Package 设计3：数据源的提取和使用暂存

SSIS 设计系列：

• Package设计1：选择数据类型、暂存数据和并发
• Package设计2：增量更新
• Package 设计3：数据源的提取和使用暂存

在使用SSIS Package处理海量数据时，必须精心设计Package的各个Task组件，“锱铢必较”，以最快的速度和最小的资源消耗，完成既定的数据处理任务。在处理数据源提取时，数据的大小由两个方面决定：数据行的宽度和数据行的数量，为了减少ETL运行的时间，可以从源数据的提取上做优化设计，从数据源的输入上控制数据的数量和大小，以减少数据转换的次数，内存的消耗量，以及硬盘IO的次数。

一，减少行的宽度

1，只加载需要的数据列

在Data Flow中，数据源允许加载整个Table 或View，虽然能够从数据源编辑器勾选数据列的复选框，从而过滤掉不需要的数据列，但是，唯一的问题是，数据列的过滤过程发生SSIS引擎中，换句话说，所有的列首先从数据库中被加载到SSIS 源适配器（产生大量的IO开销），然后从SSIS引擎中删除未被选中的数据列，实际上，不需要的数据列已经从数据库加载SSIS引擎中了，这部分的Disk IO消耗，可以避免。建议在数据源组件中，使用SQL Command，在select 子句中指定只加载需要的数据列。

2，在提取数据期间将数据转换为窄的数据类型

数据窄化是指将数据类型转换为可以充分表示其值的最小数据类型，例如，如果有一个数据列，数据类型是int，但是，可能的数据值只有 0 和 1，那么将数据类型转换为bit更好，在64bit系统中，每行的长度至少减少3Byte。对数据列进行窄化，相同的数据量占用更少的内存，相同内存能够容纳的数据量更多，进而每一次数据转换的数据量更多，加快数据处理的速度。

3，窄化数据值

• 如果字符串中的两端有大量的空格，建议使用ltrim(rtrim(String_Column))，删掉字符串两端的空格；
• 对于小数类型，如果不需要太高的精度，可以使用decimal或低进度的数据类型来标识；
• 对于日期/时间类型，如果在数据处理中，只需要DateKey，可以将日期类型转换为int类型，而不需要加载Datetime类型，或datetime2类型。

二，减少数据行数

1，使用Where条件，限制返回的数据行数

增量更新，使用DateTime，Row_Version等字段来实现增量更新，而不是将重复的数据重复加载，增量更新会大幅度减少需要加载的数据行数量，减少ETL运行的时间。

2，使用Where条件，过滤无效的数据

过滤数据行，只加载有效的数据行，对于一些无效的数据，使用where 子句直接过滤，保证进入ETL的都是有效的数据。

三，在提取数据期间

1， 解决幻数

幻数是一个用来表示未知或NULL的数据值，在不允许为NULL的数据表中，例如，数据列使用 not null 定义，幻数是必需的。常用的幻数根据数据类型来定义，整数类型是-1，日期类型是1753-01-01，字符串类型是空字符串。

2，数据排序

在SQL Server中对数据排序，会比在SSIS中使用 sort 转换更高效。如果在ETL中需要加载有序的数据集，请在SQL Server中排序；如果ETL不需要有序的数据集，请不要都数据源进行排序。

四，处理外键

假设场景：有一个ETL系统，通过记录数据最后更新的时间，对数据进行增量更新。如果数据仓库中存在有外键关系的两个表，Group(GroupID,StudentID,GroupData) 和 Student(StudentID,StudentAlternateID，StudentData)，Group表引用Student表中的StudentID字段。在导入Group数据时，如果Group表中存在一个数据行R1，其StudentAlternateID不存在于Student表，如何处理？

分析：如果不导入这行数据，那么Group表存在丢失数据的可能性。因为，Student表的数据被补齐后，除非数据行R1被再次更新，否则，数据行R1的数据不会被导入到DW中。

结论：必须将R1导入到DW。由于StudentAlternateID是Student表的业务主键，当Student表数据补齐后，能够通过业务主键匹配，可以预先把缺失的数据行主键添加到Student表中，其他数据列设置为默认值，实现的详细步骤是：

• Step1，将StudentAlternateID导入到Student表，StudentData 设置为null（或其他缺失值），生成一个StudentID（Student表的代理键）。
• Step2，将生成的StudentID更新到Student表中，尽管Group引用的Student数据是未知的。
• Step3，后续Student表有更新时，如果存在StudentAlternateID，那么可以将StudentData更新为有效值。

为了区分这种数据，可以在Student表中增加一个Column:IsLateArrival bit，如果IsLateArrival=1，表示是该数据行在插入时，只能确定业务键（Alternate Key），而其他数据未知，后续，需要通过业务键来将其他数据更新为真正有效的数据。

五，使用暂存

如果SSIS Package不需要对数据执行大量的数据更新操作，那么在数据流任务中设计Package，把数据转换和处理的业务逻辑移动到数据流中，一般情况下，能够减少临时表的创建，获得较高的处理性能，但是，在数据流任务中，执行数据更新操作，只能使用一个数据流转换组件（OLE DB Command），该组件是逐行更新。如果SSIS Package需要对数据执行大量复杂的数据更新操作，使用暂存表（staging table）能够优化package设计，在SQL Server数据库中，执行大量数据的更新操作是性能最高的。

1，使用基于集合的更新操作

在大型系统中，数据更新通常是系统的bottleneck，因为SSIS引擎不能在Data Flow 中执行基于集合的更新。在Data Flow中，OLEDB Command 转换组件是逐行对数据进行更新的，对每一行数据执行更新操作，会导致低下的性能。对于存在大量更新的数据流，能够有效解决数据更新问题的解决方案是：将需要更新的数据缓存到一个暂存表（staging table），使用TSQL 语句和暂存表对目标数据进行基于集合的更新操作。

2，使用CheckPoint从错误点重启Package

SSIS的CheckPoint记录的Control Flow Task的执行结果，如果Data Flow Task中的转换发生失败，那么CheckPoint 不会保留数据状态。当重启包时，数据流将会从头开始。如果将数据存到暂存表中，那么可以从暂存数据中重新启动。做法是：从源中读取数据，将其加载到暂存表中，然后从暂存表中获取数据，并对其应用转换逻辑。

3，增加Disk IO

将数据暂存到表中，会成倍增加Disk IO，当使用暂存表临时存储数据时，该数据最终被保存到Disk中，并且需要将数据从Disk读取数据到内存。因为需要移动大量的数据，磁盘IO通常是ETL的bottleneck，所以，在不需要大量更新数据的ETL中，应该减少对暂存表的需求，使用数据流完成相同的转换操作，由于数据流主要使用内存，相比disk，内存能够更快地访问，这样，不仅能够减少Disk IO的开销，而且能够减少ETL处理的时间。