ETL系列-数据抽取（Extract）

博客园 - 每天进步多一点

ETL系列-数据抽取（Extract）

每天进步多一点 · 2025-11-29 · via 博客园 - 每天进步多一点

1、数据抽取：确定数据源，定义数据接口，选择数据抽取方法（主动抽取或由源系统推送）。
2、数据清洗：处理不完整数据、错误数据、重复数据等，确保数据的准确性和一致性。（是数据转换的一部分）
3、数据转换：进行空值处理、数据标准统一、数据拆分、数据验证、数据替换和数据关联等操作。
4、规则检查：根据业务需求进行数据质量和业务规则的校验。
5、数据加载：将数据缓冲区的数据加载到目标数据库或数据仓库中，可能是全量加载或增量加载。

全量抽取
- 特点：一次性抽取所有数据，适合数据量较小或首次抽取的场景。
- 实现方式：直接查询整个表或读取整个文件。
增量抽取
- 特点：仅抽取发生变化的数据，适合数据量较大且需要频繁更新的场景。
- 常用技术：
- 时间戳：通过记录最后更新时间来抽取新增或修改的数据。
- CDC（Change Data Capture）：通过数据库日志或触发器捕获数据变化

数据库抽取
- mysql、oracle等
文件抽取
- 读取文件：使用文件读取库（如csv）。
API 抽取
- HTTP 请求：使用 HTTP 客户端库（如 requests）发送请求，获取 API 返回的数据。
消息队列抽取
- 订阅消息：使用消息队列客户端（如 Kafka Consumer）订阅消息并获取数据。

Apache NiFi
- 特点：提供可视化界面，支持实时和批量数据抽取，内置多种数据源连接器（如数据库、API、文件系统等）。
- 适用场景：适合需要实时数据流处理的场景，支持复杂的数据路由和转换逻辑。
Apache Kafka

特点：分布式流处理平台，支持高吞吐量的实时数据抽取和传输。
适用场景：适合需要实时数据流处理的场景，常与 Spark Streaming 或 Flink 结合使用。

Talend Open Studio

特点：提供图形化界面，支持多种数据源（如数据库、文件、API）的抽取，支持代码生成。
适用场景：适合中小型项目，支持快速开发和部署。

Apache Sqoop

特点：专门用于在 Hadoop 和关系型数据库之间传输数据，支持增量抽取。
适用场景：适合大数据场景，尤其是 Hadoop 生态系统的数据抽取。

Logstash

特点：主要用于日志数据的抽取和传输，支持多种输入和输出插件。
适用场景：适合日志数据的实时抽取和处理。

一、数据抽取的场景

假设我们需要从以下三个数据源中抽取数据：

MySQL 数据库：抽取用户表（users）中的数据。
CSV 文件：抽取一个包含订单信息的文件（orders.csv）。
API：从一个公开的 API 中抽取天气数据。

二、数据抽取的实现

1. 从 MySQL 数据库抽取数据

工具：Python + pymysql 或 SQLAlchemy。
步骤：
1. 连接数据库。
2. 执行 SQL 查询。
3. 将查询结果保存到 DataFrame 或文件中。

import pandas as pd
from sqlalchemy import create_engine

# 数据库连接配置
db_config = {
    'host': 'localhost',
    'user': 'root',
    'password': 'password',
    'database': 'test_db'
}

# 创建数据库连接
engine = create_engine(f"mysql+pymysql://{db_config['user']}:{db_config['password']}@{db_config['host']}/{db_config['database']}")

# 执行 SQL 查询
query = "SELECT * FROM users"  # 假设 users 表包含 id, name, age 字段
df_users = pd.read_sql(query, engine)

# 输出结果
print("从 MySQL 抽取的用户数据：")
print(df_users)

2. 从 CSV 文件抽取数据

工具：Python + pandas。
步骤：
1. 读取 CSV 文件。
2. 将数据加载到 DataFrame 中。

import pandas as pd

# 读取 CSV 文件
df_orders = pd.read_csv('orders.csv')  # 假设 orders.csv 包含 order_id, user_id, amount 字段

# 输出结果
print("从 CSV 文件抽取的订单数据：")
print(df_orders)

3. 从 API 抽取数据

工具：Python + requests。
步骤：
1. 发送 HTTP 请求到 API。
2. 解析返回的 JSON 数据。
3. 将数据保存到 DataFrame 中。

import requests
import pandas as pd

# API 配置
api_url = "https://api.weatherapi.com/v1/current.json"
api_key = "your_api_key"  # 替换为你的 API Key
params = {
    'key': api_key,
    'q': 'Beijing'  # 查询北京的天气
}

# 发送 HTTP 请求
response = requests.get(api_url, params=params)
data = response.json()  # 解析 JSON 数据

# 将数据保存到 DataFrame
weather_data = {
    'location': data['location']['name'],
    'temperature': data['current']['temp_c'],
    'condition': data['current']['condition']['text']
}
df_weather = pd.DataFrame([weather_data])

# 输出结果
print("从 API 抽取的天气数据：")
print(df_weather)

三、完整代码示例

以下是整合了上述三种数据抽取方式的完整代码：

import pandas as pd
from sqlalchemy import create_engine
import requests

# 1. 从 MySQL 数据库抽取数据
def extract_from_mysql():
    # 数据库连接配置
    db_config = {
        'host': 'localhost',
        'user': 'root',
        'password': 'password',
        'database': 'test_db'
    }
    # 创建数据库连接
    engine = create_engine(f"mysql+pymysql://{db_config['user']}:{db_config['password']}@{db_config['host']}/{db_config['database']}")
    # 执行 SQL 查询
    query = "SELECT * FROM users"
    df_users = pd.read_sql(query, engine)
    return df_users

# 2. 从 CSV 文件抽取数据
def extract_from_csv():
    df_orders = pd.read_csv('orders.csv')
    return df_orders

# 3. 从 API 抽取数据
def extract_from_api():
    api_url = "https://api.weatherapi.com/v1/current.json"
    api_key = "your_api_key"  # 替换为你的 API Key
    params = {
        'key': api_key,
        'q': 'Beijing'
    }
    response = requests.get(api_url, params=params)
    data = response.json()
    weather_data = {
        'location': data['location']['name'],
        'temperature': data['current']['temp_c'],
        'condition': data['current']['condition']['text']
    }
    df_weather = pd.DataFrame([weather_data])
    return df_weather

# 主函数
if __name__ == "__main__":
    # 抽取数据
    df_users = extract_from_mysql()
    df_orders = extract_from_csv()
    df_weather = extract_from_api()

    # 输出结果
    print("从 MySQL 抽取的用户数据：")
    print(df_users)
    print("\n从 CSV 文件抽取的订单数据：")
    print(df_orders)
    print("\n从 API 抽取的天气数据：")
    print(df_weather)

四、运行结果

假设数据如下：

MySQL 用户表：

1 Alice 25 2 Bob 30

id	name	age

CSV 订单文件：

101 1 100.0 102 2 200.0

order_id	user_id	amount

API 天气数据：

Beijing 20.0 Sunny

location	temperature	condition

运行代码后，输出如下：

从 MySQL 抽取的用户数据：
   id   name  age
0   1  Alice   25
1   2    Bob   30

从 CSV 文件抽取的订单数据：
   order_id  user_id  amount
0       101        1   100.0
1       102        2   200.0

从 API 抽取的天气数据：
  location  temperature condition
0  Beijing         20.0     Sunny

五、总结

数据抽取是 ETL 流程的第一步，通常涉及从多种数据源（如数据库、文件、API）中提取数据。通过 Python 和相关库（如 pandas、SQLAlchemy、requests），可以轻松实现数据抽取任务。你可以根据实际需求扩展这个例子，比如支持增量抽取、处理异常情况等。希望这个例子对你有帮助！

此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。原文来自 — 版权归原作者所有。

推荐订阅源

博客园 - 每天进步多一点

一、数据抽取的场景

二、数据抽取的实现

1. 从 MySQL 数据库抽取数据

2. 从 CSV 文件抽取数据

3. 从 API 抽取数据

三、完整代码示例

四、运行结果

五、总结