go backsqlschool blogs list

Considerations on Data Staging when used during ETL process

by Antonios Chatzipavlis

Σε αρκετές περιπτώσεις κατά την εκτέλεση ενός ETL process με το οποίο μεταφέρουμε τα δεδομένα μια πηγής στο DW και ειδικότερα κατά την στιγμή που κάνουμε extract data from data sources και πριν την επόμενη φάση του data transformation χρειάζεται να αποθηκεύσουμε αυτά τα δεδομένα σε μια staging area είτε προσωρινά είτε μόνιμα. Ποιές όμως είναι οι προϋποθέσεις και οι συνθήκες που θα μας οδηγήσουν στο να υλοποιήσουμε κάτι τέτοιο;
  • Μεγάλος όγκος δεδομένων.
  • Η επιλογή του τρόπου με το οποίο εντοπίζω τις αλλαγές που έχουν γίνει στην πηγή (see more)
  • Έχω πολλά και περίπλοκα transformations που απαιτούν χρόνο και πόρους για να γίνουν on the fly.
  • Ο χρόνος σύνδεσης με την πηγή θέλω να όσο τον δυνατό μικρότερος
  • Η ποιότητα της σύνδεσης με την πηγή δεν είναι ιδανική και έχω πολλά disconnections οπότε θέλω να προχωρήσω στην επόμενη φάση εφόσον έχω διαβάσει όλα μου τα δεδομένα
  • Δεν θέλω στις περιπτώσεις που κάποια από τις διαδικασίες transform ή load αποτύχει να φάω πάλι στο κεφάλι την διαδικασία extract (κόστος σε χρόνο και πόρους). (Ιδανική περίπτωση για χρήση των SSIS Checkpoints )
  • Αν αρκετά από τα transformations που έχω να κάνω γίνονται ευκολότερα και γρηγορότερα στο database engine.
  • Αν έχω περιπτώσεις που πρέπει να συνδυάσω πολλές πηγές για να συνθέσω την πληροφορία που θα εισάγω στο DW μου.
  • Αν θέλω να κάνω auditing και troubleshooting με τα δεδομένα αυτά στις περιπτώσεις που έχω κάποιο πρόβλημα στo ΕTL process.
Τι πρόκειται να κερδίζω ή να χάσω; Η απάντηση σε αυτό το ερώτημα για να είναι σαφής θα πρέπει να μετρήσω χρόνους και πόρους. Σίγουρα θα έχω πλεονεκτήματα αν είμαι στις παραπάνω περιπτώσεις. Όμως θα πρέπει να μετρήσω και τα μειονεκτήματα με κυριότερο το performance overhead που θα έχω σε I/O και το οποίο είναι σε συνάρτηση με το πόσους δίσκους έχω, σε τι RAID είναι αυτοί, τι ταχύτητα έχουν. Τι format πρέπει να επιλέξω για την staging area ώστε να είναι εύχρηστη και γρήγορη; Ένα ακόμα ερώτημα που ζητάει απάντηση. Εάν επιλέξω η περιοχή αυτή να είναι filesystem και να αποθηκεύω τα δεδομένα σε αρχεία (txt, csv, xml) είναι σίγουρο ότι θα έχω καλύτερο performance σε I/O από το να είμαι σε database. Όμως αν είμαι σε database έχω περισσότερες δυνατότητες να επεξεργαστώ τα δεδομένα καθώς έχω στα χέρια μου την δύναμη της T-SQL. Επίσης αρκετά χρήσιμο είναι να απαντήσω στα εξής ερωτήματα
  • Αν είναι database θα είναι στην ίδια βάση του DW ή θα είναι σε ξεχωριστή database;
  • Αν είναι στην ίδια βάση σε ποιό filegroup θα είναι;
  • Θα έχω ξεχωριστό staging server, ποιές είναι ο απαιτήσεις για αυτό (hardware);
  • Ποιό θα είναι το collation της βάσης, των δεδομένων;
Επίσης θα πρέπει να επιλέξω τον τρόπο με τον οποίο θα κάνω την μεταφορά αυτή. Θα πρέπει να βρω τον τρόπο (SSIS , T-SQL (BULK INSERT) ή Command line tools ( bcp) με κριτήριο την ταχύτητα και την ευχρηστία. Επίλογος Αν και ξέρω ότι αρκετοί θα αναρωτηθούν ποιο είναι το best practice σε όλα αυτά, δυστυχώς η απάντηση είναι ότι δεν υπάρχει best practice. Λυπάμαι που θα το γράψω αυτό αλλά It Depends. Πρέπει να τα μετρήσω όλα για να αποφασίσω.
Ημερομηνία: 03 April 2012 11:46
Αξιολόγηση:
Κατηγορίες:
Tags:
Share it:

Αφήστε το σχόλιο σας - Leave your comment

Τα σχόλια έχουν κλείσει.
Επιτρέπονται μόνο τα σχόλια από τα μέλη του SqlSchool.gr.


newsletter subscription

Εάν επιθυμείτε να λαμβάνετε ενημέρωση από εμάς, δώστε μας το e-mail σας.
PASS chapter logo
Official Professional Association for SQL Server (PASS) chapter for Greece
Join to PASS