在数据分析、挖掘方面，有哪些 ETL 工具值得推荐？

ETL 是数据仓库中的非常重要的一环，是承前启后的必要的一步。ETL 负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。

下面给大家介绍一下什么是 ETL 以及 ETL 常用的三种工具——Datastage，Taskctl，Kettle。

什么是 ETL？

ETL，Extract-Transform-Load 的缩写，用来描述将数据从来源端经过抽取（extract）、转换（transform）、加载（load）至目的端的过程。

数据仓库结构

通俗的说法就是从数据源抽取数据出来，进行清洗加工转换，然后加载到定义好的数据仓库模型中去。目的是将企业中的分散、零乱、标准不统一的数据整合到一起，为企业的决策提供分析依据。

ETL 是 BI 项目重要的一个环节，其设计的好坏影响生成数据的质量，直接关系到 BI 项目的成败。

为什么要用 ETL 工具？

在数据处理的时候，我们有时会遇到这些问题：

• 当数据来自不同的物理主机，这时候如使用 SQL 语句去处理的话，就显得比较吃力且开销也更大。

• 数据来源可以是各种不同的数据库或者文件，这时候需要先把他们整理成统一的格式后才可以进行数据的处理，这一过程用代码实现显然有些麻烦。

• 在数据库中我们当然可以使用存储过程去处理数据，但是处理海量数据的时候存储过程显然比较吃力，而且会占用较多数据库的资源，这可能会导致数据资源不足，进而影响数据库的性能。

而上述遇到的问题，我们用 ETL 工具就可以解决。ETL 工具具有以下几点优势：

1. 支持多种异构数据源的连接。（部分）

2. 图形化的界面操作十分方便。

3. 处理海量数据速度快、流程更清晰等。

ETL 工具介绍

1.Datastage

IBM 公司的商业软件，专业的 ETL 工具，但同时价格不菲，适合大规模的 ETL 应用。

使用难度：★★★★

项目地址：ftp://ftp.seu.edu.cn/Pub/Develop ... taStage.v7.5.1A-iSO

2.Taskctl

商业软件，国产专业的 ETL 工具平台。价格上比 Datastage 便宜很多，适合大规模的 ETL 应用。

使用难度：★★★

项目地址：www.taskctl.com

3.Taskctl Web 版

免费，在商业版 Taskctl 6.0 基础上纵向扩展而来，可垮多平台适合中小企业 IT 自动化类系统建和数据开发人员，如数据系统批量调度自动化、系统运维自动化、企业数据资产监控等等

使用难度：★

项目地址：去公众号【taskctl】回复内容 “软件” 即可

4.Kettle

免费，最著名的开源产品，是用纯 java 编写的 ETL 工具，只需要 JVM 环境即可部署，可跨平台，扩展性好。

使用难度：★★

项目地址：http://kettle.pentaho.com/

三种 ETL 工具的对比

Datastage、Taskctl、Kettle 三个 ETL 工具的特点和差异介绍：

1.操作

这三种 ETL 工具都是属于比较简单易用的，主要看开发人员对于工具的熟练程度。

2.部署

Kettle 只需要 JVM 环境，Taskctl 需要服务器和客户端安装，而 Datastage 的部署比较耗费时间，有一点难度。

3.数据处理的速度

大数据量下 Taskctl 与 Datastage 的处理速度是比较快的，比较稳定。Kettle 的处理速度相比之下稍慢。

4.服务

Taskctl 与 Datastage 有很好的商业化的技术支持，而 Kettle 则没有。商业软件的售后服务上会比免费的开源软件好很多。

5.风险

风险与成本成反比，也与技术能力成正比。

6.扩展

Kettle 的扩展性无疑是最好，因为是开源代码，可以自己开发拓展它的功能，而 Taskctl 和 Datastage 由于是商业软件，基本上不支持。

7.Job 的监控

三者都有监控和日志工具。

在数据的监控上，个人觉得 Taskctl 的实时监控做的更加好，可以直观看到数据抽取的情况，运行到哪一个控件上。这对于调优来说，我们可以更快的定位到处理速度太慢的控件并进行处理，而 Datastage 也有相应的功能，但是并不直观，需要通过两个界面的对比才可以定位到处理速度缓慢的控件。有时候还需要通过一些方法去查找。

8.网上的技术服务支持

Kettle< Datastage < Taskctl 相对来说，Kettle 在遇到问题去网上快速找到解决方法的概率比较低，只有通过网上翻阅技术文档和加入社群询问，效率比较底；而相比 Datastage 和 Taskctl 则比较完善、由于是商业软件，网上不仅有完善的技术文档，24 小时线上还有技术远程支持答疑人员。

项目经验分享

在项目中，很多时候我们都需要同步生产库的表到数据仓库中。一百多张表同步、重复的操作，对开发人员来说是细心和耐心的考验。在这种情况下，开发人员最喜欢的工具无疑是 kettle，多个表的同步都可以用同一个程序运行，不必每一张表的同步都建一个程序，而 Taskctl 虽然有提供工具去批量设计，但还是需要生成多个程序进行一一配置，而 datastage 在这方面就显得比较笨拙。

在做增量表的时候，每次运行后都需要把将最新的一条数据操作时间存到数据库中，下次运行我们就取大于这个时间的数据。Kettle 和 Taskctl 有控件可以直接读取数据库中的这个时间置为变量。

有一句话说的好：世上没有最好的，只有适合的！

每一款 ETL 工具都有它的优缺点，我们需要根据实际项目，权衡利弊选择适合的 ETL 工具，合适的就是最好的。当下越来越多公司及其客户更重视最新的数据（实时数据）展现，传统的 ETL 工具可能满足不了这样的需求，而实时流数据处理和云计算技术更符合。所以我们也需要与时俱进，学习大数据时代下的 ETL 工具。