sqlschool.gr logo

articles

Articles of SQLschool.gr Team

Considerations on Data Staging when used during ETL process

Antonios Chatzipavlis
Tuesday 03 April 2012

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.

Antonios Chatzipavlis

Antonios Chatzipavlis

Antonios Chatzipavlis is a highly experienced Data Solutions Consultant and Trainer. He has been working in the IT industry since 1988, holding various roles such as senior developer, IT Manager, Data & AI Solutions Architect and Consultant.

Since 1995, Antonios has focused on modern technologies and software development tools, primarily by Microsoft. He has specialized in Data & AI since 2000, with expertise in Microsoft Data Platform (SQL Server, Azure SQL Databases, Azure Synapse Analytics, Microsoft Fabric, Power BI, AI) and Databricks.

Antonios is also a Microsoft Certified Trainer (MCT) for over 25 years, has been recognized as a Microsoft Most Valuable Professional (MVP) in Data Platform since 2010 and he is in the Data Expert 40 Powerlist 2024 by Boussias. He is the co-founder and visionary behind XLYTiCA, a company dedicated to Data & AI solutions.

Episode

Task Flows in Microsoft Fabric

image

More Episodes...

Tip

Get Certified: Become a Fabric Data Engineer

More Tips...

Become a member

If you want to receive updates from us become a member to our community.

Connect

Explore

Learn

sqlschool.gr © 2010-2025 All rights reserved

This site uses cookies for operational and analytics purposes only. By continuing to browse this site, you agree to their use.