換節(jié)點的運行情況和遠(yuǎn)程控制交換作業(yè)的啟停，并能在發(fā)生異常時進(jìn)行告警消息推送。

　　在企業(yè)中，可以根據(jù)企業(yè)網(wǎng)絡(luò)形態(tài)及具體業(yè)務(wù)需求部署多個GoData來完成數(shù)據(jù)交換任務(wù)，每一個GoData被認(rèn)為是一個節(jié)點，在企業(yè)內(nèi)網(wǎng)中，GoData根據(jù)配置的交換作業(yè)自主運行，并把日志信息同步到Web監(jiān)控節(jié)點，相關(guān)人員可以登錄Web監(jiān)控節(jié)點對各節(jié)點運行情況進(jìn)行監(jiān)控。

　　2.3技術(shù)特點

　　GoData在保留Kettle原有優(yōu)點的基礎(chǔ)上，通過變更調(diào)度機制，加入觸發(fā)、監(jiān)控等機制后，具有了更多的優(yōu)勢。

　　(1)定制化調(diào)度機制

　　企業(yè)可以根據(jù)自身數(shù)據(jù)交換業(yè)務(wù)的需求，定制數(shù)據(jù)交換作業(yè)觸發(fā)機制，支持單次運行和多次重復(fù)運行兩種調(diào)度機制，設(shè)置完成后，由GoData根據(jù)觸發(fā)規(guī)則自主調(diào)度作業(yè)運行，收集作業(yè)日志信息，提交作業(yè)運行數(shù)據(jù)。

　　(2)安全高效的傳輸機制

　　在文件傳輸時，將文件劃分為多個數(shù)據(jù)包，支持傳輸加密和斷點續(xù)傳。不但實現(xiàn)了跨網(wǎng)段的數(shù)據(jù)交換作業(yè)，而且能有效節(jié)省傳輸時間，保證數(shù)據(jù)安全。解決了實際業(yè)務(wù)中數(shù)據(jù)跨層級交換的難題，簡化數(shù)據(jù)交換流程和步驟，提高了數(shù)據(jù)交換效率，保證了交換數(shù)據(jù)的質(zhì)量。

　　(3)運行監(jiān)控

　　加入了監(jiān)控組件，可以對各數(shù)據(jù)交換節(jié)點進(jìn)行遠(yuǎn)程監(jiān)控，啟停數(shù)據(jù)交換作業(yè)，并在作業(yè)異常時發(fā)出錯誤預(yù)警，推送預(yù)警信息到微信端，增強數(shù)據(jù)交換響應(yīng)機制。

　　(4)分布式架構(gòu)

　　GoData支持分布式部署，多個GoData之間可以相互通信，同時GoData支持集群，一個作業(yè)可以使用集群方式來執(zhí)行和運算。因此企業(yè)可以根據(jù)具體數(shù)據(jù)業(yè)務(wù)調(diào)配GoData的使用，并且根據(jù)數(shù)據(jù)量來選擇是否使用集群。這種可伸縮的分布式架構(gòu)可實現(xiàn)批量作業(yè)在多臺機器、多個節(jié)點上同時進(jìn)行，能夠極大地提升數(shù)據(jù)交換作業(yè)的處理效率。

　　(5)先進(jìn)的容錯機制

　　經(jīng)過多番測試及完善，在意外斷網(wǎng)或斷電情況發(fā)生時，GoData能夠在異常發(fā)生后快速恢復(fù)作業(yè)，提高了數(shù)據(jù)交換的健壯性。

　　(6)大吞吐量，運行穩(wěn)定

　　目前，GoData已經(jīng)在多個項目中得到運用，每小時吞吐量超過1 000萬條數(shù)據(jù)，運行穩(wěn)定。

3結(jié)論

　　GoData在開源軟件Kettle的基礎(chǔ)上加入了觸發(fā)機制，完善調(diào)度機制，增加了跨網(wǎng)交換傳輸、遠(yuǎn)程監(jiān)控管理以及容錯機制等，能夠很好地為企業(yè)數(shù)據(jù)信息建設(shè)服務(wù)，滿足企業(yè)進(jìn)行大批量高頻次數(shù)據(jù)交換的需求，使企業(yè)能夠更深入地利用數(shù)據(jù)資源，實現(xiàn)數(shù)據(jù)的價值最大化，幫助企業(yè)制訂計劃，運營決策。

參考文獻(xiàn)

　　［1］ 劉充.基于KETTLE的高校多源異構(gòu)數(shù)據(jù)集成研究及實踐［J］.電子設(shè)計工程,2015,23(10):24 26.

　　［2］ 閆小爽,李忠華,李璐,等.開源ETL軟件在智能化集成系統(tǒng)中的應(yīng)用［J］.工程應(yīng)用,2009(4):46 48.