共用方式為


模糊查閱轉換

適用於: SQL Server Azure Data Factory 中的 SSIS Integration Runtime

「模糊查閱」轉換會執行資料清除工作,例如標準化資料、更正資料及提供遺漏值。

注意

如需模糊查閱轉換 (包括效能和記憶體限制) 的詳細資訊,請參閱 Fuzzy Lookup and Fuzzy Grouping in SQL Server Integration Services 2005(SQL Server Integration Services 2005 中的模糊查閱和模糊群組) 白皮書。

「模糊查詢」轉換與「查閱」轉換的不同之處在於其使用模糊比對。 「查閱」轉換使用等聯結 (Equi-Join),在參考資料表中尋找相符的資料錄。 它會傳回至少有一項相符資料錄的資料錄,以及傳回沒有任何相符資料錄的資料錄。 相反地,「模糊查閱」轉換會使用模糊比對,傳回參考資料表中的一個或多個相近相符項目。

在封裝資料流程中,「模糊查閱」轉換經常在「查閱」轉換後發生。 首先,「查閱」轉換會嘗試尋找完全相符項目。 如果找不到,「模糊查閱」轉換會提供參考資料表中的相近相符項目。

轉換需要存取包含用於清除和擴充輸入資料之值的參考資料來源。 參考資料來源必須是 SQL Server 資料庫中的資料表。 輸入資料行中的值與參考資料表中的值之間的比對可能是完全相符或模糊相符。 不過,轉換至少需要一個資料行相符,才能設定進行模糊比對。 如果只想要使用完全比對,請改為使用「查閱」轉換。

此轉換有一個輸入和一個輸出。

只有具有 DT_WSTRDT_STR 資料類型的資料行可用於模糊比對。 完全比對可使用任何 DTS 資料類型,但 DT_TEXTDT_NTEXTDT_IMAGE除外。 如需詳細資訊,請參閱 Integration Services 資料類型。 參與輸入與參考資料表之間聯結的資料行必須具有相容的資料類型。 例如,將具有 DTS DT_WSTR 資料類型之資料行聯結到具有 SQL Server Nvarchar 資料類型的資料行為有效,但將具有 DT_WSTR 資料類型之資料行聯結到具有 int 資料類型的資料行則為無效。

您可以指定最大記憶體數量、資料列比較演算法,以及轉換使用的索引和參考資料表快取,以自訂此轉換。

您可以透過設定 MaxMemoryUsage 自訂屬性來設定模糊查閱轉換所使用的記憶體數量。 您可以指定百萬位元組 (MB) 數,或是使用 0 值,讓轉換依據其需求與可用實體記憶體,使用動態的記憶體數量。 屬性運算式可以在載入封裝時更新 MaxMemoryUsage 自訂屬性。 如需詳細資訊,請參閱 Integration Services (SSIS) 運算式在套件中使用屬性運算式轉換自訂屬性

控制模糊比對行為

「模糊查閱」轉換包含三種用於自訂其所執行之查閱的功能:每個輸入資料列傳回的相符項目上限、Token 分隔符號,以及相似度臨界值。

轉換會傳回零或多個相符項目,最多可傳回指定的相符項目數。 指定相符項目上限並不會保證轉換傳回最大數目的相符項目,而只會保證轉換最多傳回該數目的相符項目。 如果您將相符項目上限設為大於 1 的值,則每個查閱的轉換輸出可能會包含一個以上的資料列,且部分資料列可能是重複的。

轉換會提供用於 Token 化資料的預設分隔符號集,但您可以加入 Token 分隔符號,以符合資料的需要。 Delimiters 屬性包含預設分隔符號。 Token 化是十分重要的,這是因為它會定義資料內相互比較的單位。

相似度臨界值可在元件和聯結層級進行設定。 僅當轉換在輸入和參考資料表中的資料行之間執行模糊比對時,聯結層級相似度臨界值才可用。 相似度範圍是從 0 到 1。 臨界值愈接近 1,資料列和資料行就愈近似於重複項目。 透過在元件和聯結層級設定 MinSimilarity 屬性,可以指定相似度臨界值。 為滿足在元件層級指定的相似度,所有資料列之所有相符項目的相似度都必須大於或等於在元件層級指定的相似度臨界值。 也就是說,您無法在元件層級指定非常相近的相符,除非資料列或聯結層級的相符具有相同的相似度。

每個相符都包括相似度分數和信心分數。 相似度分數是輸入資料錄與「模糊查閱」轉換從參考資料表傳回之資料錄之間文字相似度的數學量值。 信心分數是指特定值在參考資料表眾多相符項目中為最相符項目之可能性的量值。 指派給資料錄的信心分數會視傳回的其他相符資料錄而定。 例如,比對 St.Saint 會傳回較低的相似度分數,無論其他相符項目為何。 如果 Saint 是傳回的唯一相符項目,則信心分數會很高。 如果 SaintSt. 都在參考資料表中,則 St. 的信心較高,而 Saint 的信心較低。 不過,高相似度可能並不意味著高信心。 例如,如果您是在查閱值 Chapter 4,則所傳回的結果 Chapter 1Chapter 2Chapter 3 都會具有很高的相似度分數,但信心分數卻都較低,原因是並不清楚結果中的哪一個項目是最相符的項目。

相似度分數由介於 0 與 1 之間的十進位值表示,其中相似度分數 1 表示輸入資料行中的值與參考資料表中的值之間完全相符。 信心分數也是介於 0 與 1 之間的十進位值,它表示對相符的信心。 如果找不到可用的相符項目,則會將相似度和信心分數 0 指派給資料列,且從參考資料表複製的輸出資料行將包含 Null 值。

有時,「模糊查閱」在參考資料表中可能找不到適當的相符項目。 如果查閱中使用的輸入值是單一短字,則可能會發生這種狀況。 例如,如果該資料行或資料列的任何其他資料行中沒有其他 Token,則 helo 與參考資料表中的值 hello 不相符。

轉換輸出資料行包括標示為傳遞資料行的輸入資料行、在查閱資料表中選取的資料行,以及下列其他資料行:

  • _Similarity,描述輸入與參考資料行中值之間相似度的資料行。

  • _Confidence,描述相符品質的資料行。

轉換會使用 SQL Server 資料庫連線,以建立模糊比對演算法所使用的暫存資料表。

執行模糊查閱轉換

當封裝首次執行轉換時,轉換會複製參考資料表、將具有整數資料類型的索引鍵加入新資料表,並在索引鍵資料行上建立索引。 接著,轉換會在參考資料表的副本上建立索引,稱為相符索引。 相符索引會將值的 Token 化結果儲存在轉換輸入資料行中,轉換接著會在查閱作業中使用該 Token。 相符索引是 SQL Servre 資料庫中的資料表。

當封裝再次執行時,轉換可使用現有的相符索引,也可建立新索引。 如果參考資料表是靜態的,則封裝可以避免發生費時的程序,以便為資料清除的重複工作階段重建索引。 如果選擇使用現有的索引,則該索引是在封裝首次執行時建立的。 如果多個「模糊查閱」轉換使用相同的參考資料表,則它們都可使用同一索引。 若要重複使用索引,查閱作業必須是相同的,且查閱必須使用相同的資料行。 您可以命名索引,並選取儲存索引之 SQL Server 資料庫的連線。

如果轉換儲存相符索引,則該相符索引可自動維護。 這表示每次更新參考資料表中的資料錄時,也會更新相符索引。 維護相符索引可節約處理時間,因為封裝執行時無需重建索引。 您可以指定轉換如何管理相符索引。

下表描述相符索引選項。

選項 描述
GenerateAndMaintainNewIndex 建立、儲存並維護新索引。 轉換會在參考資料表上安裝觸發程序,以讓參考資料表與索引資料表同步。
GenerateAndPersistNewIndex 建立並儲存新索引,但不對其進行維護。
GenerateNewIndex 建立新索引,但不對其進行儲存。
ReuseExistingIndex 重複使用現有的索引。

相符索引資料表的維護

GenerateAndMaintainNewIndex 選項會在參考資料表上安裝觸發程序,讓相符索引資料表與參考資料表同步。 如果您必須移除已安裝的觸發程序,則必須執行 sp_FuzzyLookupTableMaintenanceUnInstall 預存程序,並提供 MatchIndexName 屬性中指定的名稱作為輸入參數值。

在執行 sp_FuzzyLookupTableMaintenanceUnInstall 預存程序之前,您不應刪除所維護的相符索引資料表。 一旦刪除相符索引資料表,參考資料表上的觸發程序就無法再正確執行。 參考資料表的所有後續更新都將失敗,直到您手動卸除參考資料表上的觸發程序為止。

SQL TRUNCATE TABLE 命令不會叫用 DELETE 觸發程序。 如果在參考資料表上使用 TRUNCATE TABLE 命令,則參考資料表和相符索引將不再同步,且「模糊查閱」轉換會失敗。 在參考資料表上安裝維護相符索引資料表的觸發程序時,您應該使用 SQL DELETE 命令,而不是 TRUNCATE TABLE 命令。

注意

當您在 [模糊查閱轉換編輯器][參考資料表] 索引標籤上選取 [維護儲存的索引]時,轉換會使用具名預存程序來維護索引。 這些 Managed 預存程序會使用 SQL Server 中的 Common Language Runtime (CLR) 整合功能。 根據預設,不會啟用 SQL Server 中的 CLR 整合功能。 若要使用 [維護儲存的索引] 功能,您必須啟用 CLR 整合。 如需詳細資訊,請參閱 Enabling CLR Integration

因為 [維護儲存的索引] 選項需要 CLR 整合,因此只有當您在已啟用 CLR 整合的 SQL Server 執行個體上選取參考資料表時,這項功能才有效。

資料列比較

設定模糊查閱轉換時,您可以指定轉換在參考資料表中尋找相符記錄時所使用的比較演算法。 如果您將 Exhaustive 屬性設為 True,則轉換會比較輸入中的每一個資料列與參考資料表中的每一個資料列。 此比較演算法可產生更精確的結果,但很可能會讓轉換的執行速度更慢,除非參考資料表中的資料列數目較小。 如果將 Exhaustive 屬性設為 True,則會將整個參考資料表載入記憶體。 為避免效能問題,建議僅在封裝開發期間將 Exhaustive 屬性設為 True

如果 Exhaustive 屬性設定為 False,模糊查閱轉換只會傳回至少具有一個與輸入記錄相同之已索引 Token 或子字串 (此子字串稱為 q-gram) 的相符項目。 為了達到最高的查閱效率,模糊查閱轉換只會在它用來尋找相符項目的反向索引結構中,檢索資料表內每個資料列中的一個 Token 子集。 如果輸入資料集很小,您可以將 Exhaustive 設定為 True ,以免遺漏在索引資料表中沒有通用 Token 的相符項目。

索引和參考資料表的快取

設定「模糊查閱」轉換時,您可以指定在轉換執行其工作之前,是否在記憶體中部分快取索引和參考資料表。 如果將 WarmCaches 屬性設為 True,則會將索引和參考資料表載入記憶體。 當輸入中的資料列較多時,將 WarmCaches 屬性設為 True 可改進轉換的效能。 當輸入資料列的數目較小時,將 WarmCaches 屬性設為 False 可以讓重複使用大型索引的速度更快。

暫存資料表和索引

在執行階段,「模糊查閱」轉換會在轉換連線到的 SQL Server 資料庫中建立暫存物件,例如資料表和索引。 這些暫存資料表和索引的大小,與參考資料表中的資料列和 Token 數目,以及「模糊查閱」轉換所建立的 Token 數目成正比,因此它們會佔用相當大的磁碟空間。 轉換還會查詢這些暫存資料表。 因此,您應該考量將「模糊查閱」轉換連線到 SQL Server 資料庫的非生產執行個體,特別是當生產伺服器的可用磁碟空間十分有限時。

如果此轉換所使用的資料表和索引在本機電腦上,則轉換的效能會有所改進。 如果「模糊查閱」轉換所使用的參考資料表在生產伺服器上,則應考量將資料表複製到非生產伺服器,並設定「模糊查閱」轉換存取該副本。 如此一來,您就可避免查閱查詢耗用生產伺服器上的資源。 此外,如果「模糊查閱」轉換維護相符索引 (也就是說,如果將 MatchIndexOptionsis 設為 GenerateAndMaintainNewIndex),則轉換可能會在資料清除作業期間鎖定參考資料表,以防止其他使用者和應用程式存取該資料表。

設定模糊查閱轉換

您可以透過 SSIS 設計師或以程式設計方式設定屬性。

如需有關可以在 [進階編輯器] 對話方塊中或以程式設計方式設定之屬性的詳細資訊,請按下列其中一個主題:

如需如何設定資料流程元件屬性的詳細資訊,請參閱 Set the Properties of a Data Flow Component(設定資料流程元件的屬性)。

模糊查閱轉換編輯器 (參考資料表索引標籤)

使用 [模糊查閱轉換編輯器] 對話方塊的 [參考資料表] 索引標籤,指定來源資料表和用於查閱的索引。 參考資料來源必須是 SQL Server 資料庫中的資料表。

注意

模糊查閱轉換會建立參考資料表的工作副本。 下面描述的索引是使用特殊資料表,而非使用一般 SQL Server 索引在此工作資料表上建立的。 除非您選取 [維護儲存的索引],否則轉換不會修改現有的來源資料表。 在此情況下,它會在參考資料表上建立觸發程序,以根據參考資料表的變更來更新工作資料表和查閱索引資料表。

注意

[模糊查閱轉換編輯器] 中無法使用模糊查閱轉換的 ExhaustiveMaxMemoryUsage屬性,但可使用 [進階編輯器]來設定這兩個屬性。 此外,只有在 [進階編輯器] 中,才可指定大於 100 的 MaxOutputMatchesPerInput值。 如需有關這些屬性的詳細資訊,請參閱< Transformation Custom Properties>的「模糊查閱轉換」一節。

選項。

[無快取]
從清單中選取現有的 OLE DB 連線管理員,或按一下 [新增] 來建立新連線。

新增
使用 [設定 OLE DB 連接管理員] 對話方塊來建立新的連接。

產生新的索引
指定轉換應建立新的索引以用來查閱。

參考資料表名稱
選取要用來作為參考 (查閱) 資料表的現有資料表。

儲存新的索引
如果您要儲存新的查閱索引,請選取此選項。

新增索引名稱
如果您已選擇要儲存新的查閱索引,請輸入該索引的描述性名稱。

[維護儲存的索引]
如果您已選擇要儲存新的查閱索引,請指定是否也要 SQL Server 維護該索引。

注意

當您在 [模糊查閱轉換編輯器][參考資料表] 索引標籤上選取 [維護儲存的索引]時,轉換會使用具名預存程序來維護索引。 這些 Managed 預存程序會使用 SQL Server 中的 Common Language Runtime (CLR) 整合功能。 根據預設,不會啟用 SQL Server 中的 CLR 整合功能。 若要使用 [維護儲存的索引] 功能,您必須啟用 CLR 整合。 如需詳細資訊,請參閱 Enabling CLR Integration

因為 [維護儲存的索引] 選項需要 CLR 整合,因此只有當您在已啟用 CLR 整合的 SQL Server 執行個體上選取參考資料表時,這項功能才有效。

使用現有的索引
指定轉換應使用現有的索引來查閱。

現有索引的名稱
從清單中選取先前建立的查閱索引。

模糊查閱轉換編輯器 (資料行索引標籤)

使用 [模糊查閱轉換編輯器] 對話方塊的 [資料行] 索引標籤,即可設定輸入與輸出資料行的屬性。

選項。

可用的輸入資料行
拖曳輸入資料行,即可將資料行連接到可用的查閱資料行。 這些資料行必須擁有相符的、支援的資料類型。 在 [ 建立關聯性 ] 對話方塊中選取對應行,並以滑鼠右鍵按一下來編輯對應。

名稱
檢視可用輸入資料行的名稱。

通過
指定是否在轉換的輸出中包含輸入資料行。

可用的查閱資料行
使用核取方塊即可選取要執行模糊查閱作業的資料行。

查閱資料行
從可用的參考資料表資料行清單中選取查閱資料行。 您的選取項目會反映在 [可用的查閱資料行] 資料表的核取方塊選取項目中。 選取 [可用的查閱資料行] 資料表中的資料行會建立輸出資料行,其中包含傳回的每個相符資料列的參考資料表資料行值。

輸出別名
輸入每個查閱資料行之輸出的別名。 預設值為附加數值索引值之查閱資料行的名稱;不過,您也可以選擇任何唯一的、描述性名稱。

模糊查閱轉換編輯器 (進階索引標籤)

使用 [模糊查閱轉換編輯器] 對話方塊的 [進階] 索引標籤,即可設定模糊查閱的參數。

選項。

每次查閱輸出的相符項目上限
指定轉換針對每一個輸入資料列,可以傳回的相符項目上限。 預設為 1

相似度臨界值
使用滑桿設定元件層級的相似度臨界值。 此值越接近 1,查閱值與來源值的相似度必須越接近才能認定為相符。 增加臨界值可改善比對速度,因為需要考慮的候選記錄越少。

Token 分隔符號
指定轉換用來 Token 化資料行值的分隔符號。

另請參閱

查閱轉換
模糊群組轉換
Integration Services 轉換