5 种流式 ETL 模式
1970 年代的许多计算概念已经过时,但ETL (Extract-Transform-Load)及其最近的 anagram shuffle ELT并非如此,它在目的地与飞行中操纵数据。ETL 和 ELT 传统上是计划的批处理操作,但随着对始终在线、始终最新的数据服务的需求成为常态,在数据流上操作的实时 ELT 是许多组织的目标——如果不是现实的话。
在实际使用中,ETL 中的“T”代表由原始操作组装而成的各种模式。在本博客中,我们将探索这些操作并查看如何将它们实现为 SQL 语句的示例。
使用 SQL 语句进行转换?
是的!SQL 将声明性语言的强大和简洁性与任何使用代码或数据的人的普遍技能相结合。与您可能用作替代的几乎任何编程语言不同,SQL 的普及要归功于将近 50 年的寿命——计算行业中的几乎每个人都曾在某个时候使用过它。SQL 的强大功能和普遍性意味着它无处不在,甚至在构建最新开发人员技术和服务的公司中也是如此。当通过函数增强时,SQL 变得更加强大——我们将在以后的博客文章中介绍。
管道模式
大多数 ETL 管道都适合一种或多种模式。Decodable 的连接 - 流 - 管道抽象意味着您可以选择将所有内容构建到单个管道中,或者根据需要将复杂的转换分解为由流、跨团队、区域和用例连接的可重用管道网络。
1:过滤器
过滤器从流中删除不需要的记录,删除与 SQL where子句中的“规则”不匹配的记录。过滤器通常用于抑制敏感记录以确保合规性,或减少目标系统上的处理负载或存储需求。
-- Filter only records pertaining to the application
insert into application_events
select * from http_eventswhere hostname = 'app.decodable.co'
-- Filter only records that modify the inventoryinsert into inventory_updatesselect * from http_eventswhere hostname = 'api.mycompany.com' andpath like '/v1/inventory%' and
method in ( 'POST', 'PUT', 'DELETE', 'PATCH' )
2:路线
Route 模式从一个或多个输入流创建多个输出流,根据一组规则将记录定向到正确的目的地。此模式实际上由多个过滤器组成,它们都可以查看每个输入记录,但每个过滤器仅传输与该特定目的地的规则匹配的那些记录。
-- Route security-related HTTP eventsinsert into security_eventsselect * from http_eventswhere path like '/login%' orpath like '/billing/cc%'
-- Route app-related HTTP events
insert into application_events
select * from http_eventswhere hostname = 'app.decodable.co'
-- Route requests to Customer Success if it looks like the user needs helpinsert into cs_alertsselect * from http_eventswhere response_code between 500 and 599 or -- any server failure( path = '/signup' and response_code != 200 ) or -- failed to sign up for any reason
3:变换
转换管道通过修改输入记录来创建输出记录。通常这将导致 1:1 传输,但在某些情况下,输出来自多个输入记录,因此可能存在 1:many 关系。在这里,我们将调用三个专门的转换:
变换:提取
解析输入记录,从输入记录中提取数据并将其用作丰富派生输出记录的基础。
-- Parse timestamp and actioninsert into user_eventsselectto_date(fields['ts'], 'YYYY-MM-DD''T''HH:MI:SS') as ts,
fields['user_id'] as user_id,
fields['path'] as path, case fields['method'] when 'GET' then 'read'
when 'POST', 'PUT' then 'modify'
when 'DELETE' then 'delete'
end as actionfrom ( select
grok(
body, '\[${ISO8661_DATETIME:ts} ${DATA:method} "${PATH:path}" uid:${DATA:user_id}'
) as fields from http_event
)
变换:归一化
传入的数据记录通常需要针对模式进行规范化,以便目标系统处理它们。缺少的字段可能需要填充默认值,可能需要删除可选字段,并强制执行数据类型。
-- Cleanse incoming data for downstream processesinsert into sensor_readingsselectcast(ifnull(sensor_id, '0') as bigint) as sensor_id, lower(trim(name)) as name, cast(`value` as bigint) as readingfrom raw_sensor_readings
转换:匿名化
在目标系统不需要信息来完成处理的情况下,匿名管道只是出于合规、监管或隐私原因而消除了敏感字段。
-- Anonymize SSNs and zip codesinsert into user_events_maskedselectuser_id,
username, overlay(ssn placing '*' from 1 for 12) as ssn, substring(zip_code from 1 for 2) as zip_code_1,
actionfrom user_events
4:聚合
聚合管道通常使用 SQL 窗口函数将传入记录分组到存储桶中(通常基于时间),在这些存储桶上执行聚合操作。Count、Min、Max、Avg、Sum 是典型的运算符,但还有很多。
-- Count the number of events by path and status every 10 seconds.insert into site_activityselectwindow_start,
window_end,
path,
status, count(1) as `count`from table(tumble( table http_events, descriptor(_time),
interval '10' seconds
)
)group by window_start, window_end, path, status
5:触发
我们的最终模式是触发器。与几乎所有其他模式不同,触发器输出记录可能与输入记录的模式几乎没有重叠,因为它表明已在一个或多个输入记录上检测到一组条件,并作为结果输出警报。输出模式可以表示检测到的条件、要采取的行动或两者兼而有之。
-- Build hourly usage data for a Stripe integration on the output streaminsert into stripe_product_usageselectwindow_start as _time,
customer_id, 'abcd1234' as price_id sum(bytes_sent) / 1024 / 1024 as mb_sentfrom table(
tumble( table document_downloads, descriptor(_time),
interval '1' hour
)
)group by window_start, customer_idhaving mb_sent > 1024
免责声明:本公众号所发布的文章为本公众号原创,或者是在网络搜索到的优秀文章进行的编辑整理,文章版权归原作者所有,仅供读者朋友们学习、参考。对于分享的非原创文章,有些因为无法找到真正来源,如果标错来源或者对于文章中所使用的图片、连接等所包含但不限于软件、资料等,如有侵权,请直接联系后台,说明具体的文章,后台会尽快删除。给您带来的不便,深表歉意。
相关文章
- LyScript 内存交换与差异对比
- LyScript 从文本中读写ShellCode
- LyScript 验证PE程序开启的保护
- LyScript 实现对内存堆栈扫描
- LyScript 获取上或下一条汇编指令
- LyScript 寻找ROP漏洞指令片段
- LyScript 插件实现自定义反汇编
- Win32汇编:仿写多态与虚函数
- Win32汇编:汇编版PE结构解析器
- Win32汇编:字符串浮点数运算过程
- Win32汇编:各种语句的构造方式
- Win32汇编:数组与标志位测试总结
- Win32汇编:算数运算指令总结
- 云函数benchmark
- 为什么不能使用网上下载的破解盗版在线客服系统源码
- Maya 2023 for mac/win(三维动画建模渲染制作软件)
- ALV之选择屏幕按钮设定
- 【cg】【球谐光照】预备知识之拉普拉斯方程
- 1. DRF前奏
- 如何构建 API 生态促进企业上下游合作