ETL，是英文 Extract-Transform-Load 的缩写，用来描述将数据从来源端经过萃取（extract）、转置（transform）、加载（load）至目的端的过程。ETL一词较常用在数据仓库，但其对象并不限于数据仓库。
详细的ETL流程
从底层向上看
- 所有的数据都来源于业务系统、埋点，日志，但是这些数据很多是用不到的。比如我只需要分析上个月的不同地区、不同年龄段人群的平均下单金额，那么就不需要非相关的数据了。
- 所以第二步，我们只需要抽取需要的数据，这个过程即ETL，抽取我们需要的数据作为备份数据，这个过程是实时的，数据的结构与业务系统一致，可以说是完全一摸一样。我们把这个备份数据叫做ODS数据层。
这里其实是有些小问题的，比如某用户下单了，我们实时的存进ODS，但是过了一个小时，他又退单了，这个时候如何做呢，可以直接修改ODS吗？是不行的，为什么？因为ODS一般是用hadoop去做的，那么修改所耗费的资源很大，数据量很多的时候就会很消耗资源。哪怕不是用hadoop的技术去实现的，比如MongoDB，修改的话也是很麻烦。所以一般都用折中的方式，在每写一个数据时，都会添加额外的时间维度、时间刻度，数据来源。这里的ETL需要实时抽取。 - DW层 数据模型层 抽取到ODS后，一般采用每天统一做处理，将数据根据分析目的去做一个数据集市、或者数据仓库（多个数据集市联合）。
数据集市（模型层）由事实表和维度度构成，建立事实部和维度表之后，数据集市或者数据仓库就初步建成了，接下来需要对这些数据做汇聚就行了。
数据中心整体架构：
- DB 是现有的数据来源(也称各个系统的元数据)，可以为mysql、SQLserver、文件日志等，为数据仓库提供数据来源的一般存在于现有的业务系统之中。
- ETL的是 Extract-Transform-Load 的缩写，用来描述将数据从来源迁移到目标的几个过程：
- Extract，数据抽取，也就是把数据从数据源读出来。
- Transform，数据转换，把原始数据转换成期望的格式和维度。如果用在数据仓库的场景下，Transform也包含数据清洗，清洗掉噪音数据。
- Load 数据加载，把处理后的数据加载到目标处，比如数据仓库。
- ODS(Operational Data Store) 操作性数据，是作为数据库到数据仓库的一种过渡，ODS的数据结构一般与数据来源保持一致，便于减少ETL的工作复杂性，而且ODS的数据周期一般比较短。ODS的数据最终流入DW。
- DW (Data Warehouse)数据仓库，是数据的归宿，这里保持这所有的从ODS到来的数据，并长期保存，而且这些数据不会被修改。
- DM(Data Mart) 数据集市,为了特定的应用目的或应用范围，而从数据仓库中独立出来的一部分数据，也可称为部门数据或主题数据。面向应用。
