一個風(fēng)雨交加的晚上，領(lǐng)導(dǎo)把我拉到會議室說：老影啊，公司接到一個項目，需要在3個月里完成一個大數(shù)據(jù)平臺的開發(fā)，用于項目的交付，這個任務(wù)交給你了，加油搞！此刻的我：搞？搞事情啊~~~。由此我開始了數(shù)據(jù)平臺的“闖關(guān)之路”，遇到的第一個boss就是數(shù)據(jù)集成系統(tǒng)......

01

什么是數(shù)據(jù)集成？

百科里的解釋是：把不同來源、格式、特點性質(zhì)的數(shù)據(jù)在邏輯上或物理上有機(jī)地集中，從而為企業(yè)提供全面的數(shù)據(jù)共享；通俗講就是把分散在各個系統(tǒng)中的各種類型的數(shù)據(jù)統(tǒng)一匯聚起來，主要體現(xiàn)在一個“集”字。

而數(shù)據(jù)集成系統(tǒng)就是提供數(shù)據(jù)集成能力的平臺，是一站式解決異構(gòu)數(shù)據(jù)存儲互通，消除數(shù)據(jù)孤島的同步平臺，為大數(shù)據(jù)各系統(tǒng)和業(yè)務(wù)方提供數(shù)據(jù)集成的高效通道 。

拿現(xiàn)實中的實例類比來說，數(shù)據(jù)集成就好比把各種糧食通過不同的管道灌輸?shù)揭粋€大糧倉中，這些管道就是數(shù)據(jù)集成系統(tǒng)，我們可以支持接入各式各樣的糧食，小麥、玉米、大豆等等，同時支持在這些管道中加一些濾網(wǎng)，比如在大豆的管道中加上5mm的濾網(wǎng)，此時從大豆管道過來的糧食只有5mm以下的大豆，這就相當(dāng)于數(shù)據(jù)集成系統(tǒng)中的數(shù)據(jù)過濾功能；這個糧倉相當(dāng)于集成目的，我們把數(shù)據(jù)集成進(jìn)來之后存儲在這里，供其他各方消費(fèi)。

02

教育為什么要做數(shù)據(jù)集成？

2.1 數(shù)據(jù)大爆炸

現(xiàn)在是一個信息大爆炸時代，互聯(lián)網(wǎng)的高速發(fā)展、迅速普及，讓信息無處不在、無孔不入，每天在我們所生活在的這個世界出現(xiàn)了大量的信息，教育場景下也不例外，隨著各種信息化系統(tǒng)的涌入，信息以空前的速度增長，教育從業(yè)者體驗著信息時代便捷的同時，也給他們帶來了問題和“副作用”，從浩如煙海的信息海洋中迅速而準(zhǔn)確地獲取他們最需要的信息，變得非常困難。

2.2 數(shù)據(jù)來源多樣化

隨著《教育信息化2.0行動計劃》的提出，教學(xué)過程中的信息化系統(tǒng)越來越多，比如作業(yè)系統(tǒng)、考試系統(tǒng)、選課系統(tǒng)、智慧課堂等等，每個系統(tǒng)都會產(chǎn)生大量的數(shù)據(jù)，存儲在各自的數(shù)據(jù)庫中，如果系統(tǒng)的服務(wù)商不同，可能數(shù)據(jù)的格式也不一樣，致使教育場景下的數(shù)據(jù)越來越多，越來越難以管理。

2.3 數(shù)據(jù)集不同結(jié)構(gòu)

教育場景下的數(shù)據(jù)集可能是結(jié)構(gòu)化的、半結(jié)構(gòu)化的，甚至非結(jié)構(gòu)化的；比如：考試系統(tǒng)中的數(shù)據(jù)是結(jié)構(gòu)化的，評價系統(tǒng)中的數(shù)據(jù)是半結(jié)構(gòu)化的，課堂實錄中的數(shù)據(jù)是非結(jié)構(gòu)化的；不同結(jié)構(gòu)的數(shù)據(jù)需要整合成統(tǒng)一的結(jié)構(gòu)才能夠進(jìn)行統(tǒng)計和分析。

2.4 數(shù)據(jù)冗余

數(shù)據(jù)中有很多冗余、錯誤、敏感數(shù)據(jù)，如果不進(jìn)行數(shù)據(jù)清洗，會影響數(shù)據(jù)分析的效率和結(jié)果；在這種情況下需要我們配置統(tǒng)一的標(biāo)準(zhǔn)，對數(shù)據(jù)進(jìn)行簡單的處理，以便于后續(xù)進(jìn)行統(tǒng)計分析。

03

數(shù)據(jù)集成系統(tǒng)對教育的價值是什么？

大數(shù)據(jù)技術(shù)能夠?qū)㈦[藏于海量數(shù)據(jù)中的信息和知識挖掘出來，按照科學(xué)的教育評價準(zhǔn)則，對教學(xué)數(shù)據(jù)進(jìn)行科學(xué)的統(tǒng)計分析，提供有價值的教學(xué)質(zhì)量測評與分析數(shù)據(jù)，實現(xiàn)對教育活動，教育過程和教育結(jié)果的價值評判，為提高教育質(zhì)量，教育決策以及學(xué)校改進(jìn)日常教學(xué)方法提供科學(xué)的依據(jù)，實現(xiàn)教育管理的智能化，提升教育管理與服務(wù)水平。

數(shù)據(jù)集成系統(tǒng)作為底層基礎(chǔ)支撐性服務(wù)，是大數(shù)據(jù)系統(tǒng)的核心組成部分。通過提供數(shù)據(jù)集成能力，將教育各部門和來自互聯(lián)網(wǎng)的結(jié)構(gòu)化和非結(jié)構(gòu)化的數(shù)據(jù)進(jìn)行統(tǒng)一的匯聚接入，存儲到大數(shù)據(jù)存儲組件，并支持?jǐn)?shù)據(jù)的預(yù)處理，為大數(shù)據(jù)系統(tǒng)提供原始數(shù)據(jù)支撐。

04

數(shù)據(jù)集成系統(tǒng)怎么做？

4.1 建設(shè)原則

• 數(shù)據(jù)采集系統(tǒng)針對實際項目中復(fù)雜的、異構(gòu)的數(shù)據(jù)環(huán)境，實現(xiàn)對多種數(shù)據(jù)源的集成，支持的關(guān)系數(shù)據(jù)庫有Oracle、MySQL、Sqlserver等，支持的文件類型有txt文件、csv文件、excel文件等，支持的接口類型有webservice接口、http接口、socket接口等。
• 對于不同的大數(shù)據(jù)存儲需求，實現(xiàn)對多種大數(shù)據(jù)存儲組件的支持，支持的大數(shù)據(jù)存儲組件包括HDFS、HBase、Hive、Solr、Elasticserach等。
• 針對數(shù)據(jù)的預(yù)處理需求，實現(xiàn)對數(shù)據(jù)的清洗、轉(zhuǎn)換、標(biāo)準(zhǔn)化等預(yù)處理的支持，并且支持清洗規(guī)則、轉(zhuǎn)換規(guī)則的用戶自定義，以及清洗、轉(zhuǎn)換、導(dǎo)入流程的用戶自定義。
• 在數(shù)據(jù)采集系統(tǒng)中，各類功能點模塊化、組件化，便于步驟獨(dú)立，保證系統(tǒng)內(nèi)部模塊自治，同時便于多種步驟、方法的組合應(yīng)用。
• 簡化用戶操作，通過圖形化的配置方式，簡單，靈活，使得用戶無需過分關(guān)心數(shù)據(jù)庫的各種內(nèi)部細(xì)節(jié)，而專注于功能。

4.2 數(shù)據(jù)集成信息框架

數(shù)據(jù)集成信息流

4.3 功能結(jié)構(gòu)

為了快速實現(xiàn)數(shù)據(jù)集成系統(tǒng)，滿足后續(xù)項目交付，經(jīng)過和研發(fā)大佬的多次溝通，優(yōu)先實現(xiàn)為業(yè)務(wù)提供數(shù)據(jù)集成的能力的數(shù)據(jù)源管理和集成任務(wù)管理。明確了第一版需求，只要包含數(shù)據(jù)源管理和集成任務(wù)管理就可以支持項目交付，因此功能結(jié)構(gòu)設(shè)計如下：

數(shù)據(jù)集成系統(tǒng)功能結(jié)構(gòu)圖

4.4 建設(shè)內(nèi)容

4.4.1 數(shù)據(jù)源管理

數(shù)據(jù)源模塊主要管理平臺支持的數(shù)據(jù)組件的基礎(chǔ)信息，包含各種數(shù)據(jù)組件的新增，配置和管理，如關(guān)系型數(shù)據(jù)庫的數(shù)據(jù)庫IP，端口，訪問信息等。這里大家可以理解為一個中間層，先通過數(shù)據(jù)抽取組件將各系統(tǒng)數(shù)據(jù)抽取到這里，以備后續(xù)集成任務(wù)管理模塊的調(diào)用。

• 在這里可以對數(shù)據(jù)源進(jìn)行增刪改查
• 前提是需要和數(shù)據(jù)來源方溝通好，需要提供數(shù)據(jù)庫ip相關(guān)信息
• 下方是頁面示例：

數(shù)據(jù)源管理列表

4.4.2 集成任務(wù)管理

當(dāng)用戶創(chuàng)建好數(shù)據(jù)源之后，需要有一個模塊支持用戶創(chuàng)建集成任務(wù)，相當(dāng)于上文中講到的，上游的所有糧食都準(zhǔn)備好了，需要我們提供搭建管道的地方，讓用戶把所有的管道搭起來，然后把各種糧食都匯聚到一起。此時集成任務(wù)管理模塊誕生了，這個模塊下主要對數(shù)據(jù)集成的任務(wù)進(jìn)行統(tǒng)一的管理，支持用戶對數(shù)據(jù)集成任務(wù)進(jìn)行增刪改查.

（1）操作列表功能

• 上線：

  集成任務(wù)完成創(chuàng)建狀態(tài)默認(rèn)為未上線，此時用戶可將集成任務(wù)上線，上線為就緒狀態(tài)；

• 運(yùn)行：

  上線狀態(tài)下的任務(wù)支持運(yùn)行，運(yùn)行自動調(diào)用任務(wù)執(zhí)行組件，開始數(shù)據(jù)集成；

• 下線：

  已上線的任務(wù)支持下線；

• 刪除：

  未上線和已下線的任務(wù)支持刪除；

• 編輯：

  未上線和已下線的任務(wù)支持編輯。

（2）任務(wù)運(yùn)行

• 集成任務(wù)創(chuàng)建好之后，如果需要周期性的拉取數(shù)據(jù)，這時候需要支持進(jìn)行例行周期配置，支持用戶配置定時任務(wù)；
• 同時支持用戶進(jìn)行失敗策略、任務(wù)執(zhí)行優(yōu)先級等相關(guān)參數(shù)的配置。

4.4.3 新增集成任務(wù)

為了方便用戶填寫，支持用戶選擇不同的數(shù)據(jù)源類型，數(shù)據(jù)接口類型不同，需要配置的參數(shù)信息也不同；但是總體來說數(shù)據(jù)集成主要分為三步：

• 數(shù)據(jù)接入：

  回答數(shù)據(jù)從哪來的問題；

• 數(shù)據(jù)處理：

  回答對數(shù)據(jù)要做什么的問題；

• 數(shù)據(jù)輸出：回答數(shù)據(jù)要到哪去的問題。

下方以將第三方數(shù)據(jù)庫數(shù)據(jù)集成到hive中為例舉例說明。選擇數(shù)據(jù)庫之后，頁面進(jìn)入數(shù)據(jù)集成任務(wù)配置頁，三個步驟依次如下：

（1）數(shù)據(jù)接入

主要配置數(shù)據(jù)源相關(guān)信息，需要用戶填寫數(shù)據(jù)源表相關(guān)信息：

• 數(shù)據(jù)源：

  數(shù)據(jù)集群相關(guān)信息；

• 數(shù)據(jù)庫：

  源數(shù)據(jù)存儲數(shù)據(jù)庫；

• 是否分表：

  如果分表存儲需要從多個表抽取數(shù)據(jù)；

• 表名：

  源數(shù)據(jù)所在表名；

• 數(shù)據(jù)歸屬產(chǎn)品/系統(tǒng)：

  這部分?jǐn)?shù)據(jù)在目錄管理系統(tǒng)維護(hù)，這里直接引用；

• 數(shù)據(jù)預(yù)覽：

  支持用戶對所選表進(jìn)行預(yù)覽，查看數(shù)據(jù)格式。

（2）數(shù)據(jù)處理

到在數(shù)據(jù)集成過程中會對數(shù)據(jù)進(jìn)行預(yù)處理，考慮到后續(xù)的擴(kuò)展性，這里直接將各種處理步驟提煉為公共組件，支持用戶自定義選擇，第一期可支持：字段映射過濾、賬號匹配、數(shù)據(jù)脫敏、數(shù)據(jù)轉(zhuǎn)換；

為了節(jié)省操作，數(shù)據(jù)處理默認(rèn)以字段映射過濾開始，自動選擇一項，用戶可直接點擊下一步。

（3）數(shù)據(jù)輸出

此時的數(shù)據(jù)經(jīng)過預(yù)處理，已經(jīng)完成了清洗、轉(zhuǎn)換的操作，接下來就需要將處理完的數(shù)據(jù)存下來，以備后續(xù)使用。

05

數(shù)據(jù)集成結(jié)束后做什么？

下面以學(xué)生畫像的思路和大家簡單聊聊。

通過從各個系統(tǒng)中采集過來的數(shù)據(jù)，包含但不限于：學(xué)生上網(wǎng)數(shù)據(jù)、網(wǎng)頁瀏覽時長、作業(yè)完成數(shù)據(jù)、作業(yè)完成時長、課堂互動數(shù)據(jù)等等，幫助學(xué)校管理者針對學(xué)生群體進(jìn)行標(biāo)簽化分析。幫助教育管理者從學(xué)習(xí)，網(wǎng)絡(luò)行為，生活等多維度分析學(xué)生群體的習(xí)慣和特點，為學(xué)校實現(xiàn)個性化培養(yǎng)教育提供數(shù)據(jù)支撐。