8种ETL算法汇总大全！看完你就全明白了云社区

ETL是将业务系统的数据经过抽取、清洗转换之后加载到数据仓库的过程，是构建数据仓库的重要一环，用户从数据源抽取出所需的数据，经过数据清洗，最终按照预先定义好的数据仓库模型，将数据加载到数据仓库中。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。

>算法应用场景概览

以上共计累积了8种ETL算法，其中主要分成4大类，增量累加、拉链算法是更符合数据仓库历史数据追踪的算法，但现实中基于业务及性能考虑，往往存在全删全插、增量累全算法的数据表应用。

即Delete/Insert实现逻辑；

>应用场景

主要应用在维表、参数表、主档表加载上，即适合源表是全量数据表，该数据表业务逻辑只需保存当前最新全量数据，不需跟踪过往历史信息。

>算法实现逻辑

1.清空目标表；

2.源表全量插入；

>ETL代码原型

--1.清理目标表

TRUNCATETABLE<目标表>;

--2.全量插入

INSERTINTO<目标表>(字段***)

SELECT字段***

FROM<源表>

***JOIN<关联数据>

WHERE***;

即Upsert实现逻辑；

主要应用在参数表、主档表加载上，即源表可以是增量或全量数据表，目标表始终最新最全记录。

1.利用PK主键比对；

2.目标表和源表PK一致的变化记录，更新目标表；

3.源表存在但目标表不存在，直接插入；

--1.生成加工源表

CreatetempTable<临时表>***;

INSERTINTO<临时表>(字段***)

WHERE***

;

--2.可利用MergeInto实现累全能力，当前也可以采用分步Delete/Insert或Update/Insert操作

MergeINTO<目标表>AsT1(字段***)

Using<临时表>asS1

on(***PK***)

whenMatchedthen

updatesetColx=S1.Colx***

whenNotMatchedthen

INSERT(字段***)values(字段***)

即Append实现逻辑；

主要应用在流水表加载上，即每日产生的流水、事件数据，追加到目标表中保留全历史数据。流水表、快照表、统计分析表等均是通过该逻辑实现。

1.源表直接插入目标表；

--1.插入目标表

>拉链表背景知识

l概念

拉链表是一张至少存在PK字段、跟踪变化的字段、开链日期、闭链日期组成的数据仓库ETL数据表；

l益处

根据开链、闭链日期可以快速提取对应日期有效数据；

对于跟踪源系统非事件流水类表数据，拉链算法发挥越大作用，源业务系统通常每日变化数据有限，通过拉链加工可以大大降低每日打快照带来的空间开销，且不损失数据变化历史；

l示例，提取指定日期有效数据

提取2020年2月5日当日有效数据

Select*

From<目标表>

Where开始日期<=date'2020-02-05'

And结束日期>date'2020-02-05';

最终提取到数据：

全历史拉链，跟踪源表全量变化历史，若源表记录不存在，则说明数据闭链；根据PK新拉一条有效记录。

1.提取当前有效记录；

2.提取当日源系统最新数据；

3.根据PK字段比对当前有效记录与最新源表，更新目标表当前有效记录，进行闭链操作；

4.根据全字段比对最新源表与当前有效记录，插入目标表；

--1.提取当前有效记录

Insertinto<临时表-开链-pre>(不含开闭链字段***)

Select不含开闭链字段***

Where结束日期=date'<最大日期>';

--2.提取当日源系统最新数据

<源表临时表-cur>

--3今天全部开链的数据，即包含今天全新插入、数据发生变化的记录

InsertInto<临时表-增量-ins>

From<源表临时表-cur>

where(不含开闭链字段***)notin

(Select不含开闭链字段***

From<临时表-开链-pre>

);

--4今天需要闭链的数据，即今天发生变化的记录

Insertinto<临时表-增量-upd>

From<临时表-开链-cur>

--5更新闭链数据，即历史记录闭链（删除-插入替代更新）

DELETEFROM<目标表>

WHERE(PK***)IN

(SelectPK***From<临时表-增量-upd>)

AND结束日期=date'<最大日期>';

INSERTINTO<目标表>

From<临时表-增量-upd>;

--6插入开链数据，即当日新增记录

INSERTINTO<目标表>.

Select不含开闭链字段***,date'<数据日期>',date'<最大日期>'

From<临时表-增量-ins>;

增量拉链，目的是追踪数据增量变化历史，根据PK比对新拉一条开链数据；

1.提取上日开链数据；

2.PK相同变化记录，关闭旧记录链，开启新记录链；

3.PK不同，源表存在，新增开链记录

--2.提取当日源系统增量记录

--3.提取当日源系统新增记录

Insertinto<临时表-增量-ins>

where(***PK***)notin

(select***PK***from<临时表-开链-pre>);

--4.提取当日源系统历史变化记录

innerjoin<临时表-开链-pre>

on(***PK等值***)

where(***变化字段非等值***);

--5.更新历史变化记录，关闭历史旧链，开启新链

update<目标表>AST1

SET<***变化字段S1赋值***>,结束日期=date'<数据日期>'

FROM<临时表-增量-upd>ASS1

WHERE(<***PK等值***>)

ANDT1.结束日期=date'<最大日期>'

SELECT不含开闭链字段***,date'<数据日期>',date'<最大日期>'

FROM<临时表-增量-upd>;

--6.插入全新开链数据

FROM<临时表-增量-ins>;

主要是利用业务字段跟踪增量数据中包含删除的变化历史。

2.提取源表非删除记录；

3.PK相同变化记录，关闭旧记录链，开启新记录链；

4.PK比对，源表存在，新增开链记录；

5.提取源表删除记录；

6.PK比对，旧开链记录存在，关闭旧记录链；

--1.清理目标表《待续...》

主要是利用业务字段跟踪全量数据中包含删除的变化历史。

7.PK比对，提取旧开链存在但源表不存在记录，关闭旧记录链；

--1.清理目标表，《待续...》

主要将流水表数据转化成拉链表数据。

借助源表业务日期字段，和目标表开链、闭链日期比对，首尾相接，拉出全历史拉链；

1.根据数据仓库最佳实践，所有数据表通常还会包含一些控制字段，即插入日期、更新日期、更新源头字段，这样对于数据变化敏感的数据仓库，可以进一步追踪数据变化历史；

2.ETL算法本身是为了更好服务于数据加工过程，实际业务实现过程中，并不局限于传统算法，即涉及到更多适应业务的自定义的ETL算法。

华为开发者空间发布

让每位开发者拥有一台云主机

在此一键设置昵称，即可参与社区互动！

*长度不超过10个汉字或20个英文字符，设置后3个月内不可修改。