ETL面试题.docx

ETL面试题.docx

《ETL面试题.docx》由会员分享，可在线阅读，更多相关《ETL面试题.docx（11页珍藏版）》请在冰豆网上搜索。

ETL面试题

ETL面试题

一、分析

1．什么是逻辑数据映射？

它对ETL项目组的作用是什么？

WhatisalogicaldatamappingandwhatdoesitmeantotheETLteam?

答：

逻辑数据映射（LogicalDataMap）用来描述源系统的数据定义、目标数据仓库的模型以及将源系统的数据转换到数据仓库中需要做操作和处理方式的说明文档，一般以表格或Excel的格式保存如下的信息：

目标表名：

目标列名：

目标表类型：

注明是事实表、维度表或支架维度表。

SCD类型：

对于维度表而言。

三种SCD（SlowlyChangingDimension）技术

SCD1直接修改原维表信息，不保存任何维历史信息。

SCD2创立新的记录而不删除或修改原有维信息。

可经过为每条记录设定过期时间、生效时间两个字段来区分各历史记录和当前记录（历史记录的过期时间均早于当前记录的生效时间）。

SCD3在维表中定义历史信息字段，只保存有限的历史信息（此技术很少应用）

源数据库名：

源数据库的实例名，或者连接字符串。

源表名：

源列名：

转换方法：

需要对源数据做的操作，如Sum（amount）等。

逻辑数据映射应该贯穿数据迁移项目的始终，在其中说明了数据迁移中的ETL策略。

在进行物理数据映射前进行逻辑数据映射对ETL项目组是重要的，它起着元数据的作用。

项目中最好选择能生成逻辑数据映射的数据迁移工具。

-----------------------------补充：

逻辑数据映射分为两种:

1:

模型映射:

从源模型到DW目标模型之间的映射类型有：

一对一：

一个源模型的数据实体只对应一个目标模型的数据实体。

如果源类型与目标类型一致，则直接映射。

如果两者间类型不一样，则必须经过转换映射。

一对多：

一个源模型的数据实体只对应多个目标模型的数据实体。

在同一个数据存储空间，常常出现会一个源实体拆分为多个目标实体的情况下。

在不同的存储空间中，结果会对应到不同的存储空间的实体。

一对零：

一个源模型的数据实体没有与目标模型的数据实体有对应，它不在我们处理的计划范围之内。

零对一：

一个目标模型的数据实体没有与任何一个源数据实体对应起来。

例如只是根据设计考虑，时间维表等。

多对一：

多个源模型的数据实体只对应一个目标模型的数据实体。

多对多：

多个源模型的数据实体对应多个目标模型的数据实体。

2:

属性映射

一对一：

源实体的一个数据属性列只对应目标实体的一个数据属性列。

如果源类型与目标类型一致，则直接映射。

如果两者间类型不一样，则必须经过转换映射。

一对多：

源实体的一个数据属性列只对应目标实体的多个数据属性列。

在同一个实体中，常常出现会一个源属性列拆分为目标的多个属性列情况。

在不同实体中，结果会对应到不同的实体的属列。

一对零：

一个源实体的数据属性列没有与目标实体的数据属性列有对应，它不在我们处理的计划范围之内。

零对一：

一个目标实体的数据属性列没有与任何一个源数据属性列对应起来。

例如只是根据设计考虑，维表和事实表中的时间戳属性，代理健等。

多对一：

源实体的多个数据属性列只对应目标实体的一个数据属性列。

多对多：

源实体的多个数据属性列对应目标实体的多个数据属性列。

作用:

1为开发者传送更为清晰的数据流信息。

映射关系包括有关数据在存储到DW前所经历的各种变化的信息，对于开发过程中数据的追踪审查过程非常重要。

2把ETL过程的信息归纳为元数据，将数据源结构，目标结构，数据转换规则，映射关系，数据的上下文等元数据保存在存储知识库中，为元数据消费者提供很好的参考信息，追踪数据来源与转换信息，有助于设计人员理解系统环境变化所造成的影响；

开发设计者能够轻松的回答以下的问题：

1、这些数据从那里来？

2、这样的结果经过什么样的计算和转化得来？

3、这些数据是如何组织的？

4、数据项之间有什么联系？

5、如果源发生变化，有那几个系统，目标受影响？

2．在数据仓库项目中，数据探索阶段的主要目的是什么？

Whataretheprimarygoalsofthedatadiscoveryphaseofthedatawarehouseproject?

答：

在逻辑数据映射进行之前，需要首先对所有的源系统进行分析。

对源系统的分析一般包括两个阶段，一个是数据探索阶段（DataDiscoveryPhase），另一个是异常数据检测阶段。

数据探索阶段包括以下内容：

A、收集所有的源系统的文档、数据字典等内容。

B、收集源系统的使用情况，如谁在用、每天多少人用、占多少存储空间等内容。

C、判断出数据的起始来源（System-of-Record）。

D、经过数据概况（DataProfiling）来对源系统的数据关系进行分析。

数据探索阶段的主要目的是理解源系统的情况，为后续的数据建模和逻辑数据映射打下坚实的基础。

3．如何确定起始来源数据？

Howisthesystem-of-recorddetermined?

如何确定起始来源数据？

答：

这个问题的关键是理解什么是System-of-Record。

System-of-Record和数据仓库领域内的其它很多概念一样，不同的人对它有不同的定义。

在Kimball的体系中，System-of-Record是指最初产生数据的地方，即数据的起始来源。

在较大的企业内，数据会被冗余的保存在不同的地方，在数据的迁移过程中，会出现修改、清洗等操作，导致与数据的起始来源产生不同。

起始来源数据对数据仓库的建立有着非常重要的作用，特别是对产生一致性维度来说。

我们从起始来源数据的越下游开始建立数据仓库，我们遇到垃圾数据的风险就会越大。

二、架构

4．在ETL过程中四个基本的过程分别是什么？

WhatarethefourbasicDataFlowstepsofanETLprocess?

在ETL过程中四个基本的过程分别是什么？

答：

Kimball数据仓库构建方法中，ETL的过程和传统的实现方法有一些不同，主要分为四个阶段，分别是抽取（extract）、清洗（clean）、一致性处理（confirm）和交付（delivery），简称为ECCD。

A、抽取阶段的主要任务是：

读取源系统的数据模型。

连接并访问源系统的数据。

变化数据捕获。

抽取数据到数据准备区。

B、清洗阶段的主要任务是：

清洗并增补列的属性。

清洗并增补数据结构。

清洗并增补数据规则。

增补复杂的业务规则。

建立源数据库描述数据质量。

将清洗后的数据保存到数据准备区。

C、一致性处理阶段的主要任务是：

一致性处理业务标签，即维度表中的描述属性。

一致性处理业务度量及性能指标，一般是事实表中的事实。

去除重复数据。

国际化处理。

将一致性处理后的数据保存到数据准备区。

D、交付阶段的主要任务是：

加载星型的和经过雪花处理的维度表数据。

产生日期维度。

加载退化维度。

加载子维度。

加载1、2、3型的缓慢变化维度。

处理迟到的维度和迟到的事实。

加载多值维度。

加载有复杂层级结构的维度。

加载文本事实到维度表。

处理事实表的代理键。

加载三个基本类型的事实表数据。

加载和更新聚集。

将处理好的数据加载到数据仓库。

从这个任务列表中能够看出，ETL的过程和数据仓库建模的过程结合的非常紧密。

换句话说，ETL系统的设计应该和目标表的设计同时开始。

一般来说，数据仓库架构师和ETL系统设计师是同一个人。

5．在数据准备区中允许使用的数据结构有哪些？

各有什么优缺点？

Whatarethepermissibledatastructuresforthedatastagingarea?

Brieflydescribethepros.andcons.ofeach.

在数据准备区中允许使用的数据结构有哪些？

各有什么优缺点？

答：

A、固定格式的文本文件。

（FlatFile）

FlatFile指的是一种保存在系统上的一种文本文件格式，它以类似数据库的表的方式用行和列来保存数据。

这种文件格式经常见来进行数据交换。

用于保存数据不太合适。

B、XML数据集。

多用于数据交换，用户保存数据不太合适。

C、关系数据库的表。

保存数据的较理想选择。

D、独立的数据库表。

独立的数据库表一般指建立的表和其它表没有外键约束关系。

这样的表多用于数据处理。

E、三范式或者关系型模型。

F、非关系型数据源。

非关系型数据源一般包括COBOLcopybooks、VSAM文件、Flat文件、Spreadsheets等。

G、维度模型。

H、原子事实表和聚集事实表。

I、代理键查找表。

6．简述ETL过程中哪个步骤应该出于安全的考虑将数据写到磁盘上？

WhenshoulddatabesettodiskforsafekeepingduringtheETL?

简述ETL过程中哪个步骤应该出于安全的考虑将数据写到磁盘上？

答：

Staging的意思就是将数据写到磁盘上。

出于安全及ETL能方便重新开始，在数据准备区（StagingArea）中的每个步骤中都应该将数据写到磁盘上，即生成文本文件或者将建立关系表保存数据，而不应该以数据不落地方式直接进行ETL。

例如，在数据抽取阶段，我们需要连接到源系统，为了对源系统的影响尽量小，我们需要将抽取的数据保存成文本文件或者放入数据准备区的表中，这样，当ETL过程出现错误而失败时，我们就能够从这些文本文件开始ETL，而不需要再次影响源系统。

三、抽取

7．简述异构数据源中的数据抽取技术。

Describetechniquesforextractingfromheterogeneousdatasources.

简述异构数据源中的数据抽取技术。

答：

在数据仓库项目中，需要抽取的数据经常来自不同的数据源，它们的逻辑结构和物理结构都可能不同，即称之为异构数据源。

在对异构数据源进行整合抽取时，我们需要做的事情依次是标识出所有的源系统，对源系统进行概况分析，定义数据匹配逻辑，建立筛选规则，生成一致性维度。

对于源数据的操作系统平台和数据平台各不相同的情况，我们需要根据实际情况来确定如何进行数据抽取，一般的方法有建立ODBC连接、定义接口文件、建立DBLINK等方法。

8．从ERP源系统中抽取数据最好的方法是什么？

WhatisthebestapproachforhandlingERPsourcedata?

从ERP源系统中抽取数据最好的方法是什么？

答：

ERP系统的产生是为了解决企业内异构数据的整合。

这个问题也是数据仓库系统面临的主要问题。

ERP的解决方案是将企业内的各个应用（包括销售、会计、人力资源、库存和产品等）建立在相同的平台和相同的应用框架下，即在应用操作层将企业内的数据进行了一致性处理。

而数据仓库是在应用操作层之上建立一致性的规则并进行一致性处理。

当前比较流行的ERP系统有SAP、PeopleSoft、Oracle、Baan和J.D.EDwards（大部分没接触过）。

如果企业内只有一套ERP系统，那么数据就已经是一致的了，为数据抽取提供了方便。

如果企业内除了ERP外还有其它系统，则数据抽取会变得复杂。

因为当前的ERP系统的数据模型都非常复杂，可能有几百几千个表，而且较难理解。

直接在ERP系统上建立数据捕获和抽取是非常复杂的。

最好的办法是购买能针对ERP系统数据抽取提供功能的ETL工具，将ERP内部的复杂性留给ETL厂商处理。

9．简述直接连接数据库和使用ODBC连接数据库进行通讯的优缺点。

Explain