ETL是BI的重要组成部分。我们先看一下在WIKI中的定义：

ETL，是英文Extract-Transform-Load的缩写，即填充、更新数据仓库的数据抽取、转换、装载的过程。这是实现BI之前的数据采集步骤。这一步骤完成之后，对库中数据的数据挖掘、分析处理才可以进行。

对于ETL而言，“是什么”是很容易理解的，也就是将分散的、不易利用的数据进行整理，变成规则清晰的、易于利用的、（可能同时还是）集中的数据。在ETL过程之外，就可以基于报表分析系统、多维分析系统和数据挖掘系统等，进行进一步的数据分析利用。

这一过程可以通过Hard Codding，即编写程序实现，也可以通过各种ETL工具实现。

对于ETL，实际常见的问题有两个：

1、为什么要做ETL，而不是直接利用数据？

这个原因有多种多样，比如可能原始数据量太大，需要加以提炼；可能业务数据的服务器面临性能压力，不希望分析工作影响性能；可能源数据的异构性和低质量，需要加以规范；还有可能有些数据直接利用起来有困难，例如SAP系统中的数据。

2、不同ETL工具与方法的差异主要是什么？

由于ETL是一个可以用Hard Codding并不大困难就可以实现的过程，因此很容易会问“为什么要用ETL工具”。实际上，Hard Codding也是一种可供选择ETL方法，而各种工具与方法主要的差异在于两点，一是设计与建立ETL过程的复杂度，比如有些工作用工具可以很快建立和修改、调试，而写程序要花很大力气，有些工作则配置ETL工具很费力，还不如直接写一个SQL，不同的工具之间也有很大的差异；二是运行时的效率，有些 ETL工作，要经常进行，有些则是初始时进行一次，有些数据量大、时效要求高，有些则反之。这样，在不同情况下，就可能需要根据运行效率的需要选择合适的 ETL工具。

从上我们可以得出，ETL的必要性与适用性，同时，也可以认识到，ETL是一个概念，应该根据实际的情况与需要，选择（包括不使用）合适的ETL工具或方法。

引自：中国商业智能网

睿金(ReiKing) ETL功能：

    历史数据迁移：实现历史遗留数据的重用，将历史数据迁移到新的目标数据库中。
   数据同步：实现分布的数据库中数据的上传、下载，保证分布数据库中的数据的一致性。
   数据合并：实现不同应用的数据库中的个性化数据到统一结构的数据库中的数据的合并，包括清洗、转换等操作。
    数据交换：实现分布的数据库和集中的数据库之间的交互。包括数据集中、数据分发、格式转化等。
    数据仓库：实现将分散的数据集中到统一的数据仓库中，并建立统一的数据模型来存储。包括：数据的上传、转换、将处理后的结果装载到事实表中，结合维度表形成数据立方。供OLAP分析、报表、预测等BI应用使用
    数据联邦：保存数据源的映射关系，数据仍在原系统中存储，主要满足数据的实时处理、统一结构视图等需要。

转载自：http://www.reiking.com.cn/products/etl/introduction-etl.html

       该SOA平台具有很好的开放性和可管理性。具有如下特点：
   “插座式”架构，SOA思路，支持组件化设计。
    统一接口。统一数据接口、统一处理接口、统一界面接口、统一管理接口等
    可管理的分布式处理。支持分布式协作和集中管理。
    一体化核心组件，内置消息引擎、服务引擎、工作流引擎、规则引擎等，并无缝协作。
    支持动态变化规则。规则中可以含有变量。

转载至：http://www.reiking.com.cn