數(shù)據(jù)集成指的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，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。如何做好一個數(shù)據(jù)集成系統(tǒng)呢？本文作者對此進行了分析，一起來看一下吧。

一個風雨交加的晚上，領導把我拉到會議室說：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、特點性質的數(shù)據(jù)在邏輯上或物理上有機地集中，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，比如在大豆的管道中加上5mm的濾網，此時從大豆管道過來的糧食只有5mm以下的大豆，這就相當于數(shù)據(jù)集成系統(tǒng)中的數(shù)據(jù)過濾功能；這個糧倉相當于集成目的，我們把數(shù)據(jù)集成進來之后存儲在這里，供其他各方消費。

02 教育為什么要做數(shù)據(jù)集成？

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確地獲取他們最需要的信息，變得非常困難。

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。

3. 數(shù)據(jù)集不同結構

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

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)，如果不進行數(shù)據(jù)清洗，會影響數(shù)據(jù)分析的效率和結果；在這種情況下需要我們配置統(tǒng)一的標準，對數(shù)據(jù)進行簡單的處理，以便于后續(xù)進行統(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)技術能夠將隱藏于海量數(shù)據(jù)中的信息和知識挖掘出來，按照科學的教育評價準則，對教學數(shù)據(jù)進行科學的統(tǒng)計分析，提供有價值的教學質量測評與分析數(shù)據(jù)，實現(xiàn)對教育活動，教育過程和教育結果的價值評判，為提高教育質量，教育決策以及學校改進日常教學方法提供科學的依據(jù)，實現(xiàn)教育管理的智能化，提升教育管理與服務水平。

數(shù)據(jù)集成系統(tǒng)作為底層基礎支撐性服務，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)網的結構化和非結構化的數(shù)據(jù)進行統(tǒng)一的匯聚接入，存儲到大數(shù)據(jù)存儲組件，并支持數(shù)據(jù)的預處理，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？

1. 建設原則

數(shù)據(jù)采集系統(tǒng)針對實際項目中復雜的、異構的數(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)的預處理需求，實現(xiàn)對數(shù)據(jù)的清洗、轉換、標準化等預處理的支持，并且支持清洗規(guī)則、轉換規(guī)則的用戶自定義，以及清洗、轉換、導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，便于步驟獨立，保證系統(tǒng)內部模塊自治，同時便于多種步驟、方法的組合應用。

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心數(shù)據(jù)庫的各種內部細節(jié)，而專注于功能。

2. 數(shù)據(jù)集成信息框架

數(shù)據(jù)集成信息流

3. 功能結構

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，經過和研發(fā)大佬的多次溝通，優(yōu)先實現(xiàn)為業(yè)務提供數(shù)據(jù)集成的能力的數(shù)據(jù)源管理和集成任務管理。明確了第一版需求，只要包含數(shù)據(jù)源管理和集成任務管理就可以支持項目交付，因此功能結構設計如下：

數(shù)據(jù)集成系統(tǒng)功能結構圖

4. 建設內容

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)組件的基礎信息，包含各種數(shù)據(jù)組件的新增，配置和管理，如關系型數(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)集成任務管理模塊的調用。

在這里可以對數(shù)據(jù)源進行增刪改查，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相關信息，下方是頁面示例：

數(shù)據(jù)源管理列表

2）集成任務管理

當用戶創(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，相當于上文中講到的，上游的所有糧食都準備好了，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。此時集成任務管理模塊誕生了，這個模塊下主要對數(shù)據(jù)集成的任務進行統(tǒng)一的管理，支持用戶對數(shù)據(jù)集成任務進行增刪改查。

①操作列表功能

1. 上線：集成任務完成創(chuàng)建狀態(tài)默認為未上線，此時用戶可將集成任務上線，上線為就緒狀態(tài)；
2. 運行：上線狀態(tài)下的任務支持運行，運行自動調用任務執(zhí)行組件，開始數(shù)據(jù)集成；
3. 下線：已上線的任務支持下線；
4. 刪除：未上線和已下線的任務支持刪除；
5. 編輯：未上線和已下線的任務支持編輯。

數(shù)據(jù)集成任務列表

②任務運行

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

3）新增集成任務

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：

1. 數(shù)據(jù)接入：回答數(shù)據(jù)從哪來的問題；
2. 數(shù)據(jù)處理：回答對數(shù)據(jù)要做什么的問題；
3. 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，頁面進入數(shù)據(jù)集成任務配置頁，三個步驟依次如下：

①數(shù)據(jù)接入

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

1. 數(shù)據(jù)源：數(shù)據(jù)集群相關信息；
2. 數(shù)據(jù)庫：源數(shù)據(jù)存儲數(shù)據(jù)庫；
3. 是否分表：如果分表存儲需要從多個表抽取數(shù)據(jù)；
4. 表名：源數(shù)據(jù)所在表名；
5. 數(shù)據(jù)歸屬產品/系統(tǒng)：這部分數(shù)據(jù)在目錄管理系統(tǒng)維護，這里直接引用；
6. 數(shù)據(jù)預覽：支持用戶對所選表進行預覽，查看數(shù)據(jù)格式。

數(shù)據(jù)接入

②數(shù)據(jù)處理

到在數(shù)據(jù)集成過程中會對數(shù)據(jù)進行預處理，考慮到后續(xù)的擴展性，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)轉換；為了節(jié)省操作，數(shù)據(jù)處理默認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。

數(shù)據(jù)處理

③數(shù)據(jù)輸出

此時的數(shù)據(jù)經過預處理，已經完成了清洗、轉換的操作，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。

數(shù)據(jù)輸出

05 數(shù)據(jù)集成結束后做什么？

下面以學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：學生上網數(shù)據(jù)、網頁瀏覽時長、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，幫助學校管理者針對學生群體進行標簽化分析。幫助教育管理者從學習，網絡行為，生活等多維度分析學生群體的習慣和特點，為學校實現(xiàn)個性化培養(yǎng)教育提供數(shù)據(jù)支撐。

學生畫像整體分為個人畫像和群體畫像：

1）群體畫像

通過對學生行為數(shù)據(jù)和結果數(shù)據(jù)的分析，為每個學生貼上具有行為或思想的特征標簽，并按照群體分類，教育管理者可以查看每個分類的人群特征，并從學校、年級、男女比例等各方面進行群體標簽的分析，幫助學校定位不同標簽人群的特征和規(guī)律，實現(xiàn)精細化管理，同時通過對不同行為數(shù)據(jù)進行閾值設置，及時發(fā)現(xiàn)出現(xiàn)問題的學生，以便進行及時糾偏。

2）個人畫像

通過采集學生各場景數(shù)據(jù)，如學習行為、學習結果、消費信息、飲食信息、運動信息等，綜合分析學生的學習狀態(tài)，全面刻畫學生畫像，幫助教育管理者全方位了解一個學生，通過多維度分析學生的學習習慣和學習動機，逐步實現(xiàn)喊了2000多年的口號“因材施教”。