从数据民工到数据白领蜕变之旅（六）-将Python的能力嫁接到SSIS

前一篇推文中，给大家演示了在SSIS上使用dotNET脚本，实现一些原生SSIS难以实现的功能，并冠以无限可能的说法。

对部分非dotNET的人群来说，难以发挥到自身的知识储备能力，此篇郑重地为大家宣布，所有大家过去的知识，都能为SSIS所用。

此篇演示python脚本帮助数据清洗工作，成为SSIS流程中的一部分，同理其他语言其他工具亦可以完成，只要有最终输出即可供SSIS使用。

充分复用python的现有优势

python的确是一门非常优秀的编程语言，特别是在数据领域，网络爬虫、数据处理、分析等方面都是非常强劲。

估计现在许多做数据的朋友们，或多或少也会学习一下python，学深一门语言花费大，入门一门语言是容易的。

特别是已经掌握了一门现有语言的基础上，再学一门新语言，也是不难，熟悉语法、现有类库、包调用即可。

笔者因喜欢使用现成的微软的工具，在微软的生态里专研得深，产品间的交叉应用场景广，所以学习dotNET是非常不错的投资回报。

若其他朋友的学习路径是python为主，本文可以给python群体一个大大的精喜，在python上做好它最擅长的部分，其余流程交给SSIS现有成熟、简单易用的数据ETL框架来完成，双重优势发挥得淋漓尽致。

演示内容介绍

本文打算使用python进行数据的清洗部分，引用的案例是带笔者入门dotNET的我的师傅的出品案例：清洗一份课程表数据，将其转换为结构化的一维表结构。

我师傅精通dotNET、python等语言，专业程序员，写得代码很规范，很值得学习和关注。

详细文章出处：

https://mp.weixin.qq.com/s/EK63nax5JCur-G2o2QMJNw

数据源结构为：

最终转换的结果：

使用原理介绍

本次使用的是SSIS可以调用处部程序的功能，调用CMD，然后输入参数为 python main.py，启用python并运行main.py这个文件。

以上的前提条件是本机安装好python，并设置好环境变量让CMD可以直接通过敲打python即可启动python程序，根据不同脚本的要求，安装好相应的包，例如本篇是使用pandas作数据清洗，在python中需要安装好pandas包。

从实例数据.xlsx中，经过python脚本的运行，生成一个res.csv的文件。

在SSIS上使用python脚本

在控制流任务中，有【执行进程任务】，拉一个任务到右侧，并双击此任务进行详细配置。

在【处理】选项卡中，放入【Executable】参数为CMD路径，若运行其他程序同理。

在【Arguments】参数中，输入CMD调用的参数，此处输入绝对路径，并且在CMD参数中加上/C开关，表示运行完关闭CMD程序。

在python的路径识别中，需要转换为反斜杠，如：python F:/自媒体相关/其他文章分享/数据ETL/main.py

运行后关闭程序很关键，若自己写出的程序，想直接在【Executable】里运行，最后一步需要将程序自关闭，例如使用dotNET写一些控制台程序。否则最好用CMD来运行所需的程序，再加上/C开关关闭它，让SSIS任务流可以流到下一个任务。

创建好任务后，可以单独执行一个任务，测试最终效果。

此处给大家演示下控制流任务，可以将我们日常许多编程代码的任务，转换为控件拖拉的方式，例设上面py脚本未做防错处理，当已经有res.csv文件存在时，再生成res.csv会报错。此处使用SSIS的【文件系统任务】来完成文件先删除操作。

接下来，我们回到常规任务，将新生成的res.csv文件进行数据抽取并加载到数据库中。

本篇的文件为csv文件，使用【平面文件源】来读取，具体配置自行琢磨下，比【Excel源】要复杂一些，但因其非常常用，很有必要熟悉掌握。

目标我们存到关系数据库中，这样数据的二次利用才更方便，并且数据库的存储数据量也可以得到保障。

最终我们的数据流任务如下图，增加加载时间，方便后期审核。

最终我们的控制流任务如下，完成我们预期的效果，将python清洗好的数据，交给SSIS的后续步骤来调用。

在SSMS上打开目标表，发现数据已经加载成功。

为何不使用一步到位直接python完成或SSIS完成？

在python的群体中，的确熟练使用后，将数据再作一步，直接上传到数据库中，也并非难事。

但对于一个工具型的做事方式来说，为何有现成的工具不用，而转而自己从零开始写代码完成，况且自己写出来的代码，也不会像专业工具考虑得那么周到完善，例如数据上载过程中报错怎样处理？数据上载的性能怎样保证等等，没有足够的专业度是写不出很健壮的代码。

所以若我们可以充分利用好各个工具的最大的优势部分，组合起来使用，每个工具也无需学习太深入，即可完成手头的任务，何乐而不为。

同样的道理，如果用SSIS直接来处理脏乱的数据源，也是一个很痛苦的过程，在dotNET脚本中处理，也没有python现成的pandas这些专业库的数据清洗来得方便。

结语

本篇给大家再次开阔思路，使用现成的SSIS的ETL框架性功能，外加一些其他现成的好用的数据处理工具，强强联合，使我们的数据ETL过程更加容易，也有更大的能力处理更多的复杂场景。

在下一篇中，我们重新回到微软系中，使用SSIS和PowerQuery联合，将轻量化的ETL工具一些好用易用的能力同样嫁接到SSIS中，同时又可以避开此短板部分。敬请关注。

笔者未来聚焦在数据领域的分享，不限于Excel，会分享更多Sqlserver、dotNET、Azure、PowerBI等话题，升级数据分析的能力，欢迎继续关注。*