datastage入门教程

简介

DataStage 使用了Client-Server 架构，服务器端存储所有的项目和元数据，客户端DataStage Designer 为整个ETL 过程提供了一个图形化的开发环境，用所见即所得的方式设计数据的抽取清洗转换整合和加载的过程。Datastage 的可运行单元是Datastage Job ，用户在Designer 中对Datastage Job 的进行设计和开发。

Datastage 中的Job 分为Server Job, Parallel Job 和Mainframe Job ，其中

Mainframe Job 专供大型机上用，常用到的Job 为Server Job 和Parallel Job 。

本文将介绍如何使用Server Job 和Parallel Job 进行ETL 开发。

Server Job

一个Job 就是一个Datastage 的可运行单元。Server Job 是最简单常用的Job 类型，它使用拖拽的方式将基本的设计单元-Stage 拖拽到工作区中，并通过连线的方式代表数据的流向。通过Server Job，可以实现以下功能。

1.定义数据如何抽取

2.定义数据流程

3.定义数据的集合

4.定义数据的转换

5.定义数据的约束条件

6.定义数据的聚载

7.定义数据的写入

Parallel Job

Server Job 简单而强大，适合快速开发ETL 流程。Parallel Job 与Server Job 的不同点在于其提供了并行机制，在支持多节点的情况下可以迅速提高数据处理效率。Parallel Job 中包含更多的Stage 并用于不同的需求，每种Stage 使用上的限制也往往大于Server Job。

Sequence Job

Sequence Job 用于Job 之间的协同控制，使用图形化的方式来将多个Job 汇集在一起，并指定了Job 之间的执行顺序，逻辑关系和出错处理等。

数据源的连接

DataStage 能够直接连接非常多的数据源，应用范围非常大，可连接的数据源包括：

?文本文件

?XML 文件

?企业应用程序，比如SAP 、PeopleSoft 、Siebel 、Oracle Application

?几乎所有的数据库系统，比如DB2 、Oracle 、SQL Server 、Sybase ASE/IQ 、Teradata 、Informix 以及可通过ODBC 连接的数据库等

?Web Services

?SAS 、WebSphere MQ

Server Job

Server Job 中的Stage 综述

Stage 是构成Datastage Job 的基本元素，在Server Job 中，Stage 可分为以下五种：

1.General

2.Database

3.File

4.Processing

5.Real Time

本节中将介绍如何使用Datastage 开发一个Server Job。如图 1 所示：

图 1. Server Job

点击查看大图

Sequential File Stage

Sequential File Stage 可用来从一个Sequential 文件中获取源数据或将数据加载到一个Sequential 文件中。在使用Sequential File Stage 时需要指定文件的路径和名称，文件的格式，列的定义和文件写入的类型（覆盖或追加）。

图 2. Sequential File 属性框

点击查看大图

图 3. Sequential File 列定义

点击查看大图

上图是本节例子中使用到的Sequence File。在Input 页中，File Name 参数代表文件的实际路径，如果文件不存在将会被自动建立。Update Action 中选择Overwrite existing file 表示此文件在加载数据之前将被清空；在Format 页中，定义文件的格式，例如分隔符，NULL 值，首行是否为列定义等；在Column 页中，需要输入文件的列定义。

Hash File Stage

Hash File 以主键将记录分成一个或多个部分的文件，在Datastage 中通常被用做参考查找。在进行参考查找的时候，Hash File 文件会被加载到内存中，因此具有较高的查找效率。

和Sequence File 类似，使用Hash File 时需要输入文件的实际地址，通过参数设置写入时的选项，并提供数据的列定义。需要注意的是，Hash File 需要指定主键，如果未指定，第一列被默认为主键。进行参数查找时，使用主键值在Hash File 中搜索，如果找到则返回该数据，如果未找到则返回NULL 值。

图 4. Hash File 属性框

点击查看大图

Transformer Stage

Transformer Stage 是一个重要的，功能强大的Stage。它负责ETL 过程中的数据转换操作。在Transformer Stage 中可以指定数据的来源和目的地，匹配对应输入字段和输出字段，并指定转换规则和约束条件。

图 5. Transformer Stage 列映射

点击查看大图

Transformer Stage 中分为5 个区域：

左上方区域，是用表格形式描述的输入数据信息。如果有多条输入数据流，则有很多表格。本例中有一个输入，一个参照查询，因此左上方有两个表格。

右上方区域，是用表格形式描述的输出信息。

左下方区域为输入的元数据列定义，包括列名，类型和长度等属性。

右下方区域为输出的元数据列定义，包括列名，类型和长度等属性。

左上方和右上方的表格由带有流向的箭头连接，代表了字段的对应关系。此例中，输入的数据只有一个字段EMPLOYEE_ID，通过此字段在Hash File 中进行参照查找，获取EMPLOYEE_NAME 字段。如果在Hash File 中找到了EMPLOYEE_NAME 则将数据发送到输出端，这个条件是通过Transformer Stage 提高的约束功能实现，我们在约束中的定义为

NOT(ISNULL(lkp_name.EMPLOYEE_ID))。另外无论是否在Hash File 中查找到对应的数据，我们都将数据记录到一个csv 文件中，即对应的save_all 输出。Parallel Job

Parallel Job 的Stage 综述

与Server job 相比，Parallel Job 提供了更丰富的stage，增加了

Development/Debug，Restructure 和Transactional 类的stage。同时，对于一些在server job 中可以在transformer 中完成的功能，Parallel job 也提供了专用的stage 以提高运行性能和开发效率，比如lookup，join，Compare 等。另外一个显著的区别是在Parallel Job 中内置地支持job 的并行运行，并行执行也就意味着数据在job 中的各个stage 见处理时需要处理partition 和combination 的问题，所以在开发job 时，我们需要设定partition 和combination 的策略。

Lookup DataSet 与Lookup Stage

Parallel Job 对lookup 的实现做了一些调整，在Server Job 中，我们一般是用Transformer Stage 配合lookup 数据源（一般是hash 文件）来实现lookup，同一个transformer 中可以同时完成多个lookup，类似于sql 中的多表自然联接，如果lookup 数据源使用的是database stage 而不是hash file 而且对于一条记录返回多条lookup data 的话，job 会产生warning（hash file 的键唯一特性使得它不会存在这个问题，后面插入的重复数据会覆盖前面的同主键的数据）。

而在Parallel Job 中，lookup 需要用一个单独的stage 来实现，transformer 不再兼职lookup 的“副业”，在一个lookup stage 中，可以有一个主数据link 和多个lookup link。同时，Parallel 中的lookup 还有以下的新特性

?支持multi rows，在一个lookup stage 中对于一行主输入数据可以有一个lookup link 返回多于一行的lookup 数据。结果也会变成多行。

?Parallel 中不在支持hash file，转而使用封装更强的Data Set stage, Data Set 本质上也是hash 数据结构，但对Job 开发人员隐藏了实现细节，我们不用象开发Server Job 那样去手动设定详细参数

?Parallel 中除了支持等值lookup 外，还直接支持Range lookup 和Caseless lookup。这样我们在完成类似月份转换为季度性质的设计时就会非常的方便和自然。

类似于Server Job 中的hash 文件，在Parallel Job 中我们使用Data Set 文件来缓存lookup 数据，并加载到内存中，在Data Set stage 中，我们只需要制定记录的主键和存储的文件名，Parallel 引擎会为我们处理其他的操作。但为了达到性能的最优化，我们有时需要制定Data Set 的缓存策略和缓存大小，系统默认的缓存大小是3M，如果我们的lookup 数据比较大，就需要设定合适的缓存大小，否则会严重影响lookup 的性能。

图 6. DataSet 缓存设置

点击查看大图

Sort Stage

Parallel Sort stage 的行为类似于Sql 中的order by，但是比order by 提供了更多的选项。在job 中，Sort stage 接收一个输入link 并产生一个输出link。对于写过sql order by 或者排序程序的开发人员使用Sort Stage 的基本功能应该是很简单的，但是要充分发挥Parallel stage 的强大功能，我们还是需要注意下面几点：

?并行还是串行执行，如果选择串行执行，那么Sort stage 的行为就类似于Server Job 中的Sort Stage，整个输入数据都会按照设定的排序选项排序，但如果选择分区/ 并行排序，则只有每个分区内的输出是有序的，这在有些情况下是可以接受的，但在另外一些情况下会导致代码缺陷，需要根据sort 的后续操作做出选择。

?如果有可能，尽量在数据源端的数据库中进行排序，这样不但会提高数据排序的效率，还能大大减少job 对内存，I/O 的压力。Sort stage 只有在接收完输入之后才能完成排序，进而输出数据，使得job 的后续stage 都处于等待状态。

?类似于order by 后面的字段列表，我们可以指定排序的方向，是升序还是降序，Sort Stage 也可以指定对多个字段进行排序，排在前面的column 称为主排序字段，如果排序字段中有某一个或几个字段已经是有序的，我么也可以指定其为有序，这样在排序的时候就可以提高排序的效率。

?稳定排序（stable sort）/ 允许重复，stable sort 默认是yes，这样如果两条记录sort key 相同的话，排序的输出和输入顺序将是相同的，如果没有选择允许重复，两条或者多条记录的sort key 相同的话，将只保留一条记录。

?限制内存的使用，数据的排序操作是非常耗费内存的，如果不加限制，让所有的数据的排序都在内存中完成的话，job 的其他操作或者其他job 的执行的效率将受到严重影响，所有在Sort Stage 中，我们可以设定此排序可以使用的最大内存数（M），这样我们在可以接受的排序效率和使用的内存数量之间找到平衡点。

Compare/Difference/Change Capture Stage

Compare, Difference 和 Change Capture Stage 是 Parallel job 中三个用于比较数据集合异同的 stage ，对于这三个 stage 本身的使用没有太多困难的地方，基本的参数和设置都很简明直观，我们的介绍主要集中在这三个 stage 在使用中的相同点和不同点上，一旦了解了这些 stage 的特点，使用的时候不但能根据需求选择正确的 stage ，也能根据 stage 特性知道需要设置哪些参数。

相同点：

?

都有两个输入，产生一个输出，

? 输入的数据主键的字段名相同，都需要指定需要比较的字段。

? 产生的结果数据中都会增加一个整型的结果字段，用于表示两行数据的比较结果 不同点：

?

Capture Change Stage 输出的是以 after 输入流为基础，外加 change code 字段，适合和 change apply 配合使用，把 before 输入流同步为和 after 一样。 ? Difference Stage 的输出是以 before 输入流为基础，外加 change code 字段 ? Compare Stage 产生的结果包括 before 和 after ，以及 change code 字段 下面是一个 Capture Change Stage 的示例：

图 7. Capture Change Stage 的示例

点击查看大图

1 2 Before source Sql: SELECT k,v

FROM (values

3 4 5 6 7 (1,1),(2,2),(3,3),(4,4),(5,5),(6,6),(7,7),(8,8),(9,9),(10,10)) as temp(k,v) order by k asc

After source Sql: SELECT k,v

FROM (values

(1,1),(2,2),(11,11),(4,5),(5,5),(6,6),(7,7),(8,8),(9,9),(10,10)) as temp(k,v) order by k asc 图 8. Capture Change Stage 参数设置

点击查看大图

从以上设置可以看到，我们选择了明确指定主键，剩余 column 都当作 value ，对于比较的结果，如果结果相同，则从结果中删除，也就是我们只希望看到对 Before 数据做 Delete ，Edit ，和 insert 后产生的差异，下图是我们 job 运行得到的结果：

图 9. Comparsion 结果

从以上的结果可以看到，before 和 after 数据有三处差异，change_code 的值对应为 2，3，1。分别表示对 before 执行 Delete ，Update ，Insert 产生的差异。

要同步这些差异，我们只需要对before 数据执行相应的Delete，Update 和Insert 即可实现两个数据集合的同步。

Filter Stage

Filter Stage 顾名思义是一个用于过滤的Stage，其作用类似于我们写sql 中的where 子句，而且其支持的逻辑表达式和运算符也类似于sql 语句的where 子句，比如，在filter stage 中，我们可以使用以下常见的逻辑表达式和运算符以及其组合,

?true 和false

?六个比较运算符: =, <>, <, >, <=, >=

?is null 和is not null

?like 和between

从其语法作用上看，则类似于java 或者 C 语言中的switch case 语句，我们可以通过设置“Output Row Only Once”选项的值来决定是否在每个case when 子句后面是否添加break，通过添加或者删除“Reject Link”来确定是否添加一个

default 子句. 下面是一个简单的例子。展示了我们如何通过员工编号和薪水的组合条件来过滤员工的记录到不同的结果文件的。

图10. Filter Stage 的示例

点击查看大图

图11. Filter Stage 的设置

点击查看大图

对于每一个where 条件，我们需要设置相应的输出链接，这是一个整型数字，我们可以在“Link Ordering”页签上找到输出链接的编号和名称之间的对应关系。

另外需要注意的一点是，Filter Stage 不对输入的记录做任何改动，只做分发。

但是你可以手动设置输出的column，使得每个输出的column 列表不一样，但只要是输入column 列表的子集即可，但是对于Reject Link, Column 列表是默认完全等同于输入的，且不可更改。

用于调试的Stages

我们知道DataStage Server Job 中提供了Debug 功能，我们在开发过程中遇到问题的时候可以让Job 运行在debug 模式下，仔细查看每行数据在Job 中各个Stage 之间的流动和转换情况，但Parallel Job 并没有给我们提供调试功能，但Parallel Job 用另外一种方式提供了调试的能力：Parallel Job 内置了用于调试的Stage，使用这些Stage，我们可以按照我们的需要，把我们怀疑有问题的中间数据输出，进而可以深入查找问题的根源。在Parallel Job 中提供了以下的Stage 用于调试：

?Head Stage

?Tail Stage

?Sample Stage

?Peek Stage

?Row Generator Stage

?Column Generator Stage

我们以一个 peek 的实例展示一下 development/debug Stage 的使用，其他的 Stage 的用法类似，可以参见后面的表格和文档。如下图是我们的 Job ，DB2 Stage 的 Source Sql 如下：

1 2 3 SELECT k,v FROM (values

(1,1),(2,2),(3,3),(4,4),(5,5),(6,6),(7,7),(8,8),(9,9),

(10,10),(11,11),(12,12),(13,13),(14,14),(15,15),(16,16),(17,17),(18,18),(19,19),(20,20) )

as temp(k,v) 图 12. Peek Job

的示例

点击查看大图

图 13. Peek Stage 的设置

点击查看大图

图14. Peek 的结果

点击查看大图

下表简述了这些Stage 的特点和用法表 1. Stage 的特点和用法

Stage 类型用途

Head Stage 从头部开始抓取输入流的数据一个输入一个输出

Tail Stage 抓取输入流尾部的N 行数据一个输入一个输出

Sample Stage 一个输入，多个输出根据设置的策略从输入流的各个分区抓取数据，每个输出的百分比设置

Peek Stage 从一个数据流中有选择地“偷窥”流经的数据，一个输入，两个输出，一个输出输入数据，一个输出生成一个文本，包含“偷窥到的数据”

Row Generator

Stage 根据定义的数据schema，生成模拟数据，无需输入，一个输出

Column Generator

Stage 在一个输入流上添加新的column，为这些新添加的或原有的column 生成模Sequence Job

如果说每个个Server Job 或Parallel Job 完成ETL 流程中的一个数据抽取，转

换，加载的子过程的话，那么Sequence Job 的作用就是把这些子过程给串联起

来，形成一个完整的全局的ETL 过程。从结构上看，一个Sequence Job 类似

于一个C 或者Java 语言的一个函数，但功能更为强大。

可以使用UserVariables Activity Stage 定义局部变量，变量在定义的时候需要赋值，赋值表达式可以是系统变量，Job 参数，Datastage 的宏，常量，Routine 的

返回结果等，还可以是这些单独变量的条件，数学或者字符串运算后的结果。几乎你在一个函数中能完成的局部变量定义的功能这儿都能实现。下面的示例定义了六个变量。

?可以调用其他的功能模块，通过Job Activity Stage 可以调用Server Job，Parallel Job；通过Execute Command Stage 调用unix/windows cmd，通过Routine

Activity 支持调用datastage routine。

?支持循环，Sequence Job 通过StartLoop Activity Stage 和EndLoop Activity Stage 提供了循环的功能。循环变量可以是基于起始值，结束值和步长的整数循环，也可以基于给定的列表进行循环，还可以把这些循环中的临时变量传递给每个具体的循环步骤。在StartLoop Activity Stage 和EndLoop Activity Stage 之间，可以加入任意多个的

?支持逻辑运算，Nested Condition Stage 支持类似switch 的逻辑，Sequencer Stage 支持与和或的逻辑运算，通过这些Stage 的组合，可以支持任意复杂的逻辑控制。

?支持email 通知，使用Notification Stage，在job 运行成功，失败或者满足其他设定条件时，Sequence Job 可以发送一封或者多封的通知邮件，使我们可以更方便地监控Job 的运行状态，邮件的内容可以包含job 的运行状态，当前的参数等等，凡是可以在User Variables Stage 中引用的变量都可以包含在邮件中，同时还可以包含我们指定的文件和Sequence Job 的运行状态等。

?支持错误处理和现场清理，使用Terminator Activity Stage 和Exception Handler Stage，我们可以定义需要处理的错误，并在错误发生的使用根据定义的策略停止不必要的Job 运行。

?通过Wait for File Activity Stage 可以支持等待时间，我们可以定义只有某个信号文件出现或者消失的时候才开始启动Wait for File Activity Stage 后续的执行。

下面的图展示了一个简单的Sequence Job，在Job 的开始，我们定义一组变量，这些变量在我们循环和发送通知邮件的时候将会被引用。然后利用Job 参数

yearlist 开始循环，每一个循环里面我们调用一次Job extract_trans, 如果这个job 调用执行不成功，我们就发邮件通知Job 运行失败，否则进入下一个循环，在循环结束后，发邮件通知Sequence Job 运行成功

图15. Job 全景

点击查看大图

图16. 定义的变量

点击查看大图

图17. StartLoop Stage 的定义

点击查看大图

图18. Job Activity Triggers 定义

点击查看大图

总结

Server Job 和Parallel Job 是Datastage 中最重要的两种Job，Server Job 使用简单，容易上手，但不具有内置的并行执行功能；Parallel Job 提供了更丰富的特性和Stage 供使用，更为重要的是它提供了内置的并行机制，使开发人员不必关心具体的并行执行问题，在大数据量的条件下能随着硬件的增加几乎线性地提高性能。Sequence 则为开发人员提供了对ETL 流程精细的控制能力，同时，它也使得Server Job 和Parallel Job 能集成在一起，各司其职，形成完美的配合。