DataStage(ETL)技术总结介绍篇
DataStage（ETL）技术总结-- 介绍篇(转载)
数据整合的核心内容是从数据源中抽取数据，然后对这些数据进行转化，最终加载的目标数据库或者数据仓库中去，这也就是我们通常所说的ETL 过程(Extract,Transform, Load)。
IBM WebSphere DataStage（下面简称为DataStage）为整个ETL 过程提供了一个图形化的开发环境,它是一套专门对多种操作数据源的数据抽取、转换和维护过程进行简化和自动化，并将其输入数据集或数据仓库的集成工具。
通常数据抽取工作分抽取、清洗、转换、装载几个步骤:
抽取主要是针对各个业务系统及不同网点的分散数据，充分理解数据定义后，规划需要的数据源及数据定义，制定可操作的数据源，制定增量抽取的定义。
清洗主要是针对系统的各个环节可能出现的数据二义性、重复、不完整、违反业务规则等问题，允许通过试抽取，将有问题的纪录先剔除出来，根据实际情况调整相应的清洗操作。
转换主要是针对数据仓库建立的模型，通过一系列的转换来实现将数据从业务模型到分析模型，通过内建的库函数、自定义脚本或其他的扩展方式，实现了各种复杂的转换，并且支持调试环境，清楚的监控数据转换的状态。
装载主要是将经过转换的数据装载到数据仓库里面，可以通过数据文件直接装载或直连数据库的方式来进行数据装载，可以充分体现高效性。在应用的时候可以随时调整数据抽取工作的运行方式，可以灵活的集成到其他管理系统中。
一．数据源连接能力：
数据整合工具的数据源连接能力是非常重要的，这将直接决定它能够应用的范围。DataStage 能够直接连接非常多的数据源，包括：
1、文本文件
2、XML 文件
3、企业应用程序，比如SAP、PeopleSoft、Siebel、Oracle Application
4、几乎所有的数据库系统，比如DB2、Oracle、SQL Server、Sybase ASE/IQ、Teradata、Informix等以及可通过ODBC连接的数据库
5、Web Services
6、SAS、WebSphere MQ
二．多国语言支持(NLS):
DataStage能够支持几乎所有编码，以及多种扩展编码(IBM、NEC、富士通、日立等)，可以添加编码的支持，DataStage内部为UTF8编码。
三．并行运行能力:
ETL Job的控件大多数都支持并行运行，此外DataStage企业版还可以在多台装有DataStage Server的机器上并行执行，这也是传统的手工编码方式难以做到的。这样，DataStage就可以充分利用硬件资源。而且，当你的硬件资源升级的时候也不用修改已经开发好的ETL Job，只需要修改一个描述硬件资源的文件即可。并行执行能力是DataStage 所能处理数据的速度可以得到趋近于线性的扩展，轻松处理大量数据。
四．便捷的开发环境:
DataStage 的开发环境是基于C/S 模式的，通过DataStage Client 连接到DataStage Server 上进行开发。这里有一点需要注意，DataStage Client 只能安装在Windows 平台
上面(在Win2000/XP上运行过)。而DataStage Server 则支持多种平台，比如Windows、Solaris、Redhat Linux、AIX、HP-UNIX。(在WinXP/Solaris8上运行过)
DataStage Client 有四种客户端工具。分别是DataStage Administrator、DataStage Designer、DataStage Manager、DataStage Director。下面介绍这几种客户端工具在DataStage 架构中所处的位置以及它们如何协同工作来开发ETL Job 的。
(1) DataStage Administrator
DataStage Administrator 的主要功能有以下几个：
1．设置客户端和服务器连接的最大时间。
以管理员的身份登陆DataStage Administrator(默认安装下管理员为dsadm)。你可以设置客户端和服务器的最大连接时间，默认的最大连接时间是永不过期。最大连接时间的意思就是如果客户端和服务器的连接时间超过了最大连接时间，那么客户端和服务器之间的连接将被强行断开。
2．添加和删除项目
在Projects标签中，可以新建或者删除项目，以及设置已有项目的属性。要用DataStage 进行ETL 的开发，首先就要用DataStage Administrator 新建一个项目，然后在这个项目里面进行ETL Job 的开发。
在Property里,能够设置该Project全局设置、用户权限以及License的管理
(2) DataStage Designer
DataStage Designer是ETL Job开发的核心环境。值得注意的是，登陆DataStage Designer 的时候，不仅要指定DataStage Server 的IP或Server名，而且要指定连接到这个DataStage Server上的哪个项目上面，上面已经提到DataStage的项目是由DataStage Administrator 来创建的。
DataStage Designer的主要功能可以概括为以下三个方面：
1．ETL Job的开发
DataStage Designer里面包含了DataStage为ETL开发已经构建好的组件, 主要分为两种，一种是用来连接数据源的组件，另一种是用来做数据转换的组件。此外DataStage还提供自定义函数(Basic)，利用这些组件，开发人员可以通过图形化的方式进行ETL Job的开发，此外ETL Job支持参数的传递。
2．ETL Job的编译
开发好ETL Job后，可以直接在DataStage Designer里面进行编译。如果编译不通过，编译器会帮助开发人员定位到出错的地方。
3．ETL Job的执行
编译成功后，ETL Job就可以执行了，在DataStage Designer里面可以运行ETL Job。ETL Job的运行情况可以在DataStage Director中看到，这方面的内容将在介绍DataStage Director的时候提到。
4. ETL Job的DEBUG
ETL Job可以在Designer中设置断点，跟踪监视Job执行时的中间变量。
5. ETL Job Report的生成
可以为ETL Job生成文档报告，该报告非常详细，只通过该报告，就可以完全了解该Job 的结构与处理过程，非常便于分析。
DataStage提供很多实用的控件，常用的控件有:
1. DB操作控件
主要用于各种DB的连接，连接方式有多种，有面向厂家的Native方式，如Sybase的OpenClient方式,也有通用的ODBC等方式,此外也有些比较特别的DB操作控件，如Sybase 的IQ Load、BCP控件,主要用于数据的快速导入和导出。
2. 文件操作控件
常用的有Sequential File、Hashed File, Sequential File是可指定编码形式和格式的CSV 文件,Hashed File主要是为了加快检索效率，而替代DB控件的一种比较好的选择,这两种控件可用于输入或输出。
3．处理控件
主要的处理空间有Transformer、Aggregator, Transformer是负责数据转换的关键控件，在该控件中可以调用一些自定义函数，Aggregator是用于统计的控件，非常类似于SQL中的GROUP BY，也提供Count、Max、Min、Sum的统计操作，还支持如First、Last、Average 等操作。
DataStage的ETL Job分类:
1. Server Job
最为常用的Job类型，Job可以组合使用，Server Job是Job的最小单位。
2. Job Sequence
Job Sequence主要用于Job间的协作工作控制，如各Job的实行流程，出错处理，文件监控等。
3. Job Control
Job Control是一种特殊的Server Job，这种Server Job不是通过Designer来设计的，而是直接通过DataStage内嵌支持的Basic语言来开发，因此方式更为灵活，完全可以利用Job Control替代Job Sequence，至少在出错处理和Log输出等方面要灵活很多。（我参与开发的一个项目中完全用Job Control替代了Job Sequence，做出了更为详细的Log输出）
(3) DataStage Manager
DataStage Manager主要用来管理项目资源。一个项目可能包含多个ETL Job，可以用DataStage Manager把一个项目里面的ETL Job导出来。然后再用DataStage Manager导入到另外一个项目中去，利用这个功能一方面可以实现ETL Job的备份，另一方面就是可以在多个项目之间来重复使用开发好的ETL Job。在DataStage Manager里面可以把数据库中的表结构直接导入到项目中来，供这个项目中的所有ETL Job使用。DataStage Designer也提供了从数据库中直接导入表结构的功能。
(4) DataStage Director
DataStage Director 主要有以下两个功能：
1．监测ETL Job的运行状态
ETL Job在DataStage Designer中编译好后，可以通过DataStage Director来运行它。前面在介绍DataStage Designer的时候提到在DataStage Designer中也可以运行ETL Job，但是如果要监测ETL Job的运行情况还是要登陆到DataStage Director中。在这里，你可以看到ETL Job运行的详细的日志文件，还可以查看一些统计数据，比如ETL Job每秒所处理的数据量。
2．设置何时运行ETL Job
ETL Job开发完成后，我们可能希望ETL Job在每天的某个时间都运行一次。DataStage Director为这种需求提供了解决方案。在DataStage Director中可以设置在每天、每周或者每月的某个时间运行ETL Job。(Windows平台下需要打开的T ask Scheduler服务,此外,在Unix等平台下,更常用的是用Cron结合dsjob命令来定时运行ETL Job)
五．命令行形式的运行:
ETL Job支持在DataStage Server侧用命令行形式的调用,可以用dsadmin命令来管理DataStage的Project，包括Project的新建，删除以及一些环境变量的增删(DataStage 7.5.1下未能通过dsadmin来设置全局NLS和一些项目属性)。使用dsjob命令，能够同步或非同步的运行DataStage的Job，并传递需要的Job参数，能够检查Job运行的状态，并能恢复Job的运行状态。
六. DataStage的不足:
以上都是说DataStage优点，但实际上DataStage也有不少缺点和不足,这些不足点，会直接影响到能否采用DataStage来达到我们的客户或设计要求。下面就谈一下，最近利用DataStage7.5.1来开发一个项目中遇到的问题。
1．缺点:
存在一个Bug,在利用DB控件的参照功能时，如果指定的SQL文有错误的话，那可能会直接造成DataStage出错，然后客户端会和服务端直接断开，需要关闭客户端，重新连接服务端，并且更为严重的是，DB连接将不会被释放（可能是服务器端的执行进程并没有停掉的缘故）
DataStage的表定义的使用，可以通过PlugIn的方式导入，但是导入后基本就只起一个模版的作用，当表结构发生改变而需要修改表定义时，使用该表定义的地方并不能同步，需要手动修改，容易出现遗漏。
2．不足:
一些高级控件的功能不够全面，在实际应用时，会出现不能完全利用DataStage提供的控件来满足要求，如:Sybase的BCP，DataStage的Sybase BCP控件只支持导出，无法支持导入。当然这些不足，后来我都使用JAVA API来实现了Sybase BCP和Sybase IQ Load。错误处理功能不够，DataStage对业务错误，如:检索0件等错误，很难捕获和处理。
某些应用要求无法满足，如需要对DB某表的某数据进行状态监视，这时，由于DataStage 只有监视文件的功能，DB访问也只有DB控件才可以，因此该应用最后也是用JAVA来实现。
DataStage BASIC 语言开发实践
本文着重介绍了如何使用 DataStage BASIC 语言开发一个用户自定义的功能函数，并且以一个完整的 Server Job 实例为读者讲解在 Transformer Stage 中如何使用内置的和自定义的函数来转化数据。文章的最后介绍了如何重用自定义的功能函数。读者定位为具有一定 DataStage 使用经验的开发人员。 DataStage 概述 IBM WebSphere DataStage是一个图形化的进行数据整合的开发环境，可以用来实现数据抽取，转化，净化，加载到目标数据库或者数据仓库中, 即ETL过程(Extract, Transform, Cleansing, Load）。DataStage使用Stage实现对数据的操作。在整个操作数据的过程中，需要创建从不同的数据源抽取数据的Stage，以及用来转化和净化数据的Stage，还需要一些Stage将数据加载到目标数据库中，一个ETL job就是一些被连线连接在一起的Stages，数据则是从一个Stage 流向下一个Stage。关于DataStage的基本使用方法，读者可以参考发表在developWorks中国网站上的《用 IBM WebSphere DataStage 进行数据整合》系列文章。 回页首 Transformer Stage 介绍 在数据整合的整个过程中，很重要的一步就是对抽取数据的格式或者内容进行必要的转化。用户可以在Transformer Stage中，对传入的数据进行任何必要的处理，再把处理好的数据传给下一个Stage。 图1就是一个正在被编辑的Transformer Stage，窗口的上半部分显示了输入与输出的字段之间的对应关系，其中DSLink13是输入的连线名称，DSLink4是输出的连线名称。而窗口下半部分详细说明了每一个输入或者输出字段的定义。
Datastage 安装后启动was失败
按照安装教程安装虚拟机版的datastage 8.7后，使用命令启动was失败 [plain]view plain copy https://www.sodocs.net/doc/b97844877.html,srvr:~ # /opt/IBM/WebSphere/AppServer/bin/startServer.sh server1 2.ADMU0116I: Tool information is being logged in file 3. /opt/IBM/WebSphere/AppServer/profiles/InfoSphere/logs/server1/sta rtServer.log 4.ADMU0128I: Starting tool with the InfoSphere profile 5.ADMU3100I: Reading configuration for server: server1 6.ADMU3200I: Server launched. Waiting for initialization status. 7.ADMU3011E: Server launched but failed initialization. startServer.log, 8. SystemOut.log(or job log in zOS) and other log files under 9. /opt/IBM/WebSphere/AppServer/profiles/InfoSphere/logs/server1 sho uld 10. contain failure information. 按照提示查看报错日志： [html]view plain copy https://www.sodocs.net/doc/b97844877.html,srvr:/opt/IBM/WebSphere/AppServer/profiles/InfoSphere/logs/server1 # tai l -100 SystemErr.log 2. at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method) 3. at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorI mpl.java:60) 4. at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodA ccessorImpl.java:37) 5. at https://www.sodocs.net/doc/b97844877.html,ng.reflect.Method.invoke(Method.java:611) 6. at https://www.sodocs.net/doc/b97844877.html,uncher.Main.invokeFramework(Main.java:340) 7. at https://www.sodocs.net/doc/b97844877.html,uncher.Main.basicRun(Main.java:282) 8. at https://www.sodocs.net/doc/b97844877.html,uncher.Main.run(Main.java:981) 9. at https://www.sodocs.net/doc/b97844877.html,unchEclipse(WSPreLauncher .java:340) 10. at com.ibm.wsspi.bootstrap.WSPreLauncher.main(WSPreLauncher.java:110 ) 11.Caused by: https://www.sodocs.net/doc/b97844877.html,.ascential.xmeta.repository.core.CoreRepositoryException: Error initializ ing persistence manager module 13. at com.ascential.xmeta.repository.core.impl.DefaultSandbox.
ETL开发指南(DataStage EE)V2.0
DataStage Enterprise Edition 开发指南v2.0
目录 目录.................................................................................................................................................. I 1. 引言.. (1) 1.1编写目的 (1) 1.2帮助使用 (1) 2. 产品概述 (2) 3. 常规应用 (3) 3.1常用组件使用方法 (3) 3.1.1 Sequential file (3) 3.1.2 Annotation (7) 3.1.3 Change Capture Stage (8) 3.1.4 Copy Stage (10) 3.1.5 Filter Stage (11) 3.1.6 Funnel Stage (12) 3.1.7 Tansformer Stage (13) 3.1.8 Sort Stage (14) 3.1.9 LookUp Stage (15) 3.1.10 Join Stage (16) 3.1.11 LookUp Stage 和Join Stage的区别 (17) 3.1.12 Merge Stage (18) 3.1.13 Modify Stage (19) 3.1.14 Data Set Stage (20) 3.1.15 File Set Stage (22) 3.1.16 Lookup File Set Stage (23) 3.1.17 Oracle Enterprise Stage (26) 3.1.18 Aggregator Stage (28) 3.1.19 Remove Duplicates Stage (30) 3.1.20 Compress Stage (31) 3.1.21 Expand Stage (32) 3.1.22 Difference Stage (33) 3.1.23 Compare Stage (36) 3.1.24 Switch Stage (37) 3.1.25 Column Import Stage (39) 3.1.26 Column Export Stage (41) 3.1.27 Teradata Enterprise Stage (43) 3.2常用数据库的连接 (45) 3.2.1 Informix数据库连接 (45) 3.2.2 Oracle数据库连接 (46) 4. 高级应用 (48) 4.1D ATA S TAGE BASIC接口 (48) 4.2自定义S TAGE T YPE (49) 4.2.1 Wrapped Stage (49) 4.2.2 Build Stage (49) 4.2.3 Custom Stage (49) 4.3性能调优 (49) 4.3.1 优化策略 (49) 4.3.2 关键问题分析 (54)
DataStage 工作笔记
1.安装与配置 参考文档：《Planning, Installation, and Configuration Guide.pdf》 1.1服务端与客户端的安装 1.1.1安装拓扑 采用简单的两层部署进行安装，安装拓扑如下图所示： Host1环境如下： (1)硬件环境 CPU：Inetel Core Duo P8600 内存：4GB (2)软件环境 操作系统：Windows Server 2003 EE SP2 C++编译器：Microsoft Visual Studio .NET 2008 Express Edition C++ 1.1.2安装 参考文档：《Planning, Installation, and Configuration Guide.pdf》[pages 198-200] 1.1.3C++编译器配置 参考链接： https://www.sodocs.net/doc/b97844877.html,/infocenter/iisinfsv/v8r5/index.jsp?topi
c=/com.ibm.swg.im.iis.productization.iisinfsv.install.doc/topics/wsis inst_set_envars_cpp.html (1)支持的C++编译器，见如下链接的系统要求说明： https://www.sodocs.net/doc/b97844877.html,/support/docview.wss?rs=14&uid=swg27016382 1.1.4登陆与安装语言选择 登陆（会话）语言选择中文，DataStage安装语言选择英文，结果Designer里同时有中文和英文，而DB2和WAS都是中文版，如何安装纯英文版的？ 解决方法1： 登陆语言选择和安装语言全部选择英文即可安装上纯英文版。 解决方法2： 通过控制面板->区域和语言选项，将语言设置为英语，安装完成后将语言再修改为中文即可。 1.1.5新建用户与凭证（Credentials） 参考文档：《Day 1 Exercise-DS.doc》[Exercise 1: Administration Console] (1)通过Web浏览器登陆Web Console for IBM Information Server，地址如下 （localhost为server端主机名）： http://localhost:9080/ibm/iis/console/loginForm.jsp?displayForm=true (2)新建两个用户dsadmin和dsuser，如下图： 权限设置如下： dsadmin：Suite User、DataStage and QualityStage Administrator/User dsadmin：Suite User、DataStage and QualityStage User dsadmin 可以正常使用，但dsuser 只能登陆 Administrator，登陆Designer
数据处理师岗位职责范本
岗位说明书系列 数据处理师岗位职责（标准、完整、实用、可修改）
编号：FS-QG-39727数据处理师岗位职责 Data processor position duties 说明：为规划化、统一化进行岗位管理，使岗位管理人员有章可循，提高工作效率与明确责任制，特此编写。 数据处理工程师全日制本科以上学历(985/211)，计算机科学与技术/软件工程/数据相关专业 1、3年以上ETL开发经验，熟悉ETL开发规范和流程; 2、熟练使用DataStage、Informatica、Kettle、Hive、PLSQL、SPARK、MapReduce等工具中的一个或多个，有开发、维护经验; 3、熟练编写存储过程，擅长SQL优化; 4、熟悉Oracle、SQLServer等常用数据库中的一个或多个; 5、熟悉perl、shell脚本，Linux操作系统; 6、有大型数据仓库、BI相关项目的开发经验，精通架构、建模者优先; 7、熟练使用Erwin或PowerDesigner等进行数据建模;
8.以下经验优先考虑:流式处理、日志处理、数据仓库全日制本科以上学历(985/211)，计算机科学与技术/软件工程/数据相关专业 1、3年以上ETL开发经验，熟悉ETL开发规范和流程; 2、熟练使用DataStage、Informatica、Kettle、Hive、PLSQL、SPARK、MapReduce等工具中的一个或多个，有开发、维护经验; 3、熟练编写存储过程，擅长SQL优化; 4、熟悉Oracle、SQLServer等常用数据库中的一个或多个; 5、熟悉perl、shell脚本，Linux操作系统; 6、有大型数据仓库、BI相关项目的开发经验，精通架构、建模者优先; 请输入您公司的名字 Foonshion Design Co., Ltd
etl教程
ETL本质 做数据仓库系统，ETL是关键的一环。说大了，ETL是数据整合解决方案，说小了，就是倒数据的工具。回忆一下工作这么些年来，处理数据迁移、转换的工作倒还真的不少。但是那些工作基本上是一次性工作或者很小数据量，使用access、DTS或是自己编个小程序搞定。可是在数据仓库系统中，ETL上升到了一定的理论高度，和原来小打小闹的工具使用不同了。究竟什么不同，从名字上就可以看到，人家已经将倒数据的过程分成3个步骤，E、T、L分别代表抽取、转换和装载。 其实ETL过程就是数据流动的过程，从不同的数据源流向不同的目标数据。但在数据仓库中，ETL 有几个特点，一是数据同步，它不是一次性倒完数据就拉到，它是经常性的活动，按照固定周期运行的，甚至现在还有人提出了实时ETL的概念。二是数据量，一般都是巨大的，值得你将数据流动的过程拆分成E、T和L。 现在有很多成熟的工具提供ETL功能，例如datastage、powermart等，且不说他们的好坏。从应用角度来说，ETL的过程其实不是非常复杂，这些工具给数据仓库工程带来和很大的便利性，特别是开发的便利和维护的便利。但另一方面，开发人员容易迷失在这些工具中。举个例子，VB是一种非常简单的语言并且也是非常易用的编程工具，上手特别快，但是真正VB的高手有多少？微软设计的产品通常有个原则是“将使用者当作傻瓜”，在这个原则下，微软的东西确实非常好用，但是对于开发者，如果你自己也将自己当作傻瓜，那就真的傻了。ETL工具也是一样，这些工具为我们提供图形化界面，让我们将主要的精力放在规则上，以期提高开发效率。从使用效果来说，确实使用这些工具能够非常快速地构建一个job来处理某个数据，不过从整体来看，并不见得他的整体效率会高多少。问题主要不是出在工具上，而是在设计、开发人员上。他们迷失在工具中，没有去探求ETL的本质。 可以说这些工具应用了这么长时间，在这么多项目、环境中应用，它必然有它成功之处，它必定体现了ETL的本质。如果我们不透过表面这些工具的简单使用去看它背后蕴涵的思想，最终我们作出来的东西也就是一个个独立的job，将他们整合起来仍然有巨大的工作量。大家都知道“理论与实践相结合”，如果在一个领域有所超越，必须要在理论水平上达到一定的高度 探求ETL本质之一 ETL的过程就是数据流动的过程，从不同异构数据源流向统一的目标数据。其间，数据的抽取、清洗、转换和装载形成串行或并行的过程。ETL的核心还是在于T这个过程，也就是转换，而抽取和装载一般可以作为转换的输入和输出，或者，它们作为一个单独的部件，其复杂度没有转换部件高。和OLTP系统中不同，那里充满这单条记录的insert、update和select等操作，ETL过程一般都是批量操作，例如它的装载多采用批量装载工具，一般都是DBMS系统自身附带的工具，例如Oracle SQLLoader和DB2的autoloader 等。 ETL本身有一些特点，在一些工具中都有体现，下面以datastage和powermart举例来说。 1、静态的ETL单元和动态的ETL单元实例；一次转换指明了某种格式的数据如何格式化成另一种格式的数据，对于数据源的物理形式在设计时可以不用指定，它可以在运行时，当这个ETL单元创建一个实例时才指定。对于静态和动态的ETL单元，Datastage没有严格区分，它的一个Job就是实现这个功能，在早期版本，一个Job同时不能运行两次，所以一个Job相当于一个实例，在后期版本，它支持multiple instances，而且还不是默认选项。Powermart中将这两个概念加以区分，静态的叫做Mapping，动态运行时叫做Session。 2、ETL元数据；元数据是描述数据的数据，他的含义非常广泛，这里仅指ETL的元数据。主要包括每次转换前后的数据结构和转换的规则。ETL元数据还包括形式参数的管理，形式参数的ETL单元定义的参数，相对还有实参，它是运行时指定的参数，实参不在元数据管理范围之内。
主流ETL工具选型
主流ETL工具选型 ETL（extract, transform and load）产品乍看起来似乎并不起眼，单就此项技术本身而言，几乎也没什么特别深奥之处，但是在实际项目中，却常常在这个环节耗费太多的人力，而在后续的维护工作中，更是往往让人伤透脑筋。之所以出现这种状况，恰恰与项目初期没有正确估计ETL工作、没有认真考虑其工具支撑有很大关系。 做ETL产品的选型，仍然需要从以前说的四点（即成本、人员经验、案例和技术支持）来考量。在此，主要列举三种主流ETL产品： Ascential公司的Datastage、 Informatica公司的Powercenter、 NCR Teradata公司的ETL Automation、 Oracel 公司的ODI、 国产udis睿智ETL、 其中，ETL Automation相对其他两种有些特别之处，放在后面评述。 旗鼓相当：Datastage与Powercenter： 就Datastage和Powercenter而言，这两者目前占据了国内市场绝大部分的份额，在成本上看水平相当，虽然市面上还有诸如Business Objects公司的Data Integrator、Cognos公司的DecisionStream，但尚属星星之火，未成燎原之势。 谈Datastage和Powercenter，如果有人说这个就是比那个好，那听者就要小心一点了。在这种情况下有两种可能：他或者是其中一个厂商的员工，或者就是在某个产品上有很多经验而在另一产品上经验缺乏的开发者。为什么得出这一结论？一个很简单的事实是，从网络上大家对它们的讨论和争执来看，基本上是各有千秋，都有着相当数量的成功案例和实施高手。确实，工具是死的，人才是活的。在两大ETL工具技术的比对上，可以从对ETL流程的支持、对元数据的支持、对数据质量的支持、维护的方便性、定制开发功能的支持等方面考虑。 一个项目中，从数据源到最终目标表，多则上百个ETL过程，少则也有十几个。这些过程之间的依赖关系、出错控制以及恢复的流程处理，都是工具需要重点考虑。在这一方面，Datastage的早期版本对流程就缺乏考虑，而在6版本则加入Job Sequence的特性，可以将Job、shell脚本用流程图的方式表示出来，依赖关系、串行或是并行都可以一目了然，就直
datastage入门教程
简介 DataStage 使用了Client-Server 架构，服务器端存储所有的项目和元数据，客户端DataStage Designer 为整个ETL 过程提供了一个图形化的开发环境，用所见即所得的方式设计数据的抽取清洗转换整合和加载的过程。Datastage 的可运行单元是Datastage Job ，用户在Designer 中对Datastage Job 的进行设计和开发。 Datastage 中的Job 分为Server Job, Parallel Job 和Mainframe Job ，其中 Mainframe Job 专供大型机上用，常用到的Job 为Server Job 和Parallel Job 。 本文将介绍如何使用Server Job 和Parallel Job 进行ETL 开发。 Server Job 一个Job 就是一个Datastage 的可运行单元。Server Job 是最简单常用的Job 类型，它使用拖拽的方式将基本的设计单元-Stage 拖拽到工作区中，并通过连线的方式代表数据的流向。通过Server Job，可以实现以下功能。 1.定义数据如何抽取 2.定义数据流程 3.定义数据的集合 4.定义数据的转换 5.定义数据的约束条件 6.定义数据的聚载 7.定义数据的写入 Parallel Job Server Job 简单而强大，适合快速开发ETL 流程。Parallel Job 与Server Job 的不同点在于其提供了并行机制，在支持多节点的情况下可以迅速提高数据处理效率。Parallel Job 中包含更多的Stage 并用于不同的需求，每种Stage 使用上的限制也往往大于Server Job。 Sequence Job Sequence Job 用于Job 之间的协同控制，使用图形化的方式来将多个Job 汇集在一起，并指定了Job 之间的执行顺序，逻辑关系和出错处理等。 数据源的连接 DataStage 能够直接连接非常多的数据源，应用范围非常大，可连接的数据源包括： ?文本文件 ?XML 文件
高级数据分析师工作的基本职责
高级数据分析师工作的基本职责 高级数据分析师需要协助业务数据收集整理，撰写数据分析报告，结合业务对多种数据源进行深度诊断性组合分析。下面是小编整理的高级数据分析师工作的基本职责。 高级数据分析师工作的基本职责1 职责： 1. 负责出行平台层面司乘用户分析，给平台相关业务及策略建设输入洞察和方法; 2. 形成天、周和月度的分析报告，传递给公司管理层并进行定期汇报; 3. 可独立完成针对特定问题的分析解读，支持临时型研究项目，产出用户留存及迁移的分析结论，用于输出给各品类优化营销产品的运营策略; 4. 参与产品上线前的预估，上线时的数据埋点，上线后的效果评估及优化，构建乘客端营销工具的分析体系。
5. 保持数据敏感，监控与发现问题、将数据转化为可落地的和有说服力的洞察，辅助推进业务决策 岗位要求： 1、数据分析相关工作经验，了解用户需求，互联网相关领域优先，应用数学，统计学，计算机, 经济学相关专业硕士优先; 2、具备大数据的处理能力，掌握hive、SQL等相关数据提取工具，熟练使用R或Python、excel、SAS/SPSS、PPT等工具; 3、具有较强的思维逻辑能力，良好的数据敏感度，能从海量数据提炼核心结果;有丰富的数据分析、挖掘、建模的经验; 4、具备良好的沟通协调能力，有独立开展分析研究项目经验; 5、一定的抗压能力和和团队精神;能有效的推动数据结论的落地 高级数据分析师工作的基本职责2 职责： 1.对海量业务数据进行处理和分析，发现和跟踪其中的问题。能够从业务和产品的角度出发，利用数据发现产品、系统或是业务的瓶颈，并提出优化的方案
2.分析海量用户行为数据，优化用户生命周期流程，提升用户规模 3.利用数据挖掘，机器学习等技术解决实际问题，比如实现模块或流程自动化，业务报表系统的建设，离线数据流程的建设，数据可视化等 4.建立各种业务逻辑模型和数学模型，帮助公司改善运营管理，节省成本 任职要求 1.计算机、数学、统计相关专业，本科及以上学历 2.熟练掌握：mysql、hdfs/hive/数据库使用，较强的数据库及SQL 能力，并对Hadoop 技术体系有所了解和研究 3.具备数据敏感性和探知欲、分析、解决问题的能力，能够承受工作中的压力，专注数据的价值发现和变现转化 4.工作认真、负责、仔细，有良好的团队合作精神，良好的分析问题能力、沟通技巧及数据呈现能力 高级数据分析师工作的基本职责3 职责： 1、研究大数据新技术分析发展方向;
数据仓库工程师岗位的主要职责说明
数据仓库工程师岗位的主要职责说 明 数据仓库工程师负责数据仓库系统与业务系统的接口设计和确认工作。下面是小编为您精心整理的数据仓库工程师岗位的主要职责说明。 数据仓库工程师岗位的主要职责说明1 职责： 1、负责数据仓库建模和ETL技术工作，确保项目实施过程中的数据源分析，能顺利有序地进行; 2、熟练掌握ETL设计过程，参与数据平台架构的设计、开发、流程优化及解决ETL相关技术问题; 3、与用户和项目组进行有效沟通，采集项目需求，并提出相应的解决方案; 4、有ERP开发或实施经验者优先; 5、参与海量数据情况下的数据库调优等工作;
6、按照项目推进情况，完成主管交付的临时性任务; 7、能够按照公司全面质量管理的要求，高质量完成各类技术支持工作。 岗位要求： 1、计算机相关专业本科以上学历，2年工作经验; 2、具备独立完成ETL开发、设计数据仓库流程，精通Oracle, MS SQL Server 等主流数据库，具备独立设计数据库和编写存储过程的能力; 3、掌握Java，Python等任意一门开发语言，可以独立开发模块; 4、精通数据库SQL调优; 5、有多维数据仓库工作经验优先; 6、具备财务基础知识或者ERP基础知识者优先; 7、有DataStage，informatica，kettle经验者优先; 8、逻辑思维能力强，对数据敏感，有较强学习能力和创新思维; 9、可以独立与客户进行需求沟通，工作认真负责，团队意识强;
数据仓库工程师岗位的主要职责说明2 职责： 1、负责金融数据的收集、整理与分析; 2、负责oracle数据仓库的设计、开发搭建及运行维护; 3、依据业务需求优化数据存储结构; 4、协助项目其他成员设计关键的SQL语句和触发器、存储过程、表等; 5、通过数据库的日常检查，对性能较差的SQL语句提出优化方案; 6、协助搭建量化投资策略平台。 要求： 1、计算机网络、统计、数学或信息技术本科及以上学历; 2、能编写Oracle简单脚本,可以独立在windows和linux环境下搭建管理oracle服务器数据库; 3、对linux,unix 操作系统有了解，熟练使用shell,python等脚本语言处理数据; 4、至少一年以上的的数据分析、挖掘、清洗和建模的经验;
datastage入门培训
一、工具入门 DataStage是一个ETL的工具，就是对数据的抽取，转换，加载。个人通俗的理解就是一个对数据进行处理，提取的工具，这里面的数据大部分是以数据库中表的格式存在着的，所以如果要使用这个工具，首先必须对关系数据库的一些基本概念要有所了解，比如最基本的字段，键，记录等概念。 DataStage是通过设计job来实现ETL的功能的。 Job的设计跟普通的IDE设计一样，通过拖拽控件，并填加脚本来完成。这里的控件称为stage，每一个不同的stage都有不同的数据处理的功能，将各个stage通过一定的方式组合起来，设计成job，对job进行编译，运行，就能够实现对数据抽取转换加载。 1,安装datastage,看学习指导，先对该工具有个大概的认识,大概知道administrator,design,director,manager的区别。 了解datastage工具的主要用途：简单的说就是把一批数据input进来，经过各种各样的转化，清洗，然后在output出去,整个就是ETL 的过程。 对4个工具我们最常做的操作有： Administrator：1、对Project的管理，主要是建立和删除project; 2、对Licensing的管理，主要是更换Licensing。 design：datastage的核心，所有的开发都在design里面完成，在这里可以编辑你的job,使用各种stage控件。 director：1、查看日志，当运行job结束时，无论job成功或者失败，我们都可以在director 里面查看日志，里面能反映我们job运行的状态，经常job出错我们都是先查看日志，然后分析原因，再到design里面修改。 2、director的另外一个很有用的功能是logout job,当服务器或者网络出问题时，正在编辑的job很有可能被锁定，这时你就算把design关了再重新登陆还是无法打开job,会提示job has been used, 这就需要到director里面把job logout，然后就可以使用了。manage：manage的最主要的功能是可以对design里面的资源进行导入导出，当我们要把开发的job从一台机器转移到另外一台机器时，就需要用到。 二、开始学习使用design,做一些简单的job,接触几个常用的stage。 做练习1的1-2至4-2的练习，练习中用到的Oracle组件全部用sequence file 代替， 1-2练习中会教你导入练习所要用到的表的结构，练习中要用到的数据文件放在数据及表定义目录下。（表定义可以通过manage工具导入，但是数据文件必须自己手工导入，所以开发前请先将数据及表定义目录下面的所有.txt的数据文件导到你所使用的datastage的开发环境上，导数据文件的方法可以使用ftp工具） 要设计job的关键，就在于能够熟悉每个不同的stage并且能够灵活运用。在文档和指导中有对每个控件的使用方法作了图文并茂的说明，但是教材语言的一个缺点就是太过形式化，所以有些概念不能够很好的理解。比如lookup这个stage我在看教材的时候就没有太了解。所以，我就结合自己，用自己的语言对一些比较常用的stage说一下自己的理解和一些需要注意的地方。 几个常用stage的经验总结： Sequential File Stage：这个控件实际上是指代主机上面的一个文件，在它的属性中可以选定文件的路径，目录。一般这些文件都是以类似数据库表的格式存在的。使用这个控
华为各平台技能要求
华为各平台技能要求 说明：下面各平台级别及技能要求都是华为项目所需要的，未列出的级别及技能华为10年还没有需求。 J2EE平台 三级 计算机相关专业，本科三年以上本领域工作经验；技能要求：掌握J2EE架构；熟练掌握IBM WSAD 版本5.1以上或IBM RAD开发工具；熟练掌握Struts框架开发技术；熟练掌握Java 语言编程技术；熟悉UML语言，能够理解UML设计图；熟练掌握Oracle SQL开发与存储过程开发。具有三年以上的Java开发经验，2年以上的基于J2EE技术规范的WEB开发经验 二级 计算机相关专业，本科两年以上或大专四年以上本领域工作经验；技能要求：掌握Java编程语言；了解J2EE架构；熟练掌握java script，html、Jsp、Servlet、JavaBean等web 开发技术；掌握标准SQL语言，有Oracle Sql开发经验。了解UML语言；掌握IBM WSAD 版本5.1以上或IBM RAD开发工具或Eclipse开发工具；熟悉WEB/J2EE服务器的使用，可熟练配置使用Tomcat,Apache。参与过系统的设计与开发工作，2年以上Java开发经验。 Net平台 三级 计算机相关专业，本科三年以上本领域工作经验，技能要求：除满足二级人员要求外，熟练掌握.Net开发框架，熟练掌握https://www.sodocs.net/doc/b97844877.html,开发和C＃开发；熟悉IIS服务器配置与管理；熟悉Web Service，精通XML文件的解析。具有三年以上的.Net开发经验，1年以上的基于.Net 技术规范的WEB开发经验。有能力解决项目组内重大问题、能指导设计开发 二级 计算机相关专业，本科两年以上或大专四年以上本领域工作经验，技能要求：掌握C#开发语言；熟悉.Net多层架构；熟练掌握java script，html、https://www.sodocs.net/doc/b97844877.html,等web开发技术；有COM/COM+的开发经验；掌握标准SQL语言，有较好的基于Oracle或Sql Server的 Sql开发经验。了解UML语言；掌握Microsoft Visual Studio （版本 2003,2005）开发工具；熟悉配置使用IIS服务器。参与过中等规模系统的设计与开发工作；与他人能够保持良好沟通与合作。 Oracle（开发）平台 三级 1、沟通能力强,理解能力强,工作态度好； 2、Oracle Form,Oracle Report，Oracle数据库开发3年以上工作经验； 3、至少参与1个基于oracle开发的中大型项目； 4、使用过版本管理工具；
datastage入门教程
简介 DataStage 使用了 Client-Server 架构，服务器端存储所有的项目和元数据，客户端 DataStage Designer 为整个 ETL 过程提供了一个图形化的开发环境，用所见即所得的方式设计数据的抽取清洗转换整合和加载的过程。Datastage 的可运行单元是 Datastage Job ，用户在 Designer 中对 Datastage Job 的进行设计和开发。Datastage 中的 Job 分为 Server Job, Parallel Job 和 Mainframe Job ，其中 Mainframe Job 专供大型机上用，常用到的 Job 为Server Job 和 Parallel Job 。本文将介绍如何使用 Server Job 和 Parallel Job 进行 ETL 开发。 Server Job 一个 Job 就是一个 Datastage 的可运行单元。Server Job 是最简单常用的Job 类型，它使用拖拽的方式将基本的设计单元 -Stage 拖拽到工作区中，并通过连线的方式代表数据的流向。通过 Server Job，可以实现以下功能。 1.定义数据如何抽取 2.定义数据流程 3.定义数据的集合 4.定义数据的转换 5.定义数据的约束条件 6.定义数据的聚载 7.定义数据的写入 Parallel Job Server Job 简单而强大，适合快速开发 ETL 流程。Parallel Job 与 Server Job 的不同点在于其提供了并行机制，在支持多节点的情况下可以迅速提高数据处理效率。Parallel Job 中包含更多的 Stage 并用于不同的需求，每种 Stage 使用上的限制也往往大于 Server Job。 Sequence Job Sequence Job 用于 Job 之间的协同控制，使用图形化的方式来将多个 Job 汇集在一起，并指定了 Job 之间的执行顺序，逻辑关系和出错处理等。 数据源的连接 DataStage 能够直接连接非常多的数据源，应用围非常大，可连接的数据源包括：
Datastage开发经验
NEUSOFT Datastage开发经验 开发手册 刘石磊 2014/7/23
目录 第一章 Datastage连接配置 (3) 1.配置DS连接 (3) 2.打开DS designer，选择服务层主机名，输入用户名密码，然后在项目中选择对应的开发项目，确定后进入DS开发界面 (3) 第二章 Datastage Designer开发 (4) 1.在Jobs目录下建立自己的开发目录层级 (4) 2.job调用关系 (4) 3.job能调用的组件 (5) 4.开发一个job (6) 5.导入表定义（Table Definitions） (17) 6.开发一个sequence (20) a.新建Sequence，将并行job拖入设计面板 (20) b.保存编译后即可运行 (20) 7.运行job (21) 8.全局参数&环境变量设置 (23) 9.在job和sequence中调用参数 (24) a.Job中变量参数设置 (24) b.Sequence中变量参数设置 (27) 10.调用存储过程 (28) a.新建一个job，作业属性配置如下图 (28) b.调用存储过程，在查询存储过程运行状态的表的sql前—Before SQL，调用存储 过程CALL ETL.SP_IPRO_ETL_ALL('#$p_etl_date#'); (28) 11.运行job失败时怎么办 (29) 第三章 Datastage Director使用 (30) a.只有处于已编译和已完成状态的job或sequence才能直接运行 (30) b.查看报错日志 (30) c.job日志过滤 (31) d.再次运行job (32) 第四章 Datastage Designer其它功能 (33)
datastage教程
1、【第一章】datastage简介与工作原理 1、简介 数据中心（数据仓库）中的数据来自于多种业务数据源，这些数据源可能是不同硬件平台上，使用不同的操作系统，数据模型也相差很远，因而数据以不同的方式存在不同的数据库中。如何获取并向数据中心（数据仓库）加载这些数据量大、种类多的数据，已成为建立数据中心（数据仓库）所面临的一个关键问题。针对目前系统的数据来源复杂，而且分析应用尚未成型的现状，专业的数据抽取、转换和装载工具DataStage是最好的选择。 Websphere DataStage 是一套专门对多种操作数据源的数据抽取、转换和维护过程进行简化和自动化，并将其输入数据集市或数据中心（数据仓库）目标数据库的集成工具。 DataStage 能够处理多种数据源的数据，包括主机系统的大型数据库、开放系统上的关系数据库和普通的文件系统等，以下列出它所能处理的主要 数据源： 大型主机系统数据库：IMS,DB2,ADABAS,VSAM 等 开放系统的关系数据库：Informix,Oracle,Sybase,DB2,Microsoft SQL Server等ERP 系统：SAP/R3,PeopleSoft系统等，普通文件和复杂文件系统，FTP 文件系统，XML等IIS,Netscape,Apache等Web服务器系统Outlook等Email系统。 DataStage 可以从多个不同的业务系统中，从多个平台的数据源中抽取数据，完成转换和清洗，装载到各种系统里面。其中每步都可以在图形化工具里完成，同样可以灵活的被外部系统调度，提供专门的设计工具来设计转换规则和清洗规则等，实现了增量抽取、任务调度等多种复杂而实用的功能。其中简单的数据转换可以通过在界面上拖拉操作和调用一些DataStage 预定义转换函数来实现，复杂转换可以通过编写脚本或结合其他语言的扩展来实现，并且DataStage 提供调试环境，可以极大提高开发和调试抽取、转换程序的效率。
数据仓库面试题
数据仓库及BI工程师面试题集锦 前言 1、介绍一下项目经验、项目中的角色。 一、数据库 1、Oracle数据库，视图与表的区别？普通视图与物化视图的区别？物化视图的作 用？ 2、Oracle数据库，有哪几类索引，分别有什么特点？ 3、Union与Union All的区别？ 4、对游标的理解？游标的分类？使用方法？ 5、如何查找和删除表中的重复数据？给出方法或SQL。 6、不借助第三方工具，怎么查看SQL的执行计划？ 7、创建索引有哪些需要注意的要点？ 8、Oracle数据库中，有哪几种分区？各自特点是什么？作用是什么？分区索引的分 类和作用？ 9、表T(a,b,c,d),要根据字段c排序后取第21—30条记录显示，请给出sql。 10、备份如何分类？归档是什么含义？ 11、如果系统现在需要在一个很大的表上创建一个索引，需要考虑那些因素，如何做到 尽量减小对应用的影响？ 12、是否有海量数据处理经验？有何方法？ 二、ETL工具 1、Informatica中，Update组件叫什么？更新机制？ 2、Informatica中，LookUp组件有哪几类？区别是什么？ 3、Informatica中，如何调用存储过程？ 4、Informatica中，工作流控制有哪些组件？ 5、Informatica优化方案？ 6、DataStage的JOB有哪些类型？特点分别是什么？
7、DataStage中，如何设置parallel job并行运行？ 8、DataStage中，Join Stage 与Lookup Stage组件在使用上有何区别？ 9、DataStage的优化方案？ 三、模型设计 1、有哪几种模型设计方法？特点分别是什么？ 2、模型设计的步骤？ 3、维度模型的设计方法？ 4、模型设计的思路？业务需求驱动？数据驱动？ 3、模型设计经验说明。在概念模型设计、逻辑模型设计以及物理模型设计几个阶段主 要的工作是什么？ 四、Cognos开发 1、Cube刷新方案？ 2、报表数据权限控制方案？ 3、Cube增量刷新方案？ 五、Shell开发 1、在Unix/Linux中，查看磁盘空间可以用哪些命令？ 2、在Unix/Linux中，压缩和解压缩文件可以用哪些命令？ 3、sed命令的作用？ 4、在Unix/Linux中，添加用户用什么命令？ 5、在Unix/Linux中，查看文件行数什么命令？ 六、数据仓库设计 1、增量数据获取方案？ 2、请解释以下概念：数据集市、事实表、维度表、OLAP 3、元数据管理在数据仓库中的运用有何心得？
大数据处理综合处理服务平台的设计实现分析范文
大数据处理综合处理服务平台的设计与实现 （广州城市职业学院广东广州510405） 摘要：在信息技术高速发展的今天，金融业面临的竞争日趋激烈，信息的高度共享和数据的安全可靠是系统建设中优先考虑的问题。大数据综合处理服务平台支持灵活构建面向数据仓库、实现批量作业的原子化、参数化、操作简单化、流程可控化，并提供灵活、可自定义的程序接口，具有良好的可扩展性。该服务平台以SOA为基础，采用云计算的体系架构，整合多种ETL技术和不同的ETL工具，具有统一、高效、可拓展性。该系统整合金融机构的客户、合约、交易、财务、产品等主要业务数据，提供客户视图、客户关系管理、营销管理、财务分析、质量监控、风险预警、业务流程等功能模块。该研究与设计打破跨国厂商在金融软件方面的垄断地位，促进传统优势企业走新型信息化道路，充分实现了“资源共享、低投入、低消耗、低排放和高效率”，值得大力发展和推广。 关键词：面向金融，大数据，综合处理服务平台。 一、研究的意义 目前，全球IT行业讨论最多的两个议题，一个是大数据分析“Big Data”，一个是云计算“Cloud Computing”。中
国五大国有商业银行发展至今，积累了海量的业务数据，同时还不断的从外界收集数据。据IDC（国际数据公司）预测，用于云计算服务上的支出在接下来的5 年间可能会出现3 倍的增长，占据IT支出增长总量中25%的份额。目前企业的各种业务系统中数据从GB、TB到PB量级呈海量急速增长，相应的存储方式也从单机存储转变为网络存储。传统的信息处理技术和手段，如数据库技术往往只能单纯实现数据的录入、查询、统计等较低层次的功能，无法充分利用和及时更新海量数据，更难以进行综合研究，中国的金融行业也不例外。中国五大国有商业银行发展至今，积累了海量的业务数据，同时还不断的从外界收集数据。通过对不同来源，不同历史阶段的数据进行分析，银行可以甄别有价值潜力的客户群和发现未来金融市场的发展趋势，针对目标客户群的特点和金融市场的需求来研发有竞争力的理财产品。所以，银行对海量数据分析的需求是尤为迫切的。再有，在信息技术高速发展的今天，金融业面临的竞争日趋激烈，信息的高度共享和数据的安全可靠是系统建设中优先考虑的问题。随着国内银行业竞争的加剧，五大国有商业银行不断深化以客户为中心，以优质业务为核心的经营理念，这对银行自身系统的不断完善提出了更高的要求。而“云计算”技术的推出，将成为银行增强数据的安全性和加快信息共享的速度，提高服务质量、降低成本和赢得竞争优势的一大选择。