在数据库管理技术中，提取、转换、加载(ETL)操作扮演了一个非常重要的角色。根据实际的操作需求，DBA可以通过ETL手段对客户数据有一个全方位的掌控。有一些人认为，ETL只是简单地将数据从多个源系统中提取出来，然后在加载到数据仓库中进行转换和集成。但是在实际操作当中，ETL要比想象的复杂许多，因此DBA需要对它有一个熟练的掌握。本文就将介绍关于ETL的几点注意事项，希望引起您的足够重视。

　　良好的ETL中断重启功能

　　试想这样一个情况，你需要对19个数据加载进行转换，而由于某些原因在进行到第9个的时候发生了中断，那么再进行转换的时候你肯定不希望重头再来一遍。所以当遭遇操作中断的时候，能够从中断点继续进行操作的功能是十分必要的。如果ETL操作受阻，报表将得不到及时的更新，导致的结果就是管理人员只能从陈旧的数据中做出决策，想必这是所有人都不愿意看到的。

　　要解决上述问题，你需要建立一个“记录点”机制。如果任务被迫中断，你可以在记录点上继续完成任务，这有点像过关游戏中的“checkpoint”。因此，在选择ETL解决方案的时候，这样的功能应该是最优先考虑的选项之一。

　　另外，你还可以利用C语言等编写一个中断处理程序，这个程序将存储ETL操作的进程，它会记录故障点，然后再任务重新开启之前寻找到正确的位置。一个重要的准则，就是数据移动的速度究竟有多快。在这一点上，当评估ETL工具的时候，还需要考虑性能级别和重启功能。

　　管理快速变更的数据集

　　为能够顺利运行ETL操作，你所选择的工具应该拥有以下几个功能：

• 处理海量数据；能够将数据以最快地速度从一个地方转移到另一个地方。
• 实时监测交易的变更，并对数据进行同步。
• 能够处理多种数据类型，包括文本、非结构化数据等。
• 利用多处理进行分布式操作以及并行处理。

　　任何一款自动化ETL工具都必须能够提供最低级别的块复制功能，并拥有非常好的快速变更数据集管理特性。

　　针对大数据，为Hadoop/Hive/PIG架构建立一个沙箱。你需要有一个轮廓清晰的策略，在这基础上，新一代的大数据架构能够同之前的系统并存。你还需要对团队进行大数据技术培训，以应对新的ETL挑战。或者直接招募新的技术人员，对大数据处理有相关经验的员工，也可以免去一些培训的繁琐任务。

　　将数据加载到个体数据集市

　　在没有一个集中化的数据库情况下，拥有数据模板是非常重要的。它们是标准化的接口，每一个个体或者部门数据集市都能够填充。确保你的ETL工具有这样的功能，能够扩展到一个数据仓库平台，将信息从一个数据集市流动到下一个。