ETL - rozważania luźne

Jako że od wielu lat "siedzę" w branży Business Intelligence, mam po drodze do czynienia z najprzeróżniejszymi, czasem dość ciekawymi zagadnieniami, składającymi się na ową tajemniczą "Inteligencję".

Dziś opiszę - proszę się nie obawiać, tylko po łebkach i ogólnikowo - co udało mi się niedawno zaobserwować przy okazji ładowania dużych ilości danych XML do hurtowni.

Otóż jakiś czas temu - będzie z rok, a może trochę mniej - zbudowałem dla jednego z moich klientów proces, który najpierw, w pętli, ściąga ze strony internetowej zewnętrznego dostawcy dużo plików XML (za pomocą webservice), a następnie ładuje każdy z tych plików do warstwy STAGE hurtowni danych, gdzie następnie podlegają one dalszej obróbce.

Jak załadować plik XML do tabeli?

Podejście, jakie oryginalnie przyjąłem, było takie, że w pakiecie SSIS utworzyłem sobie (za pomocą skryptu C#.NET) pętlę iterującą po wszystkich plikach XML w folderze z bieżącej sesji, następnie każdy z tych plików wczytywałem (za pomocą innego skryptu C#.NET) do zmiennej tekstowej, której potem używałem w wywołaniu procedury TSQL ładującej te dane do tabeli na serwerze. Interpretacja XML-a odbywa się już wewnątrz procedury TSQL. I działało to całkiem zgrabnie.

Ostatnio jednak, przy całkiem innej okazji, natrafiłem na ten oto artykuł:

http://www.sqlservercentral.com/articles/SQLCLR/65656/

Jest tam przedstawiona prościutka funkcja CLR listująca zawartość folderu. Skopiowałem ją sobie i zacząłem kombinować, do czego by jej użyć.

Okazuje się, że można za jej pomocą bardzo sprawnie ładować dane z plików tekstowych bezpośrednio do bazy SQL, z całkowitym pominięciem technologii SSIS!

Innymi słowy, najpierw listujemy sobie wszystkie pliki, potem - używając OPENROWSET(BULK...) - ładujemy zawartość każdego pliku do lokalnej zmiennej typu XML, a na koniec wyodrębniamy z tej zmiennej wszystkie niezbędne elementy danych i zapisujemy je do docelowej tabeli.

Okazuje się, że takie podejście poskutkowało - w moim konkretnym przypadku - prawie dziesięciokrotnym przyspieszeniem ładowania danych. Zaskoczenie moje było wielkie, bo przecież nie wprowadziłem tu jakiejś jakościowej zmiany - ot, pozbyłem się tylko jednej technologii z łańcucha zdarzeń. Spodziewałem się maksymalnie dwukrotnego przyspieszenia (bo zamiast mieć dwie kopie zmiennej w pamięci, teraz mam tylko jedną) - a tu masz ci los, zamiast 12 plików na minutę teraz ładuje mi się prawie 100.

Dziwny świat...


2
Dodaj komentarz

avatar
1 Comment threads
1 Thread replies
0 Followers
 
Most reacted comment
Hottest comment thread
1 Comment authors
Butter Recent comment authors
  Subscribe  
najnowszy najstarszy oceniany
Powiadom o
Butter
Gość
Butter

Tak sobie przypomniałem moje stare zabawy [20040 - wyciąganie xml z maili ;). Taką komunikację miałem z Energisem. XP_ rulez WHILE @STATUS = 0 BEGIN EXEC @STATUS = MASTER..XP_FINDNEXTMSG @MSG_ID = @MESSAGE_ID OUTPUT IF @NEWEST_MAIL = '' AND @MESSAGE_ID '' SET @NEWEST_MAIL = @MESSAGE_ID IF @MESSAGE_ID @TOP_MAIL BEGIN EXEC MASTER..XP_READMAIL @MSG_ID = @MESSAGE_ID, @TYPE = @TYPE OUTPUT, @SUBJECT =@SUBJECT OUTPUT, @MESSAGE = @MESSAGE OUTPUT, @ORIGINATOR_ADDRESS =@ORIGINATOR OUTPUT -- IF @SUBJECT = 'ZADANIA_ToIP' AND @MESSAGE LIKE '%|[Deimos- mod:El]%' ESCAPE '|' BEGIN SELECT 'PROCESSING: '+@MESSAGE_ID [INFO] EXEC MASTER..SP_XML_PREPAREDOCUMENT @IMSG OUTPUT, @MESSAGE UPDATE USL_WYK_TEL_INFO SET --REM BY MCI: TI_TOIP_DANE = @GW_DEF+'', TI_TOIP_GATEWAY_USER = NULL, TI_TOIP_GATEWAY_DATE = NULL, TI_TOIP_DATA_COMPLET = NULL, TOIPMAILRET_ID = SEQ_ANS_NR, TI_WYP = '[RET_ID='+SEQ_ANS_NR+']' FROM OPENXML(@IMSG, '/TELEFONY[@WERSJA="1"]/TEL',0) WITH(NR VARCHAR(20) '@NR' , PORT VARCHAR(255) '@PORT', LINK VARCHAR(255) '@LINK', SEQ_NR VARCHAR(255) '@SEQ_NR', SEQ_ANS_NR VARCHAR(10) '../@SEQ_ANS_NR') MS INNER JOIN USL_WYK_TEL_INFO UI(NOLOCK) ON TI_NUMER_ELNET = NR AND SEQ_NR = TOIPMAIL_ID WHERE SEQ_ANS_NR>= ISNULL(TOIPMAILRET_ID,-1) EXEC MASTER..SP_XML_REMOVEDOCUMENT @IMSG END -- END

Butter
Gość
Butter

mała errata : 20040 --> 2004.

%d bloggers like this: