小白学习大数据测试之ETL

之前发布过一篇关于ETL的文章，无奈被人说太简单。。。。唉，小编也是刚接触啊，自然不能那么高深，所以只是对学习的过程做了记录转换为文章分享给大家，如果对你有帮助，不要吝啬点赞+转发，如果对你没有帮助，那就请转身离开。。。。或者你写一篇更详细的给我，我申请红包给你（邪恶的笑~）

好啦，回归正题，这次作为补充在详细介绍下。ETL是什么？其实ta指的是一个过程，就是大数据中对数据处理的过程（抓取>转换>装载），并不是一个技术！

小编也是慢慢的学习大数据测试的知识，一直有个问题也困扰着我，就是怎么能判定数据的正确性？是，可以有多种手段去判定，但没办法保证100%的正确吧？（明白的朋友可以告诉我哈~）

反正，总而言之ETL测试的核心就是要保证数据的正确性、一致性，其他都是浮云~

常见的ETL测试方法（主要就是对数据处理中的各个关键点进行验证）

那么，怎么测试呢？莫急，看~

1、数据量。这个应该不用多说，你从源头拿来多少，存到目标表里又是多少，是否一致，是否正确

2、转换。主要是对数据格式的合法性进行验证。参考点为：

• 源中的时间、数值、字符等数据的处理，是否符合数据仓库规则，是否进行统一的转换

• 是否有超出维表或者业务值域的范围

• 是否捕获字段空值，或者需要对空值进行替换为其他含义值的处理

• 主键是否唯一

• 特殊符号或者乱码符号的处理规则

• 脏数据的处理

3、抽样。在转换完成之后要对转换之后的关键字段验证，还有源表和目标表的映射是否正确

4、加载。这块比较麻烦，有全量加载（先清空再插入）和增量加载（目标表仅更新源表变化的数据）。选择哪种方式要看实际的系统是怎么设计的，没有标准。实际应用中，增量加载用的比较多，下面我们就说说ta。

触发增量加载的方式（此处内容部分来自于网络的收集，自己做了下总结）

触发器方式

在要抽取的表上建立需要的触发器，一般要建立插入、修改、删除三个触发器，每当源表中的数据发生变化，相应的触发器就会将变化的数据写入一个临时表，抽取线程从临时表中抽取数据，临时表中抽取过的数据被标记或删除。

优点：数据抽取的性能高，ETL 加载规则简单，速度快，不需要修改业务系统表结构，可以实现数据的递增加载。

缺点：要求业务表建立触发器，对业务系统有一定的影响，容易对源数据库有倾入。

时间戳方式

在源表上增加一个时间戳字段，系统中更新修改表数据的时候，同时修改时间戳字段的值。当进行数据抽取时，通过比较上次抽取时间与时间戳字段的值来决定抽取哪些数据。

有的数据库的时间戳支持自动更新，即表的其它字段的数据发生改变时，自动更新时间戳字段的值。有的数据库不支持时间戳的自动更新，这就要求业务系统在更新业务数据时，手工更新时间戳字段。

优点：同触发器方式一样。

缺点：时间戳维护需要由业务系统完成，对业务系统也有很大的倾入性（加入额外的时间戳字段），特别是对不支持时间戳的自动更新的数据库，还要求业务系统进行额外的更新时间戳操作；另外，无法捕获对时间戳以前数据的delete和update 操作，在数据准确性上受到了一定的限制。

全表删除插入方式

这个就比较好理解了，每次ETL 操作均删除目标表数据，由ETL 全新加载数据。

优点：ETL 加载规则简单，速度快。

缺点：不可以实现数据的递增加载

全表比对的方式

ETL 工具事先为要抽取的表建立一个结构类似的临时表，该临时表记录源表主键以及根据所有字段的数据计算出来，每次进行数据抽取时，对源表和临时表进行的比对，如有不同，进行Update 操作，如目标表没有存在该主键值，表示该记录还没有，即进行Insert 操作。

优点：对已有系统表结构不产生影响，不需要修改业务操作程序，所有抽取规则由ETL完成，管理维护统一，可以实现数据的递增加载，没有风险。

缺点：ETL 比对较复杂，设计较为复杂，速度较慢。与触发器和时间戳方式中的主动通知不同，全表比对方式是被动的进行全表数据的比对，性能较差。当表中没有主键或唯一列且含有重复记录时，全表比对方式的准确性较差。

PS：说了这么多，可能会有朋友问那用什么进行ETL测试啊！答案：手工或ETL测试工具Informatica或Hivetest（后续有机会我们会介绍该工具如何使用，如果有朋友很熟悉了，也欢迎投稿给我们哈）