数据采集与 ETL

ETL（Extract → Transform → Load）是批处理数据管道的经典模式；现代栈也常写 ELT（先加载到数仓再 SQL 转换）。本课建立批处理采集的设计直觉。

学习目标

• 理解 Extract / Transform / Load 各阶段职责
• 掌握全量、增量、快照等批处理模式
• 能设计一个从 MySQL 到 staging 表的日常任务

ETL 三阶段

Extract   — 从源系统读（JDBC、API、文件、日志）
Transform — 清洗、类型统一、去重、业务规则
Load      — 写入 staging / warehouse / mart

阶段	常见坑
Extract	源库压力大、漏增量水位
Transform	时区、NULL、重复键
Load	非幂等重跑导致重复行

幂等是批处理第一原则：同一 DAG 跑两次，结果应与跑一次一致（MERGE / DELETE+INSERT 分区）。

批处理模式

模式	适用	示例
全量刷新	小维表	每日覆盖 dim_track
增量追加	大事实表	WHERE updated_at >= yesterday
快照	历史对比	每日用户余额快照
拉链表	缓慢变化	课程价格历史（见 de-modeling）

Extract 实现方式

# 伪代码：JDBC 增量拉取
watermark = get_last_run("tracks_etl")
df = pd.read_sql(
    "SELECT * FROM cf_track WHERE updated_at > %s",
    conn, params=[watermark]
)
load_to_staging(df, "stg_tracks")
set_last_run("tracks_etl", max(df.updated_at))

生产环境常用 Airflow Operator 或 Fivetran/Airbyte 托管；本站练习可 Python + cron，编排见下一课。

Transform 放在哪

策略	优点	工具
ETL（管道内 Python/Spark）	源端减压	pandas, Spark
ELT（数仓内 SQL）	利用数仓算力	dbt, 原生 SQL

CodeRoadMap 规模下 ELT + dbt 足够；海量日志再考虑 Spark。

与路线图的关系

• /roadmaps/data-engineer — ETL / Batch 节点
• de-orchestration — 调度 Airflow
• /tracks/sql-essentials — Load 后的 SQL 转换

练习

• 为 cf_track 设计增量 ETL：列出 Extract SQL 与 staging 表字段
• 说明任务失败重跑时如何避免重复数据
• 对比 ETL 与 ELT，各写一条适用场景

小结

Extract 要轻、Transform 要准、Load 要幂等；批处理是数仓的主粮。 下一课用 Airflow/dbt 编排这些步骤。