CDC+ETL实现数据集成方案

欢迎咨询，合作！ weix：wonter

名词解释：

       cdc又称变更数据捕获（change data capture），开启cdc的源表在插入insert、更新update和删除delete活动时会插入数据到日志表中。cdc通过捕获进程将变更数据捕获到变更表中，通过cdc提供的查询函数，我们可以捕获这部分数据。

       etl数据仓库技术（extract-transform-load），它是将数据从源系统加载到数据仓库的过程。用来描述将数据从来源端经过萃取（extract）、转置（transform）、加载（load）至目的端的过程。使用到的工具包含（kettle、flume、sqoop）。

       kettle基于java的etl工具，支持图形化的gui设计界面，然后可以以工作流的形式流转，在做一些简单或复杂的数据抽取、质量检测、数据清洗、数据转换、数据过滤等方面有着比较稳定的表现。

       flume是cloudera提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统，flume支持在日志系统中定制各类数据发送方，用于收集数据；同时，flume提供对数据进行简单处理，并写到各种数据接受方（可定制）的能力。

       sqoop是apache开源软件，主要用于在hadoop(hive)与传统的数据库(mysql、postgresql…)间进行数据的传递。
适用于能与大数据集群直接通信的关系数据库间的大批量数据传输。

数据集成方案对比

       数据集成有两种方案：

       一种是通过esb接口方式进行数据集成，优点是数据的时效性高，但最大的弊端是依赖于业务系统的接口改造，往往会涉及和厂商的接口费用。另一种方式就是通过etl方式抽取数据，并通过cdc方式实现数据实时同步，优点是不依赖于业务系统，只需要获取业务系统数据库权限便可实现集成。

cdc+etl数据集成方案

 

第一步：通过kettle抽取历史数据到数仓中间库。

        支持图形化的gui设计界面，方便第一轮实施人员无业务化操作流程，稳定、高效。

 

第二步：业务系统镜像数据库启动cdc功能，并实时同步数据到数仓中间库。

        该技术通过读取镜像数据库日志文件，解析回放数据库操作方式，实现业务数据变更捕获。日志读取、解析、回放等操作都是在镜像数据库上进行，业务数据库只会产生少量的i/o开销，以最大限度地降低对业务系统的影响。

 

第三步：通过sqoop从中间库抽取历史数据到haoop。

       使用颐东数仓配置数据目录映射关系，自动生成跨数据库抽取的sql语句。

 

 

 

第四步：基础表通过cdc功能实时同步数据到hadoop。

       基础表为人员信息表、数据字典表等会经常维护变更的表。

第五步：记录表通过flume增量实时抽取数据到hadoop。

       记录表为数据携带时间戳的表，该表内容变更多以修改操作状态形式增量添加。

第六步：数据中台

       数据湖提供数据中台服务，根据业务活动，自定义勾选数据集市所需字段，生成elasticsearch索引，并自动生成数据接口。

数据应用

 

 

 

推荐阅读：

医院信息集成平台（esb）实施、建设方案

医院信息集成平台（esb）数据集成建设方案

怎么将etl技术落地