淘宝数据仓库之路

实施数据仓库，ETL都是最基础最重要的一个环节，ETL只是一个抽象的概念，抽取->转换->加载,

但随着数据仓库的普及和众多国际厂商的积极参与，ETL的市场的竞争也是日趋白热化。商业ETL工具

一直以来都是天价，看中的就是企业对核心数据集成的重视，也从另外一方面说明了ETL在数据仓库

实施中的重要性。当然廉价的ETL实施也是可以的，只要有足够强的开放团队，目前开源软件也不断出现

ETL的软件，不过没有太多的技术支持，比如Kettle。这里我们重点讨论商业ETL工具和自主开放实现两

套方案。

商业ETL工具有IBM的Datastage，小oracle之称的Informatica，oracle 的ODI。

三者都是重量级别的ETL工具。前两者从技术上确切来说应该是ETL实现，而oracle的ODI则是ELT，也就是利用oracle的RAC数据库进行转换这一步核心处理，前两者需要单独的转换处理的ETL服务器，ODI则不需要。

如果自主开放ETL系统，那么需要有一个ETL的构架师，能够用代码来实现元数据管理，任务调度和复杂的转换逻辑，清晰的数据层次等。

数据挖掘是在数据仓库之上的一个重要应用，在建立了拥有海量数据的数据仓库后，数据挖掘技术

能利用很多数学的算法来挖掘数据中蕴含的价值和规则，进行商业应用和决策支持。目前在国际上

流行的数据挖掘厂商和方案很多，实力和特色也各具特色，主要有：SAS EM，SPSS Clementine，

Oracle ODM等。这些工具背后都是国际大厂商，SAS EM背靠SAS统计分析的鼻祖，从专业上来讲

不容置疑，Clementine从易用性来讲很容易上手，但在处理海量数据上稍逊一筹，ODM依托Oracle

RAC的强大计算能力，在实施能力强悍的团队里面能发挥很好的威力，至于微软的sql server集成的

DM工具，由于微软工具的普及和人性化，基本上能快速完成一些中小规模的数据挖掘任务。

数据仓库基础平台包含范围非常广泛，这篇文章先讨论DB方面的平台架构。

国际主要厂商：Oracle，Teradata，DB2，Sql server，Mysql都推出了

数据仓库基础数据库版本。这些厂商坚守两大阵营，share nothing和share

everything。

share nothing最显著代表有Teradata，DB2 .share everything典型是Oracle

RAC。

从平台的开放和封闭来分的话，有封闭平台Teradata,有走开放平台的DB2,Oracle。

陆续有新生力量在加入这2大阵营。有主推即买即用封闭平台的，也有主推根据用户

需求量身定制开放平台的，孰优孰劣，这里不做评价。

这里提到的每中数据仓库基础平台都值得深入研究，都能发现有很大的优点，如果能综合

起来，相信未来的数据仓库基础平台会更加完善。当然典型厂商都在互相学习，把竞争对手

的优势融合到自己的产品中，这对最终用户的使用是很有利的，不过从纯技术上也就更难取舍。