1. 序
在數(shù)據(jù)集成類的項目中，最難的過程就是數(shù)據(jù)分析了，數(shù)據(jù)分析過程位于數(shù)據(jù)集成類項目整個過程(前期準備調(diào)研-----數(shù)據(jù)分析-----接口實現(xiàn))的第二步，它為第三步接口實現(xiàn)提供了充分的準備，因此數(shù)據(jù)分析的正確與否很大程度上決定了數(shù)據(jù)集成能否成功的實現(xiàn)和完成。
怎么樣有效的進行數(shù)據(jù)分析呢，怎么樣提前在數(shù)據(jù)分析中盡量避免問題等到實現(xiàn)時才出現(xiàn)呢？這是一個行之有效的數(shù)據(jù)分析方法論的評判的關鍵。
經(jīng)過幾個項目的經(jīng)歷，反思了一下在做這些項目時比較有效的方法和失妥的方法，總結了一套目前個人覺得可行的數(shù)據(jù)分析方法，此套數(shù)據(jù)分析方法只適用于數(shù)據(jù)庫---文件---數(shù)據(jù)庫或數(shù)據(jù)庫---數(shù)據(jù)庫的分析，對于接口式的集成(例如調(diào)用對方的webservice、EJB接口等)并不適用，在這樣的一套數(shù)據(jù)分析的方法中，為數(shù)據(jù)分析的步驟以及需要注意的問題事項提出了指導，編寫此blog以希望有同行的同學們多多交流。
2. 數(shù)據(jù)分析方法論
此方法論中涉及的名詞的解釋：
l 目標數(shù)據(jù)源
指在數(shù)據(jù)集成中需要導入數(shù)據(jù)的數(shù)據(jù)源，此數(shù)據(jù)源可能是數(shù)據(jù)庫，也有可能是文件。
l 源數(shù)據(jù)源
指在數(shù)據(jù)集成中獲取數(shù)據(jù)的數(shù)據(jù)源，此數(shù)據(jù)源可能是數(shù)據(jù)庫，也有可能是文件。
l 字典代碼
在數(shù)據(jù)庫中以代碼的方式(如數(shù)字、英文字母等)來代替中文意思進行存儲，其中的這些代碼就稱為字典代碼。
2.1. 步驟
2.1.1. 分析目標數(shù)據(jù)源的數(shù)據(jù)結構
目標數(shù)據(jù)源既有可能是數(shù)據(jù)庫也有可能是文件，但無論是哪種，它都是有數(shù)據(jù)結構的，首先要做的就是分析目標數(shù)據(jù)源的數(shù)據(jù)結構，在分析目標數(shù)據(jù)源的數(shù)據(jù)結構時，要分析清楚的有：
l 表
目標數(shù)據(jù)源中需要交換的有哪些表，這些表的含義分別是什么。
l 字段
這些表中包含的字段、字段的類型以及長度。
l 字段含義
分析每個字段的含義，包括字段的中文含義、字段涉及到的字典代碼以及字段的規(guī)則(如業(yè)務規(guī)則、生成規(guī)則)。
在分析了上面所提及的表、字段、字段含義后，形成如下結構的文檔：
表名
|
字段
|
字段類型及長度
|
中文含義
|
涉及到的字典代碼
|
字段規(guī)則
|
|
id
|
number(10)
|
主鍵流水號
|
--
|
流水號，通過表名_SEQ的Sequence來獲取
|
|
unitcode
|
varchar2(19)
|
單位編碼
|
單位編碼字典
|
--
|
2.1.2. 分析目標數(shù)據(jù)源的表關系
在完成了第一步后，需要接著分析目標數(shù)據(jù)源的表關系，分析表關系最重要的在于分析各個表之間的關聯(lián)關系(例如一對一、一對多，通過這里可以分析出的為主鍵、外鍵的關聯(lián)關系)，其次就是需要根據(jù)業(yè)務來分析其各個表之間的隱性關聯(lián)，如只有當A表中的某個值為03時才關聯(lián)到B表。
在分析完畢目標數(shù)據(jù)源的表關系后，形成如下Rose圖：
2.1.3. 分析源數(shù)據(jù)源的數(shù)據(jù)結構
方法同2.1.1，分析的對象改變?yōu)樵磾?shù)據(jù)源，分析完畢后形成同2.1.1中的文檔。
2.1.4. 分析源數(shù)據(jù)源的表關系
方法同2.1.2，分析的對象改變?yōu)樵磾?shù)據(jù)源，分析完畢后形成同2.1.2中的Rose圖。
2.1.5. 根據(jù)目標數(shù)據(jù)源的表關系分析其和源數(shù)據(jù)源的表的對應關系
根據(jù)目標數(shù)據(jù)源的表關系，來分析其和源數(shù)據(jù)源表的對應關系，在這個步驟中需要分析清楚的是目標數(shù)據(jù)源的表的數(shù)據(jù)來源于源數(shù)據(jù)源的哪些表，怎么獲取到這些數(shù)據(jù)，分析完畢后可形成校驗數(shù)據(jù)集成是否正確的一個標準，那就是目標數(shù)據(jù)源的表的數(shù)據(jù)量和其來源的源數(shù)據(jù)源的那些表的數(shù)據(jù)量應該是一致的，分析時仍然是根據(jù)目標表的業(yè)務含義去源數(shù)據(jù)源中的表中尋找具備相同含義的表，在分析的過程中可能會碰到如下幾種情況：
l 含義相同的表
這種情況通常是目標數(shù)據(jù)源和源數(shù)據(jù)源均為使用一張表存儲，含義相同的表通常都是一對一的數(shù)據(jù)關系，例如目標數(shù)據(jù)源中有一張表為常住人口基本信息，源數(shù)據(jù)源中有張常住人員基本信息，兩張表就可以對應上了，當然，有些時候并不一定是意義相同就一定相同，這需要從業(yè)務層面去判斷。
l 具備包含意義的表
這種情況通常是目標數(shù)據(jù)源為一張表，源數(shù)據(jù)源為多張表，這個時候就形成多對一的關系，例如目標數(shù)據(jù)源中有張表為物品表，源數(shù)據(jù)源中為手機、證券等幾張表，這個時候就需要將手機、證券這些表對應到物品表。
又或者可能會碰到這樣的現(xiàn)象，目標數(shù)據(jù)源為一張表，源數(shù)據(jù)源也是一張表，但源數(shù)據(jù)源的這張表的每行記錄包含了目標表的兩種類型的記錄，這種情況下就需要將源數(shù)據(jù)源的一行記錄拆分為兩條導入到目標表中，例如目標數(shù)據(jù)源有張表為遷入遷出表，其存儲方式為遷入和遷出都為單獨的記錄來存儲的，源數(shù)據(jù)源有張表也為遷入遷出表，但其存儲方式為遷入和遷出在同一條記錄，這個時候就要將源數(shù)據(jù)源的這張遷入遷出表的一行記錄拆分為兩條進行導入了。
l 被包含意義的表
和之上的具備包含意義的表相反。
l 根據(jù)業(yè)務的對應關系
這張是最為復雜的，例如可能會碰到這樣的現(xiàn)象，當源數(shù)據(jù)源的某張表的某個字段的值為多個的時候，就需要拆分為兩條記錄導入到目標表中。
綜合上面所述，目標數(shù)據(jù)源的表和源數(shù)據(jù)源的表可能會存在一對一、一對多、多對一、多對多、條件式的對應幾種關系，在分析完畢后形成如下的文檔：
|
目標數(shù)據(jù)源
|
源數(shù)據(jù)源
|
校驗標準
|
|
A
|
A
|
A.數(shù)據(jù)量==A.數(shù)據(jù)量(變動(新增、編輯、刪除)的數(shù)據(jù))
|
|
B
|
B
C
|
B.數(shù)據(jù)量==B.數(shù)據(jù)量+C.數(shù)據(jù)量
|
|
C
D
|
D
|
C.數(shù)據(jù)量+D.數(shù)據(jù)量=D.數(shù)據(jù)量
C.數(shù)據(jù)量=D.數(shù)據(jù)量(D.wplx=’03’)
D.數(shù)據(jù)量=D.數(shù)據(jù)量(D.wplx=’05’)
|
|
E
|
E
|
E.數(shù)據(jù)量=E.數(shù)據(jù)量*2
|
|
F
|
F
|
F.數(shù)據(jù)量=F.數(shù)據(jù)量/2(F.qrsj=F.qcsj)
|
|
G
|
G
|
G.數(shù)據(jù)量=G.數(shù)據(jù)量+G.數(shù)據(jù)量(G.name包含的,的總數(shù)-1)
|
2.1.6. 根據(jù)表的對應關系分析字段的對應關系以及轉(zhuǎn)化規(guī)則
在對應了表的對應關系后，根據(jù)表的單一對應關系(如目標數(shù)據(jù)源的B表對應到了源數(shù)據(jù)源的B、C表，則需要分為B對應B以及B對應C兩個步驟來分析)來分析每個表中的字段的對應關系以及轉(zhuǎn)化規(guī)則了，對應的方法為：
l 先在對應的表中尋找相應的字段
l 如尋找不到則到相關的表中尋找相應的字段
l 如還是尋找不到則需要從業(yè)務含義方面去推測
從業(yè)務含義角度分析此字段是否需要合并多個字段或拆分字段，又或根據(jù)某種業(yè)務規(guī)則來生成這個字段的值。
在尋找到了相應的字段后，首先根據(jù)類型、長度來分析是否需要進行類型和長度的處理，之后需要分析該字段是否為通過關聯(lián)到其他表來獲取的，接著再分析此字段是否涉及到字典代碼，如涉及則需要對照兩邊的字典代碼是否一致，如不一致則需要形成兩邊的字典代碼的對應關系，最后分析該字段是否涉及業(yè)務含義，如涉及則需注明如何進行處理。
在分析完畢后，形成如下文檔：
表名
|
字段
|
字段類型及長度
|
源數(shù)據(jù)源字段
|
字段類型及長度
|
轉(zhuǎn)化規(guī)則
|
|
id
|
number(10)
|
表名.id
|
number(10)
|
|
|
unitcode
|
varchar2(19)
|
表名.xzqh+表名.unit
|
Varchar2(8)+varchar2(20)
|
單位代碼字典映射
|
|
content
|
Varchar2(100)
|
Substr(表名.content,0,50)
|
Varchar2(100)
|
|
|
ifmonth
|
Varchar2(1)
|
If(表名.createdate.月份==’系統(tǒng)時間的月份’)
Return ‘1’;
Else
Return ‘2’.
|
|
|
|
unitname
|
Varchar2(100)
|
UnitNames.unitName
|
Varchar2(100)
|
表名.xzqh+表名.unit=UnitNames.UnitCode
|
2.2. 需注意的問題
由于數(shù)據(jù)集成涉及的為系統(tǒng)中最為重要的基礎—數(shù)據(jù)，那么在做數(shù)據(jù)集成時就特別需要仔細考慮不要對數(shù)據(jù)產(chǎn)生了破壞性的影響，這也是數(shù)據(jù)分析過程中需要慎重考慮的問題。
2.2.1. 數(shù)據(jù)覆蓋/混亂的問題
在做數(shù)據(jù)分析時需要考慮，這樣集成數(shù)據(jù)后是否會將已存在的數(shù)據(jù)非法的覆蓋或造出混亂，出現(xiàn)這種問題通常都是由于主鍵的原因，這個在做數(shù)據(jù)分析時需要考慮。
2.2.2. 制定錯誤出現(xiàn)時的彌補方案
在做數(shù)據(jù)分析時需要考慮在進行數(shù)據(jù)集成后可能會出現(xiàn)的錯誤，對于這些可能出現(xiàn)的錯誤需要制定相應的彌補方案，以避免數(shù)據(jù)的被破壞。
2.2.3. 源數(shù)據(jù)源數(shù)據(jù)質(zhì)量造成的問題的處理方案
需要考慮如源數(shù)據(jù)源本身的數(shù)據(jù)質(zhì)量出現(xiàn)問題時，應如何處理或者如何避免。
2.2.4. 業(yè)務專家的支持
在整個數(shù)據(jù)分析的過程中，可以看出業(yè)務專家起到了非常大的作用，可以說如果缺少業(yè)務專家的話，數(shù)據(jù)分析很可能會失敗，或需要走很多的彎路才能最后摸索出來，有一點可以肯定，在缺少業(yè)務專家的支持下整個數(shù)據(jù)分析的過程將會大大的延長，從這點可以看出，在進行數(shù)據(jù)分析時要盡量獲取到業(yè)務專家的支持。
3. 總結
如上的方法論對數(shù)據(jù)分析的過程和避免問題的方法做出了一定的描述，在實際的進行數(shù)據(jù)分析時，最重要的還是負責數(shù)據(jù)分析的人對于系統(tǒng)的理解，有過系統(tǒng)設計經(jīng)驗的人來做數(shù)據(jù)分析成功的幾率會高很多，有些非常專業(yè)的系統(tǒng)的話還得依賴有相應的設計經(jīng)驗的人才做才能做得了，類如流程系統(tǒng)的數(shù)據(jù)集成。
在一個數(shù)據(jù)分析過程中，已經(jīng)可以制定出判斷數(shù)據(jù)集成是否成功的標準了，這也可以列為TDD的入口條件，J。
方法論始終都還是理論，我本來就不是一個那么講理論的人，但也不否認理論對于實際是有很好的指導作用的，避免在實踐過程中走過多的彎路，能做到理論結合實踐那是最好的，理論指導實踐，實踐改進理論。