Un problema comune che le organizzazioni devono affrontare è come raccogliere dati da più origini, in più formati. Successivamente, è necessario spostare i dati in uno o più archivi dati. La destinazione potrebbe non essere lo stesso tipo di archivio dati dell'origine. Spesso il formato è diverso o è necessario modificare la forma dei dati o pulirli prima di caricarli nella destinazione finale.
Nel corso degli anni sono stati sviluppati diversi strumenti, servizi e processi per far fronte a queste problematiche. Indipendentemente dal processo usato, la necessità comune è quella di coordinare le attività e applicare un certo livello di trasformazione dei dati all'interno della pipeline di dati. Le sezioni seguenti illustrano i metodi comuni usati per eseguire queste attività.
Processo di estrazione, trasformazione, caricamento (ETL)
extract, transform, load (ETL) è una pipeline di dati usata per raccogliere dati da varie origini. Trasforma quindi i dati in base alle regole business e li carica in un archivio dati di destinazione. Le operazioni di trasformazione nella pipeline ETL vengono eseguite in un motore specializzato e spesso comportano l'uso di tabelle di staging per archiviare temporaneamente i dati che vengono trasformati e infine caricati nella rispettiva destinazione.
La trasformazione dei dati che solitamente si verifica include diverse operazioni, ad esempio il filtro, l'ordinamento, l'aggregazione, il join dei dati, la pulizia dei dati, la deduplicazione e la convalida dei dati.
Spesso le tre fasi ETL vengono eseguite in parallelo per ridurre i tempi necessari. Ad esempio, mentre i dati vengono estratti, può essere avviato un processo di trasformazione dei dati già ricevuti, che devono essere preparati per il caricamento. Inoltre, può essere avviato un processo di caricamento dei dati preparati, anziché attendere il completamento dell'intero processo di estrazione.
Servizio di Azure pertinente:
Altri strumenti:
Estrazione, caricamento, trasformazione (ELT)
Estrazione, caricamento, trasformazione (ELT) differisce esclusivamente da ETL in cui viene eseguita la trasformazione. Nella pipeline ELT la trasformazione si verifica nell'archivio dati di destinazione. Per trasformare i dati, anziché usare un motore di trasformazione separato, vengono usate le funzionalità di elaborazione dell'archivio dati di destinazione. Rimuovendo il motore di trasformazione dalla pipeline, l'architettura risulta estremamente semplificata. Un altro vantaggio offerto da questo approccio è il ridimensionamento dell'archivio dati di destinazione, che determina anche un miglioramento delle prestazioni della pipeline ELT. Tuttavia, ELT funziona in modo ottimale solo quando il sistema di destinazione è abbastanza potente da trasformare i dati in modo efficiente.
Casi d'uso tipici di ELT sono quelli che rientrano nell'ambito dei Big Data. Ad esempio, è possibile iniziare estraendo tutti i dati di origine in file flat nell'archiviazione scalabile, ad esempio un file system distribuito Hadoop, un archivio BLOB di Azure o Azure Data Lake Gen 2 (o una combinazione). È quindi possibile usare tecnologie come Spark, Hive o PolyBase per eseguire query sui dati di origine. Il punto chiave di ELT è che l'archivio dati usato per eseguire la trasformazione è lo stesso in cui i dati vengono alla fine utilizzati. Questo archivio dati esegue le operazioni di lettura direttamente dalla risorsa di archiviazione scalabile, anziché caricare i dati in una risorsa di archiviazione proprietaria. Questo approccio consente di ignorare la fase di copia dei dati presente nella pipeline ETL, che per i set di dati di grandi dimensioni può spesso essere un'operazione molto dispendiosa in termini di tempo.
In pratica, l'archivio dati di destinazione è un data warehouse che usa un cluster Hadoop (con Hive o Spark) oppure pool dedicati di SQL in Azure Synapse Analytics. In generale, in fase di query uno schema viene sovrapposto ai dati dei file flat e archiviato come tabella, consentendo di eseguire query sui dati come qualsiasi altra tabella dell'archivio dati. Queste tabelle vengono definite tabelle esterne perché i dati non risiedono nell'archiviazione gestita dall'archivio dati stesso, ma in alcune risorse di archiviazione scalabili esterne, ad esempio Azure Data Lake Store o Archiviazione BLOB di Azure.
L'archivio dati gestisce solo lo schema dei dati e lo applica in lettura. Ad esempio, un cluster Hadoop con Hive può descrivere una tabella Hive in cui l'origine dati è effettivamente un percorso di un set di file in HDFS. In Azure Synapse, PolyBase può ottenere lo stesso risultato, creando una tabella sui dati archiviati esternamente nel database stesso. Dopo il caricamento dei dati di origine, i dati presenti nelle tabelle esterne possono essere elaborati usando le funzionalità dell'archivio dati. Negli scenari di Big Data questo significa che l'archivio dati deve essere capace di eseguire un'elaborazione parallela elevata (MPP), durante la quale i dati vengono suddivisi in blocchi più piccoli e l'elaborazione di tali blocchi viene distribuita tra più nodi in parallelo.
La fase finale della pipeline ELT è costituita in genere dalla trasformazione dei dati di origine in un formato finale più efficiente per i tipi di query che devono essere supportati. Ad esempio, i dati possono essere partizionati. Inoltre, la pipeline ELT può usare formati di archiviazione ottimizzati come Parquet, che archivia i dati basati su righe in colonne e fornisce un'indicizzazione ottimizzata.
Servizio di Azure pertinente:
- Pool di SQL dedicati in Azure Synapse Analytics
- Pool di SQL serverless in Azure Synapse Analytics
- HDInsight con Hive
- Azure Data Factory
- Datamarts in Power BI
Altri strumenti:
Flusso di dati e flusso di controllo
Nell'ambito delle pipeline di dati, il flusso di controllo assicura l'elaborazione ordinata di un set di attività. Per applicare il corretto ordine di elaborazione di queste attività, vengono usati i vincoli di precedenza. È possibile considerare questi vincoli come connettori in un diagramma di flusso di lavoro, come illustrato nell'immagine seguente. Ogni attività fornisce un risultato, ad esempio operazione riuscita, operazione non riuscita o completamento. Qualsiasi attività successiva viene avviata solo quando quella precedente è terminata con uno dei risultati indicati.
I flussi di controllo eseguono i flussi di dati come un'attività. In un'attività Flusso di dati i dati vengono estratti da un'origine, trasformati o caricati in un archivio dati. L'output di un'attività Flusso di dati può costituire l'input per l'attività Flusso di dati successiva e i flussi di dati possono essere eseguiti in parallelo. A differenza di quanto previsto per i flussi di controllo, non è possibile aggiungere vincoli tra le attività di un flusso di dati. Tuttavia, è possibile aggiungere un visualizzatore per osservare i dati che vengono elaborati da ogni attività.
Nel diagramma precedente sono presenti diverse attività all'interno del flusso di controllo, ognuna della quali è un'attività Flusso di dati. Una delle attività è nidificata all'interno di un contenitore. È possibile usare i contenitori per fornire alle attività una struttura o un'unità di lavoro. Un esempio di questo tipo è costituito dagli elementi ripetitivi all'interno di una raccolta, ad esempio i file di una cartella o le istruzioni di un database.
Servizio di Azure pertinente:
Altri strumenti:
Scelte di tecnologia
- Scelta di un archivio dati OLTP in Azure
- Scelta di un archivio dati OLAP in Azure
- Data warehouse
- Orchestrazione di pipeline
Passaggi successivi
- Integrare i dati con Azure Data Factory o la pipeline di Azure Synapse
- Introduzione ad Azure Synapse Analytics
- Orchestrare lo spostamento e la trasformazione dei dati in Azure Data Factory o nella pipeline di Azure Synapse
Risorse correlate
L'architettura di riferimento seguente illustra le pipeline ELT end-to-end in Azure: