文檔大綱：

一、數(shù)倉基本概念

1. 數(shù)據(jù)倉庫架構(gòu)

我們?cè)谡剶?shù)倉之前，為了讓大家有直觀的認(rèn)識(shí)，先來談數(shù)倉架構(gòu)，“架構(gòu)”是什么？這個(gè)問題從來就沒有一個(gè)準(zhǔn)確的答案。這里我們引用一段話：在軟件行業(yè)，一種被普遍接受的架構(gòu)定義是指系統(tǒng)的一個(gè)或多個(gè)結(jié)構(gòu)。結(jié)構(gòu)中包括軟件的構(gòu)建（構(gòu)建是指軟件的設(shè)計(jì)與實(shí)現(xiàn)），構(gòu)建的外部可以看到屬性以及它們之間的相互關(guān)系。

這里參考此定義，把數(shù)據(jù)倉庫架構(gòu)理解成構(gòu)成數(shù)據(jù)倉庫的組件及其之間的關(guān)系，畫出下面的數(shù)倉架構(gòu)圖：

數(shù)倉架構(gòu)

上圖中顯示的整個(gè)數(shù)據(jù)倉庫環(huán)境包括操作型系統(tǒng)和數(shù)據(jù)倉庫系統(tǒng)兩大部分。操作型系統(tǒng)的數(shù)據(jù)由各種形式的業(yè)務(wù)數(shù)據(jù)組成，這些數(shù)據(jù)經(jīng)過抽取、轉(zhuǎn)換和裝載（ETL）過程進(jìn)入數(shù)據(jù)倉庫系統(tǒng)。

任何事物都是隨著時(shí)間的演進(jìn)變得越來越完善，當(dāng)然也是越來越復(fù)雜，數(shù)倉也不例外。在數(shù)據(jù)倉庫技術(shù)演化過程中，產(chǎn)生了幾種主要的架構(gòu)方法，包括數(shù)據(jù)集市架構(gòu)、Inmon企業(yè)信息工廠架構(gòu)、Kimball數(shù)據(jù)倉庫架構(gòu)、混合型數(shù)據(jù)倉庫架構(gòu)。這幾種架構(gòu)我們后面再講，接下來看下數(shù)倉的基本概念。

2. 數(shù)據(jù)倉庫概念

英文名稱為Data Warehouse，可簡寫為DW或DWH。數(shù)據(jù)倉庫的目的是構(gòu)建面向分析的集成化數(shù)據(jù)環(huán)境，為企業(yè)提供決策支持（Decision Support）。它出于分析性報(bào)告和決策支持目的而創(chuàng)建。

數(shù)據(jù)倉庫本身并不“生產(chǎn)”任何數(shù)據(jù)，同時(shí)自身也不需要“消費(fèi)”任何的數(shù)據(jù)，數(shù)據(jù)來源于外部，并且開放給外部應(yīng)用，這也是為什么叫“倉庫”，而不叫“工廠”的原因。

1) 基本特征

數(shù)據(jù)倉庫是面向主題的、集成的、非易失的和時(shí)變的數(shù)據(jù)集合，用以支持管理決策。

面向主題:

傳統(tǒng)數(shù)據(jù)庫中，最大的特點(diǎn)是面向應(yīng)用進(jìn)行數(shù)據(jù)的組織，各個(gè)業(yè)務(wù)系統(tǒng)可能是相互分離的。而數(shù)據(jù)倉庫則是面向主題的。主題是一個(gè)抽象的概念，是較高層次上企業(yè)信息系統(tǒng)中的數(shù)據(jù)綜合、歸類并進(jìn)行分析利用的抽象。在邏輯意義上，它是對(duì)應(yīng)企業(yè)中某一宏觀分析領(lǐng)域所涉及的分析對(duì)象。

集成性:

通過對(duì)分散、獨(dú)立、異構(gòu)的數(shù)據(jù)庫數(shù)據(jù)進(jìn)行抽取、清理、轉(zhuǎn)換和匯總便得到了數(shù)據(jù)倉庫的數(shù)據(jù)，這樣保證了數(shù)據(jù)倉庫內(nèi)的數(shù)據(jù)關(guān)于整個(gè)企業(yè)的一致性。

數(shù)據(jù)倉庫中的綜合數(shù)據(jù)不能從原有的數(shù)據(jù)庫系統(tǒng)直接得到。因此在數(shù)據(jù)進(jìn)入數(shù)據(jù)倉庫之前，必然要經(jīng)過統(tǒng)一與綜合，這一步是數(shù)據(jù)倉庫建設(shè)中最關(guān)鍵、最復(fù)雜的一步，所要完成的工作有：

要統(tǒng)一源數(shù)據(jù)中所有矛盾之處，如字段的同名異義、異名同義、單位不統(tǒng)一、字長不一致，等等。

進(jìn)行數(shù)據(jù)綜合和計(jì)算。數(shù)據(jù)倉庫中的數(shù)據(jù)綜合工作可以在從原有數(shù)據(jù)庫抽取數(shù)據(jù)時(shí)生成，但許多是在數(shù)據(jù)倉庫內(nèi)部生成的，即進(jìn)入數(shù)據(jù)倉庫以后進(jìn)行綜合生成的。

下圖說明一個(gè)保險(xiǎn)公司綜合數(shù)據(jù)的簡單處理過程，其中數(shù)據(jù)倉庫中與“保險(xiǎn)” 主題有關(guān)的數(shù)據(jù)來自于多個(gè)不同的操作型系統(tǒng)。這些系統(tǒng)內(nèi)部數(shù)據(jù)的命名可能不同，數(shù)據(jù)格式也可能不同。把不同來源的數(shù)據(jù)存儲(chǔ)到數(shù)據(jù)倉庫之前，需要去除這些不一致。

數(shù)倉主題

非易失性（不可更新性）:

數(shù)據(jù)倉庫的數(shù)據(jù)反映的是一段相當(dāng)長的時(shí)間內(nèi)歷史數(shù)據(jù)的內(nèi)容，是不同時(shí)點(diǎn)的數(shù)據(jù)庫快照的集合，以及基于這些快照進(jìn)行統(tǒng)計(jì)、綜合和重組的導(dǎo)出數(shù)據(jù)。

數(shù)據(jù)非易失性主要是針對(duì)應(yīng)用而言。數(shù)據(jù)倉庫的用戶對(duì)數(shù)據(jù)的操作大多是數(shù)據(jù)查詢或比較復(fù)雜的挖掘，一旦數(shù)據(jù)進(jìn)入數(shù)據(jù)倉庫以后，一般情況下被較長時(shí)間保留。數(shù)據(jù)倉庫中一般有大量的查詢操作，但修改和刪除操作很少。因此，數(shù)據(jù)經(jīng)加工和集成進(jìn)入數(shù)據(jù)倉庫后是極少更新的，通常只需要定期的加載和更新。

時(shí)變性:

數(shù)據(jù)倉庫包含各種粒度的歷史數(shù)據(jù)。數(shù)據(jù)倉庫中的數(shù)據(jù)可能與某個(gè)特定日期、星期、月份、季度或者年份有關(guān)。數(shù)據(jù)倉庫的目的是通過分析企業(yè)過去一段時(shí)間業(yè)務(wù)的經(jīng)營狀況，挖掘其中隱藏的模式。雖然數(shù)據(jù)倉庫的用戶不能修改數(shù)據(jù)，但并不是說數(shù)據(jù)倉庫的數(shù)據(jù)是永遠(yuǎn)不變的。分析的結(jié)果只能反映過去的情況，當(dāng)業(yè)務(wù)變化后，挖掘出的模式會(huì)失去時(shí)效性。因此數(shù)據(jù)倉庫的數(shù)據(jù)需要更新，以適應(yīng)決策的需要。從這個(gè)角度講，數(shù)據(jù)倉庫建設(shè)是一個(gè)項(xiàng)目，更是一個(gè)過程。數(shù)據(jù)倉庫的數(shù)據(jù)隨時(shí)間的變化表現(xiàn)在以下幾個(gè)方面：

（1） 數(shù)據(jù)倉庫的數(shù)據(jù)時(shí)限一般要遠(yuǎn)遠(yuǎn)長于操作型數(shù)據(jù)的數(shù)據(jù)時(shí)限。

（2） 操作型系統(tǒng)存儲(chǔ)的是當(dāng)前數(shù)據(jù)，而數(shù)據(jù)倉庫中的數(shù)據(jù)是歷史數(shù)據(jù)。

（3） 數(shù)據(jù)倉庫中的數(shù)據(jù)是按照時(shí)間順序追加的，它們都帶有時(shí)間屬性。

3. 為什么要有數(shù)據(jù)倉庫

先來看下數(shù)據(jù)倉庫的數(shù)據(jù)從哪里來，最終要到哪里去？

通常數(shù)據(jù)倉庫的數(shù)據(jù)來自各個(gè)業(yè)務(wù)應(yīng)用系統(tǒng)。業(yè)務(wù)系統(tǒng)中的數(shù)據(jù)形式多種多樣，可能是 Oracle、MySQL、SQL Server等關(guān)系數(shù)據(jù)庫里的結(jié)構(gòu)化數(shù)據(jù)，可能是文本、CSV等平面文件或Word、Excel文檔中的數(shù)據(jù)，還可能是HTML、XML等自描述的半結(jié)構(gòu)化數(shù)據(jù)。這些業(yè)務(wù)數(shù)據(jù)經(jīng)過一系列的數(shù)據(jù)抽取、轉(zhuǎn)換、清洗，最終以一種統(tǒng)一的格式裝載進(jìn)數(shù)據(jù)倉庫。數(shù)據(jù)倉庫里的數(shù)據(jù)作為分析用的數(shù)據(jù)源，提供給后面的即席查詢、 分析系統(tǒng)、數(shù)據(jù)集市、報(bào)表系統(tǒng)、數(shù)據(jù)挖掘系統(tǒng)等。

這時(shí)我們就想了，為什么不能把業(yè)務(wù)系統(tǒng)的數(shù)據(jù)直接拿來供即席查詢、分析系統(tǒng)、報(bào)表系統(tǒng)等使用呢，為什么要經(jīng)過數(shù)據(jù)倉庫這一步？實(shí)際上在數(shù)倉出現(xiàn)之前，確實(shí)是這么做的，但是有很多數(shù)據(jù)分析的先驅(qū)者當(dāng)時(shí)已經(jīng)發(fā)現(xiàn)，簡單的“直接訪問”方式很難良好工作，這樣做的失敗案例數(shù)不勝數(shù)。下面列舉一些直接訪問業(yè)務(wù)系統(tǒng)無法工作的原因：

某些業(yè)務(wù)數(shù)據(jù)由于安全或其他因素不能直接訪問。

業(yè)務(wù)系統(tǒng)的版本變更很頻繁，每次變更都需要重寫分析系統(tǒng)并重新測試。

很難建立和維護(hù)匯總數(shù)據(jù)來源于多個(gè)業(yè)務(wù)系統(tǒng)版本的報(bào)表。

業(yè)務(wù)系統(tǒng)的列名通常是硬編碼，有時(shí)僅僅是無意義的字符串，這讓編寫分析系統(tǒng)更加困難。

業(yè)務(wù)系統(tǒng)的數(shù)據(jù)格式，如日期、數(shù)字的格式不統(tǒng)一。

業(yè)務(wù)系統(tǒng)的表結(jié)構(gòu)為事務(wù)處理性能而優(yōu)化，有時(shí)并不適合查詢與分析。

沒有適當(dāng)?shù)姆绞綄⒂袃r(jià)值的數(shù)據(jù)合并進(jìn)特定應(yīng)用的數(shù)據(jù)庫。

沒有適當(dāng)?shù)奈恢么鎯?chǔ)元數(shù)據(jù)。

用戶需要看到的顯示數(shù)據(jù)字段，有時(shí)在數(shù)據(jù)庫中并不存在。

通常事務(wù)處理的優(yōu)先級(jí)比分析系統(tǒng)高，所以如果分析系統(tǒng)和事務(wù)處理運(yùn)行在同一硬件之上，分析系統(tǒng)往往性能很差。

有誤用業(yè)務(wù)數(shù)據(jù)的風(fēng)險(xiǎn)。

極有可能影響業(yè)務(wù)系統(tǒng)的性能。

盡管需要增加軟硬件的投入，但建立獨(dú)立數(shù)據(jù)倉庫與直接訪問業(yè)務(wù)數(shù)據(jù)相比，無論是成本還是帶來的好處，這樣做都是值得的。隨著處理器和存儲(chǔ)成本的逐年降低，數(shù)據(jù)倉庫方案的優(yōu)勢更加明顯，在經(jīng)濟(jì)上也更具可行性。

4. 數(shù)據(jù)倉庫與數(shù)據(jù)庫的區(qū)別

數(shù)據(jù)庫與數(shù)據(jù)倉庫的區(qū)別實(shí)際講的是 OLTP 與 OLAP 的區(qū)別。

操作型處理，叫聯(lián)機(jī)事務(wù)處理 OLTP（On-Line Transaction Processing，），也可以稱面向交易的處理系統(tǒng)，它是針對(duì)具體業(yè)務(wù)在數(shù)據(jù)庫聯(lián)機(jī)的日常操作，通常對(duì)少數(shù)記錄進(jìn)行查詢、修改。用戶較為關(guān)心操作的響應(yīng)時(shí)間、數(shù)據(jù)的安全性、完整性和并發(fā)支持的用戶數(shù)等問題。傳統(tǒng)的數(shù)據(jù)庫系統(tǒng)作為數(shù)據(jù)管理的主要手段，主要用于操作型處理，像Mysql，Oracle等關(guān)系型數(shù)據(jù)庫一般屬于OLTP。

分析型處理，叫聯(lián)機(jī)分析處理 OLAP（On-Line Analytical Processing）一般針對(duì)某些主題的歷史數(shù)據(jù)進(jìn)行分析，支持管理決策。

首先要明白，數(shù)據(jù)倉庫的出現(xiàn)，并不是要取代數(shù)據(jù)庫。數(shù)據(jù)庫是面向事務(wù)的設(shè)計(jì)，數(shù)據(jù)倉庫是面向主題設(shè)計(jì)的。數(shù)據(jù)庫一般存儲(chǔ)業(yè)務(wù)數(shù)據(jù)，數(shù)據(jù)倉庫存儲(chǔ)的一般是歷史數(shù)據(jù)。

數(shù)據(jù)庫設(shè)計(jì)是盡量避免冗余，一般針對(duì)某一業(yè)務(wù)應(yīng)用進(jìn)行設(shè)計(jì)，比如一張簡單的User表，記錄用戶名、密碼等簡單數(shù)據(jù)即可，符合業(yè)務(wù)應(yīng)用，但是不符合分析。數(shù)據(jù)倉庫在設(shè)計(jì)是有意引入冗余，依照分析需求，分析維度、分析指標(biāo)進(jìn)行設(shè)計(jì)。

數(shù)據(jù)庫是為捕獲數(shù)據(jù)而設(shè)計(jì)，數(shù)據(jù)倉庫是為分析數(shù)據(jù)而設(shè)計(jì)。

以銀行業(yè)務(wù)為例。數(shù)據(jù)庫是事務(wù)系統(tǒng)的數(shù)據(jù)平臺(tái)，客戶在銀行做的每筆交易都會(huì)寫入數(shù)據(jù)庫，被記錄下來，這里，可以簡單地理解為用數(shù)據(jù)庫記賬。數(shù)據(jù)倉庫是分析系統(tǒng)的數(shù)據(jù)平臺(tái)，它從事務(wù)系統(tǒng)獲取數(shù)據(jù)，并做匯總、加工，為決策者提供決策的依據(jù)。比如，某銀行某分行一個(gè)月發(fā)生多少交易，該分行當(dāng)前存款余額是多少。如果存款又多，消費(fèi)交易又多，那么該地區(qū)就有必要設(shè)立ATM了。

顯然，銀行的交易量是巨大的，通常以百萬甚至千萬次來計(jì)算。事務(wù)系統(tǒng)是實(shí)時(shí)的，這就要求時(shí)效性，客戶存一筆錢需要幾十秒是無法忍受的，這就要求數(shù)據(jù)庫只能存儲(chǔ)很短一段時(shí)間的數(shù)據(jù)。而分析系統(tǒng)是事后的，它要提供關(guān)注時(shí)間段內(nèi)所有的有效數(shù)據(jù)。這些數(shù)據(jù)是海量的，匯總計(jì)算起來也要慢一些，但是，只要能夠提供有效的分析數(shù)據(jù)就達(dá)到目的了。

數(shù)據(jù)倉庫，是在數(shù)據(jù)庫已經(jīng)大量存在的情況下，為了進(jìn)一步挖掘數(shù)據(jù)資源、為了決策需要而產(chǎn)生的，它決不是所謂的“大型數(shù)據(jù)庫”。

5. ?數(shù)據(jù)倉庫分層架構(gòu)

按照數(shù)據(jù)流入流出的過程，數(shù)據(jù)倉庫架構(gòu)可分為：源數(shù)據(jù)、數(shù)據(jù)倉庫、數(shù)據(jù)應(yīng)用

數(shù)據(jù)倉庫

數(shù)據(jù)倉庫的數(shù)據(jù)來源于不同的源數(shù)據(jù)，并提供多樣的數(shù)據(jù)應(yīng)用，數(shù)據(jù)自下而上流入數(shù)據(jù)倉庫后向上層開放應(yīng)用，而數(shù)據(jù)倉庫只是中間集成化數(shù)據(jù)管理的一個(gè)平臺(tái)。

源數(shù)據(jù)：此層數(shù)據(jù)無任何更改，直接沿用外圍系統(tǒng)數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)，不對(duì)外開放；為臨時(shí)存儲(chǔ)層，是接口數(shù)據(jù)的臨時(shí)存儲(chǔ)區(qū)域，為后一步的數(shù)據(jù)處理做準(zhǔn)備。

數(shù)據(jù)倉庫：也稱為細(xì)節(jié)層，DW層的數(shù)據(jù)應(yīng)該是一致的、準(zhǔn)確的、干凈的數(shù)據(jù)，即對(duì)源系統(tǒng)數(shù)據(jù)進(jìn)行了清洗（去除了雜質(zhì)）后的數(shù)據(jù)。

數(shù)據(jù)應(yīng)用：前端應(yīng)用直接讀取的數(shù)據(jù)源；根據(jù)報(bào)表、專題分析需求而計(jì)算生成的數(shù)據(jù)。

數(shù)據(jù)倉庫從各數(shù)據(jù)源獲取數(shù)據(jù)及在數(shù)據(jù)倉庫內(nèi)的數(shù)據(jù)轉(zhuǎn)換和流動(dòng)都可以認(rèn)為是ETL（抽取Extra, 轉(zhuǎn)化Transfer, 裝載Load）的過程，ETL是數(shù)據(jù)倉庫的流水線，也可以認(rèn)為是數(shù)據(jù)倉庫的血液，它維系著數(shù)據(jù)倉庫中數(shù)據(jù)的新陳代謝，而數(shù)據(jù)倉庫日常的管理和維護(hù)工作的大部分精力就是保持ETL的正常和穩(wěn)定。

那么為什么要數(shù)據(jù)倉庫進(jìn)行分層呢?

用空間換時(shí)間，通過大量的預(yù)處理來提升應(yīng)用系統(tǒng)的用戶體驗(yàn)（效率），因此數(shù)據(jù)倉庫會(huì)存在大量冗余的數(shù)據(jù)；不分層的話，如果源業(yè)務(wù)系統(tǒng)的業(yè)務(wù)規(guī)則發(fā)生變化將會(huì)影響整個(gè)數(shù)據(jù)清洗過程，工作量巨大。

通過數(shù)據(jù)分層管理可以簡化數(shù)據(jù)清洗的過程，因?yàn)榘言瓉硪徊降墓ぷ鞣值搅硕鄠€(gè)步驟去完成，相當(dāng)于把一個(gè)復(fù)雜的工作拆成了多個(gè)簡單的工作，把一個(gè)大的黑盒變成了一個(gè)白盒，每一層的處理邏輯都相對(duì)簡單和容易理解，這樣我們比較容易保證每一個(gè)步驟的正確性，當(dāng)數(shù)據(jù)發(fā)生錯(cuò)誤的時(shí)候，往往我們只需要局部調(diào)整某個(gè)步驟即可。

6. 主要數(shù)據(jù)倉庫架構(gòu)

通過上面的內(nèi)容我們大概了解數(shù)倉的概念，接下來就看下數(shù)倉的幾種演進(jìn)架構(gòu)。

1. 數(shù)據(jù)集市架構(gòu)

數(shù)據(jù)集市是按主題域組織的數(shù)據(jù)集合，用于支持部門級(jí)的決策。有兩種類型的數(shù)據(jù)集市：獨(dú)立數(shù)據(jù)集市和從屬數(shù)據(jù)集市。

1) 獨(dú)立數(shù)據(jù)集市

獨(dú)立數(shù)據(jù)集市集中于部門所關(guān)心的單一主題域，數(shù)據(jù)以部門為基礎(chǔ)部署，無須考慮企業(yè)級(jí)別的信息共享與集成。例如，制造部門、人力資源部門和其他部門都各自有他們自己的數(shù)據(jù)集市。

優(yōu)點(diǎn)：因?yàn)橐粋€(gè)部門的業(yè)務(wù)相對(duì)于整個(gè)企業(yè)要簡單，數(shù)據(jù)量也小得多，所以部門的獨(dú)立數(shù)據(jù)集市具有周期短、見效快的特點(diǎn)。

缺點(diǎn)：

從業(yè)務(wù)角度看，當(dāng)部門的分析需求擴(kuò)展，或者需要分析跨部門或跨主題域的數(shù)據(jù)時(shí)，獨(dú)立數(shù)據(jù)市場會(huì)顯得力不從心。

當(dāng)數(shù)據(jù)存在歧義，比如同一個(gè)產(chǎn)品，在A部門和B部門的定義不同時(shí)，將無法在部門間進(jìn)行信息比較。

每個(gè)部門使用不同的技術(shù)，建立不同的ETL的過程，處理不同的事務(wù)系統(tǒng)，而在多個(gè)獨(dú)立的數(shù)據(jù)集市之間還會(huì)存在數(shù)據(jù)的交叉與重疊，甚至?xí)袛?shù)據(jù)不一致的情況。

2) 從屬數(shù)據(jù)集市

從屬數(shù)據(jù)集市的數(shù)據(jù)來源于數(shù)據(jù)倉庫。數(shù)據(jù)倉庫里的數(shù)據(jù)經(jīng)過整合、重構(gòu)、匯總后傳遞給從屬數(shù)據(jù)集市。

建立從屬數(shù)據(jù)集市的好處主要有：

性能：當(dāng)數(shù)據(jù)倉庫的查詢性能出現(xiàn)問題，可以考慮建立幾個(gè)從屬數(shù)據(jù)集市，將查詢從數(shù)據(jù)倉庫移出到數(shù)據(jù)集市。

安全：每個(gè)部門可以完全控制他們自己的數(shù)據(jù)。

數(shù)據(jù)一致：因?yàn)槊總€(gè)數(shù)據(jù)集市的數(shù)據(jù)來源都是同一個(gè)數(shù)據(jù)倉庫，有效消除了數(shù)據(jù)不一致的情況。

2. Inmon企業(yè)工廠架構(gòu)

上圖的前兩步不過多介紹，直接從第三步開始。

企業(yè)級(jí)數(shù)據(jù)倉庫：是該架構(gòu)中的核心組件。正如Inmon數(shù)據(jù)倉庫所定義的，企業(yè)級(jí)數(shù)據(jù)倉庫是一個(gè)細(xì)節(jié)數(shù)據(jù)的集成資源庫。其中的數(shù)據(jù)以最低粒度級(jí)別被捕獲，存儲(chǔ)在滿足三范式設(shè)計(jì)的關(guān)系數(shù)據(jù)庫中。

部門級(jí)數(shù)據(jù)集市：是面向主題數(shù)據(jù)的部門級(jí)視圖，數(shù)據(jù)從企業(yè)級(jí)數(shù)據(jù)倉庫獲取。數(shù)據(jù)在進(jìn)入部門數(shù)據(jù)集市時(shí)可能進(jìn)行聚合。數(shù)據(jù)集市使用多維模型設(shè)計(jì)，用于數(shù)據(jù)分析。重要的一點(diǎn)是，所有的報(bào)表工具、BI工具或其他數(shù)據(jù)分析應(yīng)用都從數(shù)據(jù)集市查詢數(shù)據(jù)，而不是直接查詢企業(yè)級(jí)數(shù)據(jù)倉庫。

3. Kimball數(shù)據(jù)倉庫架構(gòu)

對(duì)比上一張圖可以看到，Kimball與Inmon兩種架構(gòu)的主要區(qū)別在于核心數(shù)據(jù)倉庫的設(shè)計(jì)和建立。

Kimball的數(shù)據(jù)倉庫包含高粒度的企業(yè)數(shù)據(jù)，使用多維模型設(shè)計(jì)，這也意味著數(shù)據(jù)倉庫由星型模式的維度表和事實(shí)表構(gòu)成。分析系統(tǒng)或報(bào)表工具可以直接訪問多維數(shù)據(jù)倉庫里的數(shù)據(jù)。

在此架構(gòu)中的數(shù)據(jù)集市也與Inmon中的不同。這里的數(shù)據(jù)集市是一個(gè)邏輯概念，只是多維數(shù)據(jù)倉庫中的主題域劃分，并沒有自己的物理存儲(chǔ)，也可以說是虛擬的數(shù)據(jù)集市。

4. 混合型數(shù)據(jù)倉庫架構(gòu)

所謂的混合型結(jié)構(gòu)，指的是在一個(gè)數(shù)據(jù)倉庫環(huán)境中，聯(lián)合使用Inmon和Kimball兩種架構(gòu)。

從架構(gòu)圖可以看到，這種架構(gòu)將Inmon方法中的數(shù)據(jù)集市部分替換成了一個(gè)多維數(shù)據(jù)倉庫，而數(shù)據(jù)集市則是多維數(shù)據(jù)倉庫上的邏輯視圖。

使用這種架構(gòu)的好處是：既可以利用規(guī)范化設(shè)計(jì)消除數(shù)據(jù)冗余，保證數(shù)據(jù)的粒度足夠細(xì)；又可以利用多維結(jié)構(gòu)更靈活地在企業(yè)級(jí)實(shí)現(xiàn)報(bào)表和分析。

7. 數(shù)據(jù)倉庫元數(shù)據(jù)的管理

元數(shù)據(jù)（Meta Date），主要記錄數(shù)據(jù)倉庫中模型的定義、各層級(jí)間的映射關(guān)系、監(jiān)控?cái)?shù)據(jù)倉庫的數(shù)據(jù)狀態(tài)及ETL的任務(wù)運(yùn)行狀態(tài)。一般會(huì)通過元數(shù)據(jù)資料庫（Metadata Repository）來統(tǒng)一地存儲(chǔ)和管理元數(shù)據(jù)，其主要目的是使數(shù)據(jù)倉庫的設(shè)計(jì)、部署、操作和管理能達(dá)成協(xié)同和一致。

元數(shù)據(jù)是數(shù)據(jù)倉庫管理系統(tǒng)的重要組成部分，元數(shù)據(jù)管理是企業(yè)級(jí)數(shù)據(jù)倉庫中的關(guān)鍵組件，貫穿數(shù)據(jù)倉庫構(gòu)建的整個(gè)過程，直接影響著數(shù)據(jù)倉庫的構(gòu)建、使用和維護(hù)。

構(gòu)建數(shù)據(jù)倉庫的主要步驟之一是ETL。這時(shí)元數(shù)據(jù)將發(fā)揮重要的作用，它定義了源數(shù)據(jù)系統(tǒng)到數(shù)據(jù)倉庫的映射、數(shù)據(jù)轉(zhuǎn)換的規(guī)則、數(shù)據(jù)倉庫的邏輯結(jié)構(gòu)、數(shù)據(jù)更新的規(guī)則、數(shù)據(jù)導(dǎo)入歷史記錄以及裝載周期等相關(guān)內(nèi)容。數(shù)據(jù)抽取和轉(zhuǎn)換的專家以及數(shù)據(jù)倉庫管理員正是通過元數(shù)據(jù)高效地構(gòu)建數(shù)據(jù)倉庫。

用戶在使用數(shù)據(jù)倉庫時(shí)，通過元數(shù)據(jù)訪問數(shù)據(jù)，明確數(shù)據(jù)項(xiàng)的含義以及定制報(bào)表。

數(shù)據(jù)倉庫的規(guī)模及其復(fù)雜性離不開正確的元數(shù)據(jù)管理，包括增加或移除外部數(shù)據(jù)源，改變數(shù)據(jù)清洗方法，控制出錯(cuò)的查詢以及安排備份等。

元數(shù)據(jù)可分為技術(shù)元數(shù)據(jù)和業(yè)務(wù)元數(shù)據(jù)。技術(shù)元數(shù)據(jù)為開發(fā)和管理數(shù)據(jù)倉庫的IT 人員使用，它描述了與數(shù)據(jù)倉庫開發(fā)、管理和維護(hù)相關(guān)的數(shù)據(jù)，包括數(shù)據(jù)源信息、數(shù)據(jù)轉(zhuǎn)換描述、數(shù)據(jù)倉庫模型、數(shù)據(jù)清洗與更新規(guī)則、數(shù)據(jù)映射和訪問權(quán)限等。而業(yè)務(wù)元數(shù)據(jù)為管理層和業(yè)務(wù)分析人員服務(wù)，從業(yè)務(wù)角度描述數(shù)據(jù)，包括商務(wù)術(shù)語、數(shù)據(jù)倉庫中有什么數(shù)據(jù)、數(shù)據(jù)的位置和數(shù)據(jù)的可用性等，幫助業(yè)務(wù)人員更好地理解數(shù)據(jù)倉庫中哪些數(shù)據(jù)是可用的以及如何使用。

由上可見，元數(shù)據(jù)不僅定義了數(shù)據(jù)倉庫中數(shù)據(jù)的模式、來源、抽取和轉(zhuǎn)換規(guī)則等，而且是整個(gè)數(shù)據(jù)倉庫系統(tǒng)運(yùn)行的基礎(chǔ)，元數(shù)據(jù)把數(shù)據(jù)倉庫系統(tǒng)中各個(gè)松散的組件聯(lián)系起來，組成了一個(gè)有機(jī)的整體。

8. 數(shù)倉常見術(shù)語解析

本小節(jié)結(jié)構(gòu)如下圖所示：

1. 數(shù)倉名詞解釋

1. 實(shí)體

實(shí)體是指依附的主體，就是我們分析的一個(gè)對(duì)象，比如我們分析商品的銷售情況，如華為手機(jī)近半年的銷售量是多少，那華為手機(jī)就是一個(gè)實(shí)體；我們分析用戶的活躍度，用戶就是一個(gè)實(shí)體。當(dāng)然實(shí)體也可以現(xiàn)實(shí)中不存在的，比如虛擬的業(yè)務(wù)對(duì)象，活動(dòng)，會(huì)員等都可看做一個(gè)實(shí)體。

實(shí)體的存在是為了業(yè)務(wù)分析，作為分析的一個(gè)篩選的維度，擁有描述自己的屬性，本身具有可分析的價(jià)值。

2. 維度

維度就是看待問題的角度，分析業(yè)務(wù)數(shù)據(jù)，從什么角度分析，就建立什么樣的維度。所以維度就是要對(duì)數(shù)據(jù)進(jìn)行分析時(shí)所用的一個(gè)量，比如你要分析產(chǎn)品銷售情況，你可以選擇按商品類別來進(jìn)行分析，這就構(gòu)成一個(gè)維度，把所有商品類別集合在一起，就構(gòu)成了維度表。

3. 度量

度量是業(yè)務(wù)流程節(jié)點(diǎn)上的一個(gè)數(shù)值。比如銷量，價(jià)格，成本等等。

事實(shí)表中的度量可分為三類：完全可加，半可加，不可加。

完全可加的度量是最靈活，最有用的，比如說銷量，銷售額等，可進(jìn)行任意維度匯總；

半可加的度量可以對(duì)某些維度匯總，但不能對(duì)所有維度匯總，差額是常見的半可加度量，它除了時(shí)間維度外，可以跨所有維度進(jìn)行加法操作；

還有一種是完全不可加的，例如：比率。對(duì)于這類非可加度量，一種好的方法是，盡可能存儲(chǔ)非可加度量的完全可加分量，并在計(jì)算出最終的非可加事實(shí)前，將這些分量匯總到最終的結(jié)果集中。

4. 粒度

粒度就是業(yè)務(wù)流程中對(duì)度量的單位，比如商品是按件記錄度量，還是按批記錄度量。

在數(shù)倉建設(shè)中，我們說這是用戶粒度的事實(shí)表，那么表中每行數(shù)據(jù)都是一個(gè)用戶，無重復(fù)用戶；例如還有銷售粒度的表，那么表中每行都是一條銷售記錄。

選擇合適的粒度級(jí)別是數(shù)據(jù)倉庫建設(shè)好壞的重要關(guān)鍵內(nèi)容，在設(shè)計(jì)數(shù)據(jù)粒度時(shí)，通常需重點(diǎn)考慮以下因素：

要接受的分析類型、可接受的數(shù)據(jù)最低粒度和能存儲(chǔ)的數(shù)據(jù)量；

粒度的層次定義越高，就越不能在該倉庫中進(jìn)行更細(xì)致的分析；

如果存儲(chǔ)資源有一定的限制，就只能采用較高的數(shù)據(jù)粒度劃分；

數(shù)據(jù)粒度劃分策略一定要保證：數(shù)據(jù)的粒度確實(shí)能夠滿足用戶的決策分析需要，這是數(shù)據(jù)粒度劃分策略中最重要的一個(gè)準(zhǔn)則。

5. 口徑

口徑就是取數(shù)邏輯（如何取數(shù)的），比如要取的數(shù)是10歲以下兒童中男孩的平均身高，這就是統(tǒng)計(jì)的口徑。

6. 指標(biāo)

指標(biāo)是口徑的衡量值，也就是最后的結(jié)果。比如最近七天的訂單量，一個(gè)促銷活動(dòng)的購買轉(zhuǎn)化率等。

一個(gè)指標(biāo)具體到計(jì)算實(shí)施，主要有以下幾部分組成：

指標(biāo)加工邏輯，比如count ,sum, avg

維度，比如按部門、地域進(jìn)行指標(biāo)統(tǒng)計(jì)，對(duì)應(yīng)sql中的group by

業(yè)務(wù)限定/修飾詞，比如以不同的支付渠道來算對(duì)應(yīng)的指標(biāo)，微信支付的訂單退款率，支付寶支付的訂單退款率 。對(duì)應(yīng)sql中的where。

除此之外，指標(biāo)本身還可以衍生、派生出更多的指標(biāo)，基于這些特點(diǎn)，可以將指標(biāo)進(jìn)行分類：

原子指標(biāo)：基本業(yè)務(wù)事實(shí)，沒有業(yè)務(wù)限定、沒有維度。比如訂單表中的訂單量、訂單總金額都算原子指標(biāo)；

業(yè)務(wù)方更關(guān)心的指標(biāo)，是有實(shí)際業(yè)務(wù)含義，可以直接取數(shù)據(jù)的指標(biāo)。比如店鋪近1天訂單支付金額就是一個(gè)派生指標(biāo)，會(huì)被直接在產(chǎn)品上展示給商家看。

但是這個(gè)指標(biāo)卻不能直接從數(shù)倉的統(tǒng)一中間層里取數(shù)（因?yàn)闆]有現(xiàn)成的事實(shí)字段，數(shù)倉提供的一般都是大寬表）。需要有一個(gè)橋梁連接數(shù)倉中間層和業(yè)務(wù)方的指標(biāo)需求，于是便有了派生指標(biāo)

派生指標(biāo)：維度+修飾詞+原子指標(biāo)。店鋪近1天訂單支付金額中店鋪是維度，近1天是一個(gè)時(shí)間類型的修飾詞，支付金額是一個(gè)原子指標(biāo)；

維度：觀察各項(xiàng)指標(biāo)的角度；

修飾詞：維度的一個(gè)或某些值，比如維度性別下，男和女就是2種修飾詞。

衍生指標(biāo)：比如某一個(gè)促銷活動(dòng)的轉(zhuǎn)化率就是衍生指標(biāo)，因?yàn)樾枰黉N投放人數(shù)指標(biāo)和促銷訂單數(shù)指標(biāo)進(jìn)行計(jì)算得出。

7. 標(biāo)簽

標(biāo)簽是人為設(shè)定的、根據(jù)業(yè)務(wù)場景需求，對(duì)目標(biāo)對(duì)象運(yùn)用一定的算法得到的高度精煉的特征標(biāo)識(shí)?？梢姌?biāo)簽是經(jīng)過人為再加工后的結(jié)果，如網(wǎng)紅、白富美、蘿莉。對(duì)于有歧義的標(biāo)簽，我們內(nèi)部可進(jìn)行標(biāo)簽區(qū)分，比如：蘋果，我們可以定義蘋果指的是水果，蘋果手機(jī)才指的是手機(jī)。

8. 自然鍵

由現(xiàn)實(shí)中已經(jīng)存在的屬性組成的鍵，它在業(yè)務(wù)概念中是唯一的，并具有一定的業(yè)務(wù)含義，比如商品ID，員工ID。

以數(shù)倉角度看，來自于業(yè)務(wù)系統(tǒng)的標(biāo)識(shí)符就是自然鍵，比如業(yè)務(wù)庫中員工的編號(hào)。

9. 持久鍵

保持永久性不會(huì)發(fā)生變化。有時(shí)也被叫做超自然持久鍵。比如身份證號(hào)屬于持久鍵。

自然鍵和持久鍵區(qū)別：舉個(gè)例子就明白了，比如說公司員工離職之后又重新入職，他的自然鍵也就是員工編號(hào)發(fā)生了變化，但是他的持久鍵身份證號(hào)是不變的。

10. 代理鍵

就是不具有業(yè)務(wù)含義的鍵。代理鍵有許多其他的稱呼：無意義鍵、整數(shù)鍵、非自然鍵、人工鍵、合成鍵等。

代理鍵就是簡單的以按照順序序列生產(chǎn)的整數(shù)表示。產(chǎn)品行的第1行代理鍵為1，則下一行的代理鍵為2，如此進(jìn)行。代理鍵的作用僅僅是連接維度表和事實(shí)表。

11. 退化維度

退化維度，就是那些看起來像是事實(shí)表的一個(gè)維度關(guān)鍵字，但實(shí)際上并沒有對(duì)應(yīng)的維度表，就是維度屬性存儲(chǔ)到事實(shí)表中，這種存儲(chǔ)到事實(shí)表中的維度列被稱為退化維度。與其他存儲(chǔ)在維表中的維度一樣，退化維度也可以用來進(jìn)行事實(shí)表的過濾查詢、實(shí)現(xiàn)聚合操作等。

那么究竟怎么定義退化維度呢？比如說訂單id，這種量級(jí)很大的維度，沒必要用一張維度表來進(jìn)行存儲(chǔ)，而我們進(jìn)行數(shù)據(jù)查詢或者數(shù)據(jù)過濾的時(shí)候又非常需要，所以這種就冗余在事實(shí)表里面，這種就叫退化維度，citycode這種我們也會(huì)冗余在事實(shí)表里面，但是它有對(duì)應(yīng)的維度表，所以它不是退化維度。

12. 下鉆

這是在數(shù)據(jù)分析中常見的概念，下鉆可以理解成增加維的層次，從而可以由粗粒度到細(xì)粒度來觀察數(shù)據(jù)，比如對(duì)產(chǎn)品銷售情況分析時(shí)，可以沿著時(shí)間維從年到月到日更細(xì)粒度的觀察數(shù)據(jù)。從年的維度可以下鉆到月的維度、日的維度等。

13. 上卷

知道了下鉆，上卷就容易理解了，它倆是相逆的操作，所以上卷可以理解為刪掉維的某些層，由細(xì)粒度到粗粒度觀察數(shù)據(jù)的操作或沿著維的層次向上聚合匯總數(shù)據(jù)。

14. 數(shù)據(jù)集市

數(shù)據(jù)集市（Data Mart），也叫數(shù)據(jù)市場，數(shù)據(jù)集市就是滿足特定的部門或者用戶的需求，按照多維的方式進(jìn)行存儲(chǔ)，包括定義維度、需要計(jì)算的指標(biāo)、維度的層次等，生成面向決策分析需求的數(shù)據(jù)立方體。其實(shí)就是從數(shù)據(jù)倉庫中抽取出來的一個(gè)小合集。

2. 數(shù)倉名詞之間關(guān)系

1. 實(shí)體表，事實(shí)表，維度表之間的關(guān)系

在Kimball維度建模中有維度與事實(shí)，在Inmon范式建模中有實(shí)體與關(guān)系，如果我們分開兩種建模方式看這些概念比較容易理解。但是目前也出現(xiàn)了不少混合建模方式，兩種建模方式結(jié)合起來看，這些概念是不是容易記憶混亂，尤其事實(shí)表和實(shí)體表，它們之間到底有怎樣區(qū)別與聯(lián)系，先看下它們各自概念：

維度表：維度表可以看成是用戶用來分析一個(gè)事實(shí)的窗口，它里面的數(shù)據(jù)應(yīng)該是對(duì)事實(shí)的各個(gè)方面描述，比如時(shí)間維度表，地域維度表，維度表是事實(shí)表的一個(gè)分析角度。

事實(shí)表：事實(shí)表其實(shí)就是通過各種維度和一些指標(biāo)值的組合來確定一個(gè)事實(shí)的，比如通過時(shí)間維度，地域組織維度，指標(biāo)值可以去確定在某時(shí)某地的一些指標(biāo)值怎么樣的事實(shí)。事實(shí)表的每一條數(shù)據(jù)都是幾條維度表的數(shù)據(jù)和指標(biāo)值交匯而得到的。

實(shí)體表：實(shí)體表就是一個(gè)實(shí)際對(duì)象的表，實(shí)體表放的數(shù)據(jù)一定是一條條客觀存在的事物數(shù)據(jù)，比如說各種商品，它就是客觀存在的，所以可以將其設(shè)計(jì)一個(gè)實(shí)體表。實(shí)時(shí)表只描述各個(gè)事物，并不存在具體的事實(shí)，所以也有人稱實(shí)體表是無事實(shí)的事實(shí)表。

舉個(gè)例子：比如說手機(jī)商場中有蘋果手機(jī)，華為手機(jī)等各品牌各型號(hào)的手機(jī)，這些數(shù)據(jù)可以組成一個(gè)手機(jī)實(shí)體表，但是表中沒有可度量的數(shù)據(jù)。某天蘋果手機(jī)賣了15臺(tái)，華為手機(jī)賣了20臺(tái)，這些手機(jī)銷售數(shù)據(jù)屬于事實(shí)，組成一個(gè)事實(shí)表。這樣就可以使用日期維度表和地域維度表對(duì)這個(gè)事實(shí)表進(jìn)行各種維度分析。

2. 指標(biāo)與標(biāo)簽的區(qū)別

概念不同

指標(biāo)是用來定義、評(píng)價(jià)和描述特定事物的一種標(biāo)準(zhǔn)或方式。比如：新增用戶數(shù)、累計(jì)用戶數(shù)、用戶活躍率等是衡量用戶發(fā)展情況的指標(biāo)；

標(biāo)簽是人為設(shè)定的、根據(jù)業(yè)務(wù)場景需求，對(duì)目標(biāo)對(duì)象運(yùn)用一定的算法得到的高度精煉的特征標(biāo)識(shí)?？梢姌?biāo)簽是經(jīng)過人為再加工后的結(jié)果，如網(wǎng)紅、白富美、蘿莉。

構(gòu)成不同

指標(biāo)名稱是對(duì)事物質(zhì)與量兩方面特點(diǎn)的命名；指標(biāo)取值是指標(biāo)在具體時(shí)間、地域、條件下的數(shù)量表現(xiàn)，如人的體重，指標(biāo)名稱是體重，指標(biāo)的取值就是120斤；

標(biāo)簽名稱通常都是形容詞或形容詞+名詞的結(jié)構(gòu)，標(biāo)簽一般是不可量化的，通常是孤立的，除了基礎(chǔ)類標(biāo)簽，通過一定算法加工出來的標(biāo)簽一般都沒有單位和量綱。如將超過200斤的稱為大胖子。

分類不同

對(duì)指標(biāo)的分類：

按照指標(biāo)計(jì)算邏輯，可以將指標(biāo)分為原子指標(biāo)、派生指標(biāo)、衍生指標(biāo)三種類型；

按照對(duì)事件描述內(nèi)容的不同，分為過程性指標(biāo)和結(jié)果性指標(biāo)；

對(duì)標(biāo)簽的分類：

按照標(biāo)簽的變化性分為靜態(tài)標(biāo)簽和動(dòng)態(tài)標(biāo)簽；

按照標(biāo)簽的指代和評(píng)估指標(biāo)的不同，可分為定性標(biāo)簽和定量標(biāo)簽；

指標(biāo)最擅長的應(yīng)用是監(jiān)測、分析、評(píng)價(jià)和建模。

標(biāo)簽最擅長的應(yīng)用是標(biāo)注、刻畫、分類和特征提取。

特別需要指出的是，由于對(duì)結(jié)果的標(biāo)注也是一種標(biāo)簽，所以在自然語言處理和機(jī)器學(xué)習(xí)相關(guān)的算法應(yīng)用場景下，標(biāo)簽對(duì)于監(jiān)督式學(xué)習(xí)有重要價(jià)值，只是單純的指標(biāo)難以做到的。而指標(biāo)在任務(wù)分配、績效管理等領(lǐng)域的作用，也是標(biāo)簽無法做到的。

3. 維度和指標(biāo)區(qū)別與聯(lián)系

維度就是數(shù)據(jù)的觀察角度，即從哪個(gè)角度去分析問題，看待問題。

指標(biāo)就是從維度的基礎(chǔ)上去衡算這個(gè)結(jié)果的值。

維度一般是一個(gè)離散的值，比如時(shí)間維度上每一個(gè)獨(dú)立的日期或地域，因此統(tǒng)計(jì)時(shí)，可以把維度相同記錄的聚合在一起，應(yīng)用聚合函數(shù)做累加、均值、最大值、最小值等聚合計(jì)算。

指標(biāo)就是被聚合的通計(jì)算，即聚合運(yùn)算的結(jié)果，一般是一個(gè)連續(xù)的值。

4. 自然鍵與代理鍵在數(shù)倉的使用區(qū)別

數(shù)倉工具箱中說維度表的唯一主鍵應(yīng)該是代理鍵而不應(yīng)該是自然鍵。有時(shí)建模人員不愿意放棄使用自然鍵，因?yàn)樗麄兿Ｍc操作型代碼查詢事實(shí)表，而不希望與維度表做連接操作。然而，應(yīng)該避免使用包含業(yè)務(wù)含義的多維鍵，因?yàn)椴还芪覀冏龀鋈魏渭僭O(shè)最終都可能變得無效，因?yàn)槲覀兛刂撇涣藰I(yè)務(wù)庫的變動(dòng)。

所以數(shù)據(jù)倉庫中維度表與事實(shí)表的每個(gè)連接應(yīng)該基于無實(shí)際含義的整數(shù)代理鍵。避免使用自然鍵作為維度表的主鍵。

5. 數(shù)據(jù)集市和數(shù)據(jù)倉庫的關(guān)系

數(shù)據(jù)集市是企業(yè)級(jí)數(shù)據(jù)倉庫的一個(gè)子集，他主要面向部門級(jí)業(yè)務(wù)，并且只面向某個(gè)特定的主題。為了解決靈活性和性能之間的矛盾，數(shù)據(jù)集市就是數(shù)據(jù)倉庫體系結(jié)構(gòu)中增加的一種小型的部門或工作組級(jí)別的數(shù)據(jù)倉庫。數(shù)據(jù)集市存儲(chǔ)為特定用戶預(yù)先計(jì)算好的數(shù)據(jù)，從而滿足用戶對(duì)性能的需求。數(shù)據(jù)集市可以在一定程度上緩解訪問數(shù)據(jù)倉庫的瓶頸。

數(shù)據(jù)集市和數(shù)據(jù)倉庫的主要區(qū)別：數(shù)據(jù)倉庫是企業(yè)級(jí)的，能為整個(gè)企業(yè)各個(gè)部門的運(yùn)行提供決策支持手段；而數(shù)據(jù)集市則是一種微型的數(shù)據(jù)倉庫,它通常有更少的數(shù)據(jù),更少的主題區(qū)域,以及更少的歷史數(shù)據(jù),因此是部門級(jí)的，一般只能為某個(gè)局部范圍內(nèi)的管理人員服務(wù)，因此也稱之為部門級(jí)數(shù)據(jù)倉庫。

二、離線數(shù)倉建設(shè)核心

數(shù)據(jù)倉庫的核心是展現(xiàn)層和提供優(yōu)質(zhì)的服務(wù)。ETL 及其規(guī)范、分層等所做的一切都是為了一個(gè)更清晰易用的展現(xiàn)層。

1. 數(shù)倉分層

數(shù)倉分層的原則：

為便于數(shù)據(jù)分析，要屏蔽底層復(fù)雜業(yè)務(wù)，簡單、完整、集成的將數(shù)據(jù)暴露給分析層。

底層業(yè)務(wù)變動(dòng)與上層需求變動(dòng)對(duì)模型沖擊最小化，業(yè)務(wù)系統(tǒng)變化影響削弱在基礎(chǔ)數(shù)據(jù)層，結(jié)合自上而下的建設(shè)方法削弱需求變動(dòng)對(duì)模型的影響。

高內(nèi)聚松耦合，即主題之內(nèi)或各個(gè)完整意義的系統(tǒng)內(nèi)數(shù)據(jù)的高內(nèi)聚，主題之間或各個(gè)完整意義的系統(tǒng)間數(shù)據(jù)的松耦合。

構(gòu)建倉庫基礎(chǔ)數(shù)據(jù)層，使底層業(yè)務(wù)數(shù)據(jù)整合工作與上層應(yīng)用開發(fā)工作相隔離，為倉庫大規(guī)模開發(fā)奠定基礎(chǔ) 倉庫層次更加清晰，對(duì)外暴露數(shù)據(jù)更加統(tǒng)一。

一般采用如下分層結(jié)構(gòu)：

1. 數(shù)據(jù)源層：ODS（Operational Data Store）

ODS 層，是最接近數(shù)據(jù)源中數(shù)據(jù)的一層，為了考慮后續(xù)可能需要追溯數(shù)據(jù)問題，因此對(duì)于這一層就不建議做過多的數(shù)據(jù)清洗工作，原封不動(dòng)地接入原始數(shù)據(jù)即可，至于數(shù)據(jù)的去噪、去重、異常值處理等過程可以放在后面的 DWD 層來做。

2. 數(shù)據(jù)倉庫層：DW（Data Warehouse）

數(shù)據(jù)倉庫層是我們?cè)谧鰯?shù)據(jù)倉庫時(shí)要核心設(shè)計(jì)的一層，在這里，從 ODS 層中獲得的數(shù)據(jù)按照主題建立各種數(shù)據(jù)模型。

DW 層又細(xì)分為?DWD（Data Warehouse Detail）層、DWM（Data WareHouse Middle）層和?DWS（Data WareHouse Servce） 層。

1) 數(shù)據(jù)明細(xì)層：DWD（Data Warehouse Detail）

該層一般保持和 ODS 層一樣的數(shù)據(jù)粒度，并且提供一定的數(shù)據(jù)質(zhì)量保證。DWD 層要做的就是將數(shù)據(jù)清理、整合、規(guī)范化、臟數(shù)據(jù)、垃圾數(shù)據(jù)、規(guī)范不一致的、狀態(tài)定義不一致的、命名不規(guī)范的數(shù)據(jù)都會(huì)被處理。

同時(shí)，為了提高數(shù)據(jù)明細(xì)層的易用性，該層會(huì)采用一些維度退化手法，將維度退化至事實(shí)表中，減少事實(shí)表和維表的關(guān)聯(lián)。

另外，在該層也會(huì)做一部分的數(shù)據(jù)聚合，將相同主題的數(shù)據(jù)匯集到一張表中，提高數(shù)據(jù)的可用性 。

2) 數(shù)據(jù)中間層：DWM（Data WareHouse Middle）

該層會(huì)在 DWD 層的數(shù)據(jù)基礎(chǔ)上，數(shù)據(jù)做輕度的聚合操作，生成一系列的中間表，提升公共指標(biāo)的復(fù)用性，減少重復(fù)加工。

直觀來講，就是對(duì)通用的核心維度進(jìn)行聚合操作，算出相應(yīng)的統(tǒng)計(jì)指標(biāo)。

在實(shí)際計(jì)算中，如果直接從 DWD 或者 ODS 計(jì)算出寬表的統(tǒng)計(jì)指標(biāo)，會(huì)存在計(jì)算量太大并且維度太少的問題，因此一般的做法是，在 DWM 層先計(jì)算出多個(gè)小的中間表，然后再拼接成一張 DWS 的寬表。由于寬和窄的界限不易界定，也可以去掉 DWM 這一層，只留 DWS 層，將所有的數(shù)據(jù)再放在 DWS 亦可。

3) 數(shù)據(jù)服務(wù)層：DWS（Data WareHouse Servce）

DWS 層為公共匯總層，會(huì)進(jìn)行輕度匯總，粒度比明細(xì)數(shù)據(jù)稍粗，基于 DWD 層上的基礎(chǔ)數(shù)據(jù)，整合匯總成分析某一個(gè)主題域的服務(wù)數(shù)據(jù)，一般是寬表。DWS 層應(yīng)覆蓋 80% 的應(yīng)用場景。又稱數(shù)據(jù)集市或?qū)挶怼?/p>

按照業(yè)務(wù)劃分，如主題域流量、訂單、用戶等，生成字段比較多的寬表，用于提供后續(xù)的業(yè)務(wù)查詢，OLAP 分析，數(shù)據(jù)分發(fā)等。

一般來講，該層的數(shù)據(jù)表會(huì)相對(duì)比較少，一張表會(huì)涵蓋比較多的業(yè)務(wù)內(nèi)容，由于其字段較多，因此一般也會(huì)稱該層的表為寬表。

3. 數(shù)據(jù)應(yīng)用層：APP（Application）

在這里，主要是提供給數(shù)據(jù)產(chǎn)品和數(shù)據(jù)分析使用的數(shù)據(jù)，一般會(huì)存放在 ES、 PostgreSql、Redis 等系統(tǒng)中供線上系統(tǒng)使用，也可能會(huì)存在 Hive 或者 Druid 中供數(shù)據(jù)分析和數(shù)據(jù)挖掘使用。比如我們經(jīng)常說的報(bào)表數(shù)據(jù)，一般就放在這里。

4. 維表層：DIM（Dimension）

如果維表過多，也可針對(duì)維表設(shè)計(jì)單獨(dú)一層，維表層主要包含兩部分?jǐn)?shù)據(jù)：

高基數(shù)維度數(shù)據(jù)：一般是用戶資料表、商品資料表類似的資料表。數(shù)據(jù)量可能是千萬級(jí)或者上億級(jí)別。

低基數(shù)維度數(shù)據(jù)：一般是配置表，比如枚舉值對(duì)應(yīng)的中文含義，或者日期維表。數(shù)據(jù)量可能是個(gè)位數(shù)或者幾千幾萬。

2. 數(shù)倉建模方法

數(shù)倉建模在哪層建設(shè)呢？我們以維度建模為例，建模是在數(shù)據(jù)源層的下一層進(jìn)行建設(shè)，在上節(jié)的分層架構(gòu)中，就是在DW層進(jìn)行數(shù)倉建模，所以DW層是數(shù)倉建設(shè)的核心層。

那數(shù)倉建模怎么建呢？其實(shí)數(shù)據(jù)倉庫的建模方法有很多種，每一種建模方法代表了哲學(xué)上的一個(gè)觀點(diǎn)，代表了一種歸納、概括世界的一種方法。常見的有?范式建模法、維度建模法、實(shí)體建模法等，每種方法從本質(zhì)上將是從不同的角度看待業(yè)務(wù)中的問題。

1. 范式建模法（Third Normal Form，3NF）

范式建模法其實(shí)是我們?cè)跇?gòu)建數(shù)據(jù)模型常用的一個(gè)方法，該方法的主要由 Inmon 所提倡，主要解決關(guān)系型數(shù)據(jù)庫的數(shù)據(jù)存儲(chǔ)，利用的一種技術(shù)層面上的方法。目前，我們?cè)陉P(guān)系型數(shù)據(jù)庫中的建模方法，大部分采用的是三范式建模法。

范式 是符合某一種級(jí)別的關(guān)系模式的集合。構(gòu)造數(shù)據(jù)庫必須遵循一定的規(guī)則，而在關(guān)系型數(shù)據(jù)庫中這種規(guī)則就是范式，這一過程也被稱為規(guī)范化。目前關(guān)系數(shù)據(jù)庫有六種范式：第一范式（1NF）、第二范式（2NF）、第三范式（3NF）、Boyce-Codd范式（BCNF）、第四范式（4NF）和第五范式（5NF）。

在數(shù)據(jù)倉庫的模型設(shè)計(jì)中，一般采用第三范式。一個(gè)符合第三范式的關(guān)系必須具有以下三個(gè)條件 :

每個(gè)屬性值唯一，不具有多義性 ;

每個(gè)非主屬性必須完全依賴于整個(gè)主鍵，而非主鍵的一部分 ;

每個(gè)非主屬性不能依賴于其他關(guān)系中的屬性，因?yàn)檫@樣的話，這種屬性應(yīng)該歸到其他關(guān)系中去。

范式建模

根據(jù) Inmon 的觀點(diǎn)，數(shù)據(jù)倉庫模型的建設(shè)方法和業(yè)務(wù)系統(tǒng)的企業(yè)數(shù)據(jù)模型類似。在業(yè)務(wù)系統(tǒng)中，企業(yè)數(shù)據(jù)模型決定了數(shù)據(jù)的來源，而企業(yè)數(shù)據(jù)模型也分為兩個(gè)層次，即主題域模型和邏輯模型。同樣，主題域模型可以看成是業(yè)務(wù)模型的概念模型，而邏輯模型則是域模型在關(guān)系型數(shù)據(jù)庫上的實(shí)例化。

2. 維度建模法（Dimensional Modeling）

維度模型是數(shù)據(jù)倉庫領(lǐng)域另一位大師Ralph Kimall所倡導(dǎo)，他的《數(shù)據(jù)倉庫工具箱》是數(shù)據(jù)倉庫工程領(lǐng)域最流行的數(shù)倉建模經(jīng)典。維度建模以分析決策的需求出發(fā)構(gòu)建模型，構(gòu)建的數(shù)據(jù)模型為分析需求服務(wù)，因此它重點(diǎn)解決用戶如何更快速完成分析需求，同時(shí)還有較好的大規(guī)模復(fù)雜查詢的響應(yīng)性能。

維度建模

典型的代表是我們比較熟知的星形模型（Star-schema），以及在一些特殊場景下適用的雪花模型（Snow-schema）。

維度建模中比較重要的概念就是 事實(shí)表（Fact table）和維度表（Dimension table）。其最簡單的描述就是，按照事實(shí)表、維度表來構(gòu)建數(shù)據(jù)倉庫、數(shù)據(jù)集市。

3. 實(shí)體建模法（Entity Modeling）

實(shí)體建模法并不是數(shù)據(jù)倉庫建模中常見的一個(gè)方法，它來源于哲學(xué)的一個(gè)流派。從哲學(xué)的意義上說，客觀世界應(yīng)該是可以細(xì)分的，客觀世界應(yīng)該可以分成由一個(gè)個(gè)實(shí)體，以及實(shí)體與實(shí)體之間的關(guān)系組成。那么我們?cè)跀?shù)據(jù)倉庫的建模過程中完全可以引入這個(gè)抽象的方法，將整個(gè)業(yè)務(wù)也可以劃分成一個(gè)個(gè)的實(shí)體，而每個(gè)實(shí)體之間的關(guān)系，以及針對(duì)這些關(guān)系的說明就是我們數(shù)據(jù)建模需要做的工作。

雖然實(shí)體法粗看起來好像有一些抽象，其實(shí)理解起來很容易。即我們可以將任何一個(gè)業(yè)務(wù)過程劃分成 3 個(gè)部分，實(shí)體，事件，說明，如下圖所示：

實(shí)體建模

上圖表述的是一個(gè)抽象的含義，如果我們描述一個(gè)簡單的事實(shí)：“小明開車去學(xué)校上學(xué)”。以這個(gè)業(yè)務(wù)事實(shí)為例，我們可以把“小明”，“學(xué)校”看成是一個(gè)實(shí)體，“上學(xué)”描述的是一個(gè)業(yè)務(wù)過程，我們?cè)谶@里可以抽象為一個(gè)具體“事件”，而“開車去”則可以看成是事件“上學(xué)”的一個(gè)說明。

3. 維度建模詳解

目前在互聯(lián)網(wǎng)公司最常用的建模方法就是維度建模，我們將重點(diǎn)講解！

維度建模是專門應(yīng)用于分析型數(shù)據(jù)庫、數(shù)據(jù)倉庫、數(shù)據(jù)集市建模的方法。數(shù)據(jù)集市可以理解為是一種"小型數(shù)據(jù)倉庫"。

我們先不著急開始維度建模，先來了解下維度建模中表的類型和維度建模的模式之后再開始建模，這樣能夠讓我們深刻理解！

1. 維度建模中表的類型

維度建模分為兩種表：事實(shí)表和維度表：

事實(shí)表：必然存在的一些數(shù)據(jù)，像采集的日志文件，訂單表，都可以作為事實(shí)表 。

特征：是一堆主鍵的集合，每個(gè)主鍵對(duì)應(yīng)維度表中的一條記錄，客觀存在的，根據(jù)主題確定出需要使用的數(shù)據(jù)

維度表：維度就是所分析的數(shù)據(jù)的一個(gè)量，維度表就是以合適的角度來創(chuàng)建的表，分析問題的一個(gè)角度：時(shí)間、地域、終端、用戶等角度

1. 事實(shí)表

發(fā)生在現(xiàn)實(shí)世界中的操作型事件，其所產(chǎn)生的可度量數(shù)值，存儲(chǔ)在事實(shí)表中。從最低的粒度級(jí)別來看，事實(shí)表行對(duì)應(yīng)一個(gè)度量事件，反之亦然。

事實(shí)表表示對(duì)分析主題的度量。比如一次購買行為我們就可以理解為是一個(gè)事實(shí)。

事實(shí)與維度

圖中的訂單表就是一個(gè)事實(shí)表，你可以理解他就是在現(xiàn)實(shí)中發(fā)生的一次操作型事件，我們每完成一個(gè)訂單，就會(huì)在訂單中增加一條記錄。事實(shí)表的特征：表里沒有存放實(shí)際的內(nèi)容，他是一堆主鍵的集合，這些ID分別能對(duì)應(yīng)到維度表中的一條記錄。事實(shí)表包含了與各維度表相關(guān)聯(lián)的外鍵，可與維度表關(guān)聯(lián)。事實(shí)表的度量通常是數(shù)值類型，且記錄數(shù)會(huì)不斷增加，表數(shù)據(jù)規(guī)模迅速增長。

明細(xì)表（寬表）：

事實(shí)表的數(shù)據(jù)中，有些屬性共同組成了一個(gè)字段（糅合在一起），比如年月日時(shí)分秒構(gòu)成了時(shí)間,當(dāng)需要根據(jù)某一屬性進(jìn)行分組統(tǒng)計(jì)的時(shí)候，需要截取拼接之類的操作，效率極低。如：

local_time

2021-03-18 06:31:42

為了分析方便，可以事實(shí)表中的一個(gè)字段切割提取多個(gè)屬性出來構(gòu)成新的字段，因?yàn)樽侄巫兌嗔?，所以稱為寬表，原來的成為窄表。

將上述的local_time字段擴(kuò)展為如下6個(gè)字段：

yearmonthdayhourms

20210318063142

又因?yàn)閷挶淼男畔⒏忧逦骷?xì)，所以也可以稱之為明細(xì)表。

事實(shí)表種類

事實(shí)表分為以下6類：

事務(wù)事實(shí)表

周期快照事實(shí)表

累積快照事實(shí)表

無事實(shí)的事實(shí)表

聚集事實(shí)表

合并事實(shí)表

簡單解釋下每種表的概念：

事務(wù)事實(shí)表

表中的一行對(duì)應(yīng)空間或時(shí)間上某點(diǎn)的度量事件。就是一行數(shù)據(jù)中必須有度量字段，什么是度量，就是指標(biāo)，比如說銷售金額，銷售數(shù)量等這些可加的或者半可加就是度量值。另一點(diǎn)就是事務(wù)事實(shí)表都包含一個(gè)與維度表關(guān)聯(lián)的外鍵。并且度量值必須和事務(wù)粒度保持一致。

周期快照事實(shí)表

顧名思義，周期事實(shí)表就是每行都帶有時(shí)間值字段，代表周期，通常時(shí)間值都是標(biāo)準(zhǔn)周期，如某一天，某周，某月等。粒度是周期，而不是個(gè)體的事務(wù)，也就是說一個(gè)周期快照事實(shí)表中數(shù)據(jù)可以是多個(gè)事實(shí)，但是它們都屬于某個(gè)周期內(nèi)。

累計(jì)快照事實(shí)表

周期快照事實(shí)表是單個(gè)周期內(nèi)數(shù)據(jù)，而累計(jì)快照事實(shí)表是由多個(gè)周期數(shù)據(jù)組成，每行匯總了過程開始到結(jié)束之間的度量。每行數(shù)據(jù)相當(dāng)于管道或工作流，有事件的起點(diǎn)，過程，終點(diǎn)，并且每個(gè)關(guān)鍵步驟都包含日期字段。如訂單數(shù)據(jù)，累計(jì)快照事實(shí)表的一行就是一個(gè)訂單，當(dāng)訂單產(chǎn)生時(shí)插入一行，當(dāng)訂單發(fā)生變化時(shí)，這行就被修改。

無事實(shí)的事實(shí)表

我們以上討論的事實(shí)表度量都是數(shù)字化的，當(dāng)然實(shí)際應(yīng)用中絕大多數(shù)都是數(shù)字化的度量，但是也可能會(huì)有少量的沒有數(shù)字化的值但是還很有價(jià)值的字段，無事實(shí)的事實(shí)表就是為這種數(shù)據(jù)準(zhǔn)備的，利用這種事實(shí)表可以分析發(fā)生了什么。

聚集事實(shí)表

聚集，就是對(duì)原子粒度的數(shù)據(jù)進(jìn)行簡單的聚合操作，目的就是為了提高查詢性能。如我們需求是查詢?nèi)珖虚T店的總銷售額，我們?cè)恿６鹊氖聦?shí)表中每行是每個(gè)分店每個(gè)商品的銷售額，聚集事實(shí)表就可以先聚合每個(gè)分店的總銷售額，這樣匯總所有門店的銷售額時(shí)計(jì)算的數(shù)據(jù)量就會(huì)小很多。

合并事實(shí)表

這種事實(shí)表遵循一個(gè)原則，就是相同粒度，數(shù)據(jù)可以來自多個(gè)過程，但是只要它們屬于相同粒度，就可以合并為一個(gè)事實(shí)表，這類事實(shí)表特別適合經(jīng)常需要共同分析的多過程度量。

2．維度表

每個(gè)維度表都包含單一的主鍵列。維度表的主鍵可以作為與之關(guān)聯(lián)的任何事實(shí)表的外鍵，當(dāng)然，維度表行的描述環(huán)境應(yīng)與事實(shí)表行完全對(duì)應(yīng)。維度表通常比較寬，是扁平型非規(guī)范表，包含大量的低粒度的文本屬性。

維度表示你要對(duì)數(shù)據(jù)進(jìn)行分析時(shí)所用的一個(gè)量，比如你要分析產(chǎn)品銷售情況， 你可以選擇按類別來進(jìn)行分析，或按區(qū)域來分析。每個(gè)類別就構(gòu)成一個(gè)維度。上圖中的用戶表、商家表、時(shí)間表這些都屬于維度表，這些表都有一個(gè)唯一的主鍵，然后在表中存放了詳細(xì)的數(shù)據(jù)信息。

總的說來，在數(shù)據(jù)倉庫中不需要嚴(yán)格遵守規(guī)范化設(shè)計(jì)原則。因?yàn)閿?shù)據(jù)倉庫的主導(dǎo)功能就是面向分析，以查詢?yōu)橹鳎簧婕皵?shù)據(jù)更新操作。事實(shí)表的設(shè)計(jì)是以能夠正確記錄歷史信息為準(zhǔn)則，維度表的設(shè)計(jì)是以能夠以合適的角度來聚合主題內(nèi)容為準(zhǔn)則。

維度表結(jié)構(gòu)

維度表謹(jǐn)記一條原則，包含單一主鍵列，但有時(shí)因業(yè)務(wù)復(fù)雜，也可能出現(xiàn)聯(lián)合主鍵，請(qǐng)盡量避免，如果無法避免，也要確保必須是單一的，這很重要，如果維表主鍵不是單一，和事實(shí)表關(guān)聯(lián)時(shí)會(huì)出現(xiàn)數(shù)據(jù)發(fā)散，導(dǎo)致最后結(jié)果可能出現(xiàn)錯(cuò)誤。

維度表通常比較寬，包含大量的低粒度的文本屬性。

跨表鉆取

跨表鉆取意思是當(dāng)每個(gè)查詢的行頭都包含相同的一致性屬性時(shí)，使不同的查詢能夠針對(duì)兩個(gè)或更多的事實(shí)表進(jìn)行查詢

鉆取可以改變維的層次，變換分析的粒度。它包括上鉆/下鉆：

上鉆（roll-up）：上卷是沿著維的層次向上聚集匯總數(shù)據(jù)。例如，對(duì)產(chǎn)品銷售數(shù)據(jù)，沿著時(shí)間維上卷，可以求出所有產(chǎn)品在所有地區(qū)每月（或季度或年或全部）的銷售額。

下鉆（drill-down）：下鉆是上鉆的逆操作，它是沿著維的層次向下，查看更詳細(xì)的數(shù)據(jù)。

退化維度

退化維度就是將維度退回到事實(shí)表中。因?yàn)橛袝r(shí)維度除了主鍵沒有其他內(nèi)容，雖然也是合法維度鍵，但是一般都會(huì)退回到事實(shí)表中，減少關(guān)聯(lián)次數(shù)，提高查詢性能

多層次維度

多數(shù)維度包含不止一個(gè)自然層次，如日期維度可以從天的層次到周到月到年的層次。所以在有些情況下，在同一維度中存在不同的層次。

維度表空值屬性

當(dāng)給定維度行沒有被全部填充時(shí)，或者當(dāng)存在屬性沒有被應(yīng)用到所有維度行時(shí)，將產(chǎn)生空值維度屬性。上述兩種情況，推薦采用描述性字符串代替空值，如使用 unknown 或 not applicable 替換空值。

日歷日期維度

在日期維度表中，主鍵的設(shè)置不要使用順序生成的id來表示，可以使用更有意義的數(shù)據(jù)表示，比如將年月日合并起來表示，即YYYYMMDD，或者更加詳細(xì)的精度。

2. 維度建模三種模式

1. 星型模式

星形模式(Star Schema)是最常用的維度建模方式。星型模式是以事實(shí)表為中心，所有的維度表直接連接在事實(shí)表上，像星星一樣。星形模式的維度建模由一個(gè)事實(shí)表和一組維表成，且具有以下特點(diǎn)：a. 維表只和事實(shí)表關(guān)聯(lián)，維表之間沒有關(guān)聯(lián)；b. 每個(gè)維表主鍵為單列，且該主鍵放置在事實(shí)表中，作為兩邊連接的外鍵；c. 以事實(shí)表為核心，維表圍繞核心呈星形分布；

2. 雪花模式

雪花模式(Snowflake Schema)是對(duì)星形模式的擴(kuò)展。雪花模式的維度表可以擁有其他維度表的，雖然這種模型相比星型更規(guī)范一些，但是由于這種模型不太容易理解，維護(hù)成本比較高，而且性能方面需要關(guān)聯(lián)多層維表，性能也比星型模型要低。所以一般不是很常用

雪花模式

3．星座模式

星座模式是星型模式延伸而來，星型模式是基于一張事實(shí)表的，而星座模式是基于多張事實(shí)表的，而且共享維度信息。前面介紹的兩種維度建模方法都是多維表對(duì)應(yīng)單事實(shí)表，但在很多時(shí)候維度空間內(nèi)的事實(shí)表不止一個(gè)，而一個(gè)維表也可能被多個(gè)事實(shí)表用到。在業(yè)務(wù)發(fā)展后期，絕大部分維度建模都采用的是星座模式。

星座模型

3. 維度建模過程

我們知道維度建模的表類型有事實(shí)表，維度表；模式有星形模型，雪花模型，星座模型這些概念了，但是實(shí)際業(yè)務(wù)中，給了我們一堆數(shù)據(jù)，我們?cè)趺茨眠@些數(shù)據(jù)進(jìn)行數(shù)倉建設(shè)呢，數(shù)倉工具箱作者根據(jù)自身60多年的實(shí)際業(yè)務(wù)經(jīng)驗(yàn)，給我們總結(jié)了如下四步，請(qǐng)務(wù)必記??！

數(shù)倉工具箱中的維度建模四步走：

維度建模四步走

請(qǐng)牢記以上四步，不管什么業(yè)務(wù)，就按照這個(gè)步驟來，順序不要搞亂，因?yàn)檫@四步是環(huán)環(huán)相扣，步步相連。下面詳細(xì)拆解下每個(gè)步驟怎么做

1、選擇業(yè)務(wù)過程

維度建模是緊貼業(yè)務(wù)的，所以必須以業(yè)務(wù)為根基進(jìn)行建模，那么選擇業(yè)務(wù)過程，顧名思義就是在整個(gè)業(yè)務(wù)流程中選取我們需要建模的業(yè)務(wù)，根據(jù)運(yùn)營提供的需求及日后的易擴(kuò)展性等進(jìn)行選擇業(yè)務(wù)。比如商城，整個(gè)商城流程分為商家端，用戶端，平臺(tái)端，運(yùn)營需求是總訂單量，訂單人數(shù)，及用戶的購買情況等，我們選擇業(yè)務(wù)過程就選擇用戶端的數(shù)據(jù)，商家及平臺(tái)端暫不考慮。業(yè)務(wù)選擇非常重要，因?yàn)楹竺嫠械牟襟E都是基于此業(yè)務(wù)數(shù)據(jù)展開的。

2、聲明粒度

先舉個(gè)例子：對(duì)于用戶來說，一個(gè)用戶有一個(gè)身份證號(hào)，一個(gè)戶籍地址，多個(gè)手機(jī)號(hào)，多張銀行卡，那么與用戶粒度相同的粒度屬性有身份證粒度，戶籍地址粒度，比用戶粒度更細(xì)的粒度有手機(jī)號(hào)粒度，銀行卡粒度，存在一對(duì)一的關(guān)系就是相同粒度。為什么要提相同粒度呢，因?yàn)榫S度建模中要求我們，在同一事實(shí)表中，必須具有相同的粒度，同一事實(shí)表中不要混用多種不同的粒度，不同的粒度數(shù)據(jù)建立不同的事實(shí)表。并且從給定的業(yè)務(wù)過程獲取數(shù)據(jù)時(shí)，強(qiáng)烈建議從關(guān)注原子粒度開始設(shè)計(jì)，也就是從最細(xì)粒度開始，因?yàn)樵恿６饶軌虺惺軣o法預(yù)期的用戶查詢。但是上卷匯總粒度對(duì)查詢性能的提升很重要的，所以對(duì)于有明確需求的數(shù)據(jù)，我們建立針對(duì)需求的上卷匯總粒度，對(duì)需求不明朗的數(shù)據(jù)我們建立原子粒度。

3、確認(rèn)維度

維度表是作為業(yè)務(wù)分析的入口和描述性標(biāo)識(shí)，所以也被稱為數(shù)據(jù)倉庫的“靈魂”。在一堆的數(shù)據(jù)中怎么確認(rèn)哪些是維度屬性呢，如果該列是對(duì)具體值的描述，是一個(gè)文本或常量，某一約束和行標(biāo)識(shí)的參與者，此時(shí)該屬性往往是維度屬性，數(shù)倉工具箱中告訴我們牢牢掌握事實(shí)表的粒度，就能將所有可能存在的維度區(qū)分開，并且要確保維度表中不能出現(xiàn)重復(fù)數(shù)據(jù)，應(yīng)使維度主鍵唯一

4、確認(rèn)事實(shí)

事實(shí)表是用來度量的，基本上都以數(shù)量值表示，事實(shí)表中的每行對(duì)應(yīng)一個(gè)度量，每行中的數(shù)據(jù)是一個(gè)特定級(jí)別的細(xì)節(jié)數(shù)據(jù)，稱為粒度。維度建模的核心原則之一是同一事實(shí)表中的所有度量必須具有相同的粒度。這樣能確保不會(huì)出現(xiàn)重復(fù)計(jì)算度量的問題。有時(shí)候往往不能確定該列數(shù)據(jù)是事實(shí)屬性還是維度屬性。記住最實(shí)用的事實(shí)就是數(shù)值類型和可加類事實(shí)。所以可以通過分析該列是否是一種包含多個(gè)值并作為計(jì)算的參與者的度量，這種情況下該列往往是事實(shí)。

三、離線數(shù)倉建設(shè)實(shí)戰(zhàn)

技術(shù)是為業(yè)務(wù)服務(wù)的，業(yè)務(wù)是為公司創(chuàng)造價(jià)值的，離開業(yè)務(wù)的技術(shù)是無意義的

1. 業(yè)務(wù)介紹

需要針對(duì)不同需求的用戶開發(fā)不同的產(chǎn)品，所以公司內(nèi)部有很多條業(yè)務(wù)線，但是對(duì)于數(shù)據(jù)部門來說，所有業(yè)務(wù)線的數(shù)據(jù)都是數(shù)據(jù)源。對(duì)數(shù)據(jù)的劃分不只是根據(jù)業(yè)務(wù)進(jìn)行，而是結(jié)合數(shù)據(jù)的屬性。

2. 早期規(guī)劃

之前開發(fā)是不同業(yè)務(wù)線對(duì)應(yīng)不同的數(shù)據(jù)團(tuán)隊(duì)，每個(gè)數(shù)據(jù)團(tuán)隊(duì)互不干擾，這種模式比較簡單，只針對(duì)自己的業(yè)務(wù)線進(jìn)行數(shù)倉建設(shè)及報(bào)表開發(fā)即可。

但是隨著業(yè)務(wù)的發(fā)展，頻繁迭代及跨部門的垂直業(yè)務(wù)單元越來越多，業(yè)務(wù)之間的出現(xiàn)耦合情況，這時(shí)再采用這種煙囪式開發(fā)就出現(xiàn)了問題：

例如權(quán)限問題，公司對(duì)數(shù)據(jù)管理比較嚴(yán)格，不同的數(shù)據(jù)開發(fā)組沒有權(quán)限共享數(shù)據(jù)，需要其他業(yè)務(wù)線的數(shù)據(jù)權(quán)限需要上報(bào)審批，比較耽誤時(shí)間；

還有重復(fù)開發(fā)問題，不同業(yè)務(wù)線會(huì)出現(xiàn)相同的報(bào)表需求，如果每個(gè)業(yè)務(wù)方都開發(fā)各自的報(bào)表，太浪費(fèi)資源。

所以對(duì)于數(shù)據(jù)開發(fā)而言，需要對(duì)各個(gè)業(yè)務(wù)線的數(shù)據(jù)進(jìn)行統(tǒng)一管理，所以就有了數(shù)據(jù)中臺(tái)的出現(xiàn)。

3. 數(shù)據(jù)中臺(tái)

我認(rèn)為數(shù)據(jù)中臺(tái)是根據(jù)每個(gè)公司具體的業(yè)務(wù)需求而搭建的，不同的業(yè)務(wù)，對(duì)中臺(tái)的理解有所不同。

公司內(nèi)部開發(fā)的敏捷數(shù)據(jù)中臺(tái)，主要從數(shù)據(jù)技術(shù)和計(jì)算能力的復(fù)用，到數(shù)據(jù)資產(chǎn)和數(shù)據(jù)服務(wù)的復(fù)用，數(shù)據(jù)中臺(tái)以更大價(jià)值帶寬，快準(zhǔn)精讓數(shù)據(jù)直接賦能業(yè)務(wù)。提供一個(gè)統(tǒng)一化的管理，打破數(shù)據(jù)孤島，追溯數(shù)據(jù)血緣，實(shí)現(xiàn)自助化及高復(fù)用度。

如下所示：

數(shù)據(jù)中臺(tái)

以上解釋比較抽象，我們以實(shí)際項(xiàng)目開發(fā)來看下數(shù)據(jù)中臺(tái)的便利性。

比如我們之前做報(bào)表開發(fā)流程，首先是要數(shù)據(jù)采集，不同的數(shù)據(jù)源通過sqoop等工具采集到大數(shù)據(jù)平臺(tái)，然后進(jìn)行數(shù)倉搭建，最后產(chǎn)出報(bào)表數(shù)據(jù)，放到可視化系統(tǒng)展示，最終把整個(gè)流程寫成腳本放到調(diào)度平臺(tái)進(jìn)行自動(dòng)化執(zhí)行。

而有了數(shù)據(jù)中臺(tái)之后就不需要那么繁瑣，直接進(jìn)行數(shù)倉搭建，產(chǎn)生報(bào)表即可，無需將精力過多放在數(shù)據(jù)源、可視化展示及調(diào)度。并且可以直觀的查看數(shù)據(jù)血緣關(guān)系，計(jì)算表之間血緣。像下面圖中，表之間的依賴關(guān)系很明確：

數(shù)據(jù)中臺(tái)

另一點(diǎn)，數(shù)據(jù)中臺(tái)的異構(gòu)數(shù)據(jù)系統(tǒng)可以非常簡單的進(jìn)行關(guān)聯(lián)查詢，比如hive的表關(guān)聯(lián)mysql的表。可透明屏蔽異構(gòu)數(shù)據(jù)系統(tǒng)異構(gòu)交互方式，輕松實(shí)現(xiàn)跨異構(gòu)數(shù)據(jù)系統(tǒng)透明混算。

異構(gòu)數(shù)據(jù)系統(tǒng)原理是數(shù)據(jù)中臺(tái)提供虛擬表到物理表之間的映射,終端用戶無需關(guān)心數(shù)據(jù)的物理存放位置和底層數(shù)據(jù)源的特性，可直接操作數(shù)據(jù)，體驗(yàn)類似操作一個(gè)虛擬數(shù)據(jù)庫。

數(shù)據(jù)中臺(tái)額外集成可視化展示，提供一站式數(shù)據(jù)可視化解決方案，支持JDBC數(shù)據(jù)源和CSV文件上傳，支持基于數(shù)據(jù)模型拖拽智能生成可視化組件，大屏展示自適應(yīng)不同大小屏幕。

調(diào)度系統(tǒng)是公司內(nèi)部自寫集成到數(shù)據(jù)中臺(tái)的，在編寫完sql語句之后可以直接進(jìn)行調(diào)度。

4. 數(shù)倉建設(shè)

到這才真正到數(shù)倉建設(shè)，為什么前面我要占那么大篇幅去介紹公司業(yè)務(wù)及所使用的數(shù)據(jù)中臺(tái)系統(tǒng)，因?yàn)橄旅娴臄?shù)倉建設(shè)是根據(jù)公司的業(yè)務(wù)發(fā)展及現(xiàn)有的數(shù)據(jù)中臺(tái)進(jìn)行，數(shù)倉的建設(shè)離不開公司的業(yè)務(wù)。

智能數(shù)倉規(guī)劃

數(shù)倉建設(shè)核心思想：從設(shè)計(jì)、開發(fā)、部署和使用層面，避免重復(fù)建設(shè)和指標(biāo)冗余建設(shè)，從而保障數(shù)據(jù)口徑的規(guī)范和統(tǒng)一，最終實(shí)現(xiàn)數(shù)據(jù)資產(chǎn)全鏈路關(guān)聯(lián)、提供標(biāo)準(zhǔn)數(shù)據(jù)輸出以及建立統(tǒng)一的數(shù)據(jù)公共層。有了核心思想，那怎么開始數(shù)倉建設(shè)，有句話說數(shù)倉建設(shè)者即是技術(shù)專家，也是大半個(gè)業(yè)務(wù)專家，所以采用的方式就是需求推動(dòng)數(shù)據(jù)建設(shè)，并且因?yàn)閿?shù)據(jù)中臺(tái)，所以各業(yè)務(wù)知識(shí)體系比較集中，各業(yè)務(wù)數(shù)據(jù)不再分散，加快了數(shù)倉建設(shè)速度。

數(shù)倉建設(shè)主要從兩個(gè)方面進(jìn)行，模型和規(guī)范，所有業(yè)務(wù)進(jìn)行統(tǒng)一化

模型

所有業(yè)務(wù)采用統(tǒng)一的模型體系，從而降低研發(fā)成本，增強(qiáng)指標(biāo)復(fù)用，并且能保證數(shù)據(jù)口徑的統(tǒng)一

模型分層

結(jié)合公司業(yè)務(wù)，后期新增需求較多，所以分層不宜過多，并且需要清晰明確各層職責(zé)，要保證數(shù)據(jù)層的穩(wěn)定又要屏蔽對(duì)下游影響，所以采用如下分層結(jié)構(gòu)：

數(shù)據(jù)分層架構(gòu)

數(shù)據(jù)流向

遵循模型開發(fā)時(shí)分層結(jié)構(gòu)，數(shù)據(jù)從 ods -> dw -> dm ->app 這樣正向流動(dòng)，可以防止因數(shù)據(jù)引用不規(guī)范而造成數(shù)據(jù)鏈路混亂及SLA時(shí)效難保障等問題，同時(shí)保證血緣關(guān)系簡潔化，能夠輕易追蹤數(shù)據(jù)流向。在開發(fā)時(shí)應(yīng)避免以下情況出現(xiàn)：

數(shù)據(jù)引用鏈路不正確，如 ods -> dm ->app ，出現(xiàn)這種情況說明明細(xì)層沒有完全覆蓋數(shù)據(jù)；如 ods -> dw -> app ，說明輕度匯總層主題劃分未覆蓋全 。減少跨層引用，才能提高中間表的復(fù)用度。理想的數(shù)倉模型設(shè)計(jì)應(yīng)當(dāng)具備：數(shù)據(jù)模型可復(fù)?，完善且規(guī)范。

盡量避免一層的表生成當(dāng)前層的表，如dw層表生成dw層表，這樣會(huì)影響ETL效率。

禁止出現(xiàn)反向依賴，如dw表依賴于dm表。

規(guī)范

表命名規(guī)范

對(duì)于ods、dm、app層表名：類型_主題_表含義，如：dm_xxsh_user

對(duì)于dw層表名：類型_主題_維度_表含義，如：dw_xxsh_fact_users（事實(shí)表）、dw_xxsh_dim_city（維度表）

字段命名規(guī)范

構(gòu)建詞根，詞根是維度和指標(biāo)管理的基礎(chǔ)，劃分為普通詞根與專有詞根

普通詞根：描述事物的最小單元體，如：sex-性別。

專有詞根：具備行業(yè)專屬或公司內(nèi)部規(guī)定的描述體，如：xxsh-公司內(nèi)部對(duì)某個(gè)產(chǎn)品的稱呼。

腳本命名規(guī)范

腳本名稱：腳本類型.腳本功用.[庫名].腳本名稱，如 hive.hive.dm.dm_xxsh_users

腳本類型主要分為以下三類：

常規(guī)Hive sql：hive

自定義shell腳本：sh

自定義Python腳本：python

腳本內(nèi)容規(guī)范

#變量的定義要符合python的語法要求

#指定任務(wù)負(fù)責(zé)人

owner?="zhangsan@xxx.com"

#腳本存放目錄/opt/xxx

#腳本名稱?hive.hive.dm.dm_xxsh_users

#source用來標(biāo)識(shí)上游依賴表，一個(gè)任務(wù)如果有多個(gè)上游表，都需要寫進(jìn)去

#(xxx_name?是需要改動(dòng)的，其余不需要改)

source=?{

"table_name":?{

"db":"db_name",

"table":"table_name"

}

}

#如source，但是每個(gè)任務(wù)target只有一張表

target?=?{

"db_table":?{

"host":"hive",

"db":"db_name",

"table":"table_name"

}

}

#變量列表

#$now

#$now.date 常用，格式示例：2020-12-11

task?='''

寫sql代碼

'

''

5. 數(shù)據(jù)層具體實(shí)現(xiàn)

使用四張圖說明每層的具體實(shí)現(xiàn)

數(shù)據(jù)源層ODS

數(shù)據(jù)源層

數(shù)據(jù)源層主要將各個(gè)業(yè)務(wù)數(shù)據(jù)導(dǎo)入到大數(shù)據(jù)平臺(tái)，作為業(yè)務(wù)數(shù)據(jù)的快照存儲(chǔ)。

數(shù)據(jù)明細(xì)層DW

數(shù)據(jù)明細(xì)層

事實(shí)表中的每行對(duì)應(yīng)一個(gè)度量，每行中的數(shù)據(jù)是一個(gè)特定級(jí)別的細(xì)節(jié)數(shù)據(jù)，稱為粒度。維度建模的核心原則之一是同一事實(shí)表中的所有度量必須具有相同的粒度。這樣能確保不會(huì)出現(xiàn)重復(fù)計(jì)算度量的問題。

維度表一般都是單一主鍵，少數(shù)是聯(lián)合主鍵，注意維度表不要出現(xiàn)重復(fù)數(shù)據(jù)，否則和事實(shí)表關(guān)聯(lián)會(huì)出現(xiàn)數(shù)據(jù)發(fā)散問題。

有時(shí)候往往不能確定該列數(shù)據(jù)是事實(shí)屬性還是維度屬性。記住最實(shí)用的事實(shí)就是數(shù)值類型和可加類事實(shí)。所以可以通過分析該列是否是一種包含多個(gè)值并作為計(jì)算的參與者的度量，這種情況下該列往往是事實(shí)；如果該列是對(duì)具體值的描述，是一個(gè)文本或常量，某一約束和行標(biāo)識(shí)的參與者，此時(shí)該屬性往往是維度屬性。但是還是要結(jié)合業(yè)務(wù)進(jìn)行最終判斷是維度還是事實(shí)。

數(shù)據(jù)輕度匯總層DM

數(shù)據(jù)輕度匯總層

此層命名為輕匯總層，就代表這一層已經(jīng)開始對(duì)數(shù)據(jù)進(jìn)行匯總，但是不是完全匯總，只是對(duì)相同粒度的數(shù)據(jù)進(jìn)行關(guān)聯(lián)匯總，不同粒度但是有關(guān)系的數(shù)據(jù)也可進(jìn)行匯總，此時(shí)需要將粒度通過聚合等操作進(jìn)行統(tǒng)一。

數(shù)據(jù)應(yīng)用層APP

數(shù)據(jù)應(yīng)用層

數(shù)據(jù)應(yīng)用層的表就是提供給用戶使用的，數(shù)倉建設(shè)到此就接近尾聲了，接下來就根據(jù)不同的需求進(jìn)行不同的取數(shù)，如直接進(jìn)行報(bào)表展示，或提供給數(shù)據(jù)分析的同事所需的數(shù)據(jù)，或其他的業(yè)務(wù)支撐。

6. 總結(jié)

一張圖總結(jié)下數(shù)據(jù)倉庫的構(gòu)建整體流程：

數(shù)據(jù)中臺(tái)

7. 實(shí)際生產(chǎn)中注意事項(xiàng)

生產(chǎn)環(huán)境中操作不能像我們自己測試時(shí)那樣隨意，一不小心都可能造成生產(chǎn)事故。所以每步操作都要十分小心，需全神貫注，管好大腦管住右手。

僅列出以下但不限于以下的注意事項(xiàng)：

請(qǐng)勿操作自己管理及授權(quán)表之外的其它庫表；

未經(jīng)授權(quán)，請(qǐng)勿操作生產(chǎn)環(huán)境中其他人的腳本及文件；

在修改生產(chǎn)環(huán)境腳本前，請(qǐng)務(wù)必自行備份到本地；

請(qǐng)確認(rèn)自己的修改操作能迅速回滾；

生產(chǎn)環(huán)境中表名及字段等所有命名請(qǐng)遵循命名規(guī)則。

四、實(shí)時(shí)計(jì)算

實(shí)時(shí)計(jì)算一般都是針對(duì)海量數(shù)據(jù)進(jìn)行的，并且要求為秒級(jí)。由于大數(shù)據(jù)興起之初，Hadoop并沒有給出實(shí)時(shí)計(jì)算解決方案，隨后Storm，SparkStreaming，F(xiàn)link等實(shí)時(shí)計(jì)算框架應(yīng)運(yùn)而生，而Kafka，ES的興起使得實(shí)時(shí)計(jì)算領(lǐng)域的技術(shù)越來越完善，而隨著物聯(lián)網(wǎng)，機(jī)器學(xué)習(xí)等技術(shù)的推廣，實(shí)時(shí)流式計(jì)算將在這些領(lǐng)域得到充分的應(yīng)用。

實(shí)時(shí)計(jì)算的三個(gè)特征：

無限數(shù)據(jù)：無限數(shù)據(jù)指的是一種不斷增長的，基本上無限的數(shù)據(jù)集。這些通常被稱為“流數(shù)據(jù)”，而與之相對(duì)的是有限的數(shù)據(jù)集。

無界數(shù)據(jù)處理：一種持續(xù)的數(shù)據(jù)處理模式,能夠通過處理引擎重復(fù)的去處理上面的無限數(shù)據(jù)，是能夠突破有限數(shù)據(jù)處理引擎的瓶頸的。

低延遲：延遲是多少并沒有明確的定義。但我們都知道數(shù)據(jù)的價(jià)值將隨著時(shí)間的流逝降低，時(shí)效性將是需要持續(xù)解決的問題。

現(xiàn)在大數(shù)據(jù)應(yīng)用比較火爆的領(lǐng)域，比如推薦系統(tǒng)在實(shí)踐之初受技術(shù)所限，可能要一分鐘，一小時(shí)，甚至更久對(duì)用戶進(jìn)行推薦，這遠(yuǎn)遠(yuǎn)不能滿足需要，我們需要更快的完成對(duì)數(shù)據(jù)的處理，而不是進(jìn)行離線的批處理。

1. 實(shí)時(shí)計(jì)算應(yīng)用場景

隨著實(shí)時(shí)技術(shù)發(fā)展趨于成熟，實(shí)時(shí)計(jì)算應(yīng)用越來越廣泛，以下僅列舉常見的幾種實(shí)時(shí)計(jì)算的應(yīng)用場景：

1. 實(shí)時(shí)智能推薦

智能推薦會(huì)根據(jù)用戶歷史的購買或?yàn)g覽行為，通過推薦算法訓(xùn)練模型，預(yù)測用戶未來可能會(huì)購買的物品或喜愛的資訊。對(duì)個(gè)人來說，推薦系統(tǒng)起著信息過濾的作用，對(duì)Web/App服務(wù)端來說，推薦系統(tǒng)起著滿足用戶個(gè)性化需求，提升用戶滿意度的作用。推薦系統(tǒng)本身也在飛速發(fā)展，除了算法越來越完善，對(duì)時(shí)延的要求也越來越苛刻和實(shí)時(shí)化。利用Flink流計(jì)算幫助用戶構(gòu)建更加實(shí)時(shí)的智能推薦系統(tǒng)，對(duì)用戶行為指標(biāo)進(jìn)行實(shí)時(shí)計(jì)算，對(duì)模型進(jìn)行實(shí)時(shí)更新，對(duì)用戶指標(biāo)進(jìn)行實(shí)時(shí)預(yù)測，并將預(yù)測的信息推送給Web/App端，幫助用戶獲取想要的商品信息，另一方面也幫助企業(yè)提升銷售額，創(chuàng)造更大的商業(yè)價(jià)值。

2. 實(shí)時(shí)欺詐檢測

在金融領(lǐng)域的業(yè)務(wù)中，常常出現(xiàn)各種類型的欺詐行為，例如信用卡欺詐，信貸申請(qǐng)欺詐等，而如何保證用戶和公司的資金安全，是近年來許多金融公司及銀行共同面對(duì)的挑戰(zhàn)。隨著不法分子欺詐手段的不斷升級(jí)，傳統(tǒng)的反欺詐手段已經(jīng)不足以解決目前所面臨的問題。以往可能需要幾個(gè)小時(shí)才能通過交易數(shù)據(jù)計(jì)算出用戶的行為指標(biāo)，然后通過規(guī)則判別出具有欺詐行為嫌疑的用戶，再進(jìn)行案件調(diào)查處理，在這種情況下資金可能早已被不法分子轉(zhuǎn)移，從而給企業(yè)和用戶造成大量的經(jīng)濟(jì)損失。而運(yùn)用Flink流式計(jì)算技術(shù)能夠在毫秒內(nèi)就完成對(duì)欺詐行為判斷指標(biāo)的計(jì)算，然后實(shí)時(shí)對(duì)交易流水進(jìn)行實(shí)時(shí)攔截，避免因?yàn)樘幚聿患皶r(shí)而導(dǎo)致的經(jīng)濟(jì)損失。

3. 輿情分析

有的客戶需要做輿情分析，要求所有數(shù)據(jù)存放若干年，輿情數(shù)據(jù)每日數(shù)據(jù)量可能超百萬，年數(shù)據(jù)量可達(dá)到幾十億的數(shù)據(jù)。而且爬蟲爬過來的數(shù)據(jù)是輿情，通過大數(shù)據(jù)技術(shù)進(jìn)行分詞之后得到的可能是大段的網(wǎng)友評(píng)論，客戶往往要求對(duì)輿情進(jìn)行查詢，做全文本搜索，并要求響應(yīng)時(shí)間控制在秒級(jí)。爬蟲將數(shù)據(jù)爬到大數(shù)據(jù)平臺(tái)的Kafka里，在里面做Flink流處理，去重去噪做語音分析，寫到ElasticSearch里。大數(shù)據(jù)的一個(gè)特點(diǎn)是多數(shù)據(jù)源，大數(shù)據(jù)平臺(tái)能根據(jù)不同的場景選擇不同的數(shù)據(jù)源。

4. 復(fù)雜事件處理

對(duì)于復(fù)雜事件處理，比較常見的集中于工業(yè)領(lǐng)域，例如對(duì)車載傳感器，機(jī)械設(shè)備等實(shí)時(shí)故障檢測，這些業(yè)務(wù)類型通常數(shù)據(jù)量都非常大，且對(duì)數(shù)據(jù)處理的時(shí)效性要求非常高。通過利用Flink提供的CEP進(jìn)行時(shí)間模式的抽取，同時(shí)應(yīng)用Flink的Sql進(jìn)行事件數(shù)據(jù)的轉(zhuǎn)換，在流式系統(tǒng)中構(gòu)建實(shí)施規(guī)則引擎，一旦事件觸發(fā)報(bào)警規(guī)則，便立即將告警結(jié)果通知至下游通知系統(tǒng)，從而實(shí)現(xiàn)對(duì)設(shè)備故障快速預(yù)警檢測，車輛狀態(tài)監(jiān)控等目的。

5. 實(shí)時(shí)機(jī)器學(xué)習(xí)

實(shí)時(shí)機(jī)器學(xué)習(xí)是一個(gè)更寬泛的概念，傳統(tǒng)靜態(tài)的機(jī)器學(xué)習(xí)主要側(cè)重于靜態(tài)的模型和歷史數(shù)據(jù)進(jìn)行訓(xùn)練并提供預(yù)測。很多時(shí)候用戶的短期行為，對(duì)模型有修正作用，或者說是對(duì)業(yè)務(wù)判斷有預(yù)測作用。對(duì)系統(tǒng)來說，需要采集用戶最近的行為并進(jìn)行特征工程，然后給到實(shí)時(shí)機(jī)器學(xué)習(xí)系統(tǒng)進(jìn)行機(jī)器學(xué)習(xí)。如果動(dòng)態(tài)地實(shí)施新規(guī)則，或是推出新廣告，就會(huì)有很大的參考價(jià)值。

2. 實(shí)時(shí)計(jì)算總覽

我們先來看一張大數(shù)據(jù)平臺(tái)的實(shí)時(shí)架構(gòu)圖：

數(shù)據(jù)同步：

在上面這張架構(gòu)圖中，數(shù)據(jù)從Web平臺(tái)中產(chǎn)生，通過數(shù)據(jù)同步系統(tǒng)導(dǎo)入到大數(shù)據(jù)平臺(tái)，由于數(shù)據(jù)源不同，這里的數(shù)據(jù)同步系統(tǒng)實(shí)際上是多個(gè)相關(guān)系統(tǒng)的組合。數(shù)據(jù)庫同步通常用 Sqoop，日志同步可以選擇 Flume等，不同的數(shù)據(jù)源產(chǎn)生的數(shù)據(jù)質(zhì)量可能差別很大，數(shù)據(jù)庫中的格式化數(shù)據(jù)直接導(dǎo)入大數(shù)據(jù)系統(tǒng)即可，而日志和爬蟲產(chǎn)生的數(shù)據(jù)就需要進(jìn)行大量的清洗、轉(zhuǎn)化處理才能有效使用。

數(shù)據(jù)存儲(chǔ)：

該層對(duì)原始數(shù)據(jù)、清洗關(guān)聯(lián)后的明細(xì)數(shù)據(jù)進(jìn)行存儲(chǔ)，基于統(tǒng)一的實(shí)時(shí)數(shù)據(jù)模型分層理念，將不同應(yīng)用場景的數(shù)據(jù)分別存儲(chǔ)在 Kafka、HDFS、Kudu、 Clickhouse、Hbase等存儲(chǔ)中。

數(shù)據(jù)計(jì)算：

計(jì)算層主要使用 Flink、Spark、Presto 以及 ClickHouse 自帶的計(jì)算能力等四種計(jì)算引擎，F(xiàn)link 計(jì)算引擎主要用于實(shí)時(shí)數(shù)據(jù)同步、 流式 ETL、關(guān)鍵系統(tǒng)秒級(jí)實(shí)時(shí)指標(biāo)計(jì)算場景，Spark SQL 主要用于復(fù)雜多維分析的準(zhǔn)實(shí)時(shí)指標(biāo)計(jì)算需求場景，Presto 和 ClickHouse 主要滿足多維自助分析、對(duì)查詢響應(yīng)時(shí)間要求不太高的場景。

實(shí)時(shí)應(yīng)用：

以統(tǒng)一查詢服務(wù)對(duì)各個(gè)業(yè)務(wù)線數(shù)據(jù)場景進(jìn)行支持，業(yè)務(wù)主要包括實(shí)時(shí)大屏、實(shí)時(shí)數(shù)據(jù)產(chǎn)品、實(shí)時(shí) OLAP、實(shí)時(shí)特征等。

當(dāng)然一個(gè)好的大數(shù)據(jù)平臺(tái)不能缺少元數(shù)據(jù)管理及數(shù)據(jù)治理：

1. 元數(shù)據(jù)及指標(biāo)管理：主要對(duì)實(shí)時(shí)的Kafka表、Kudu表、Clickhouse表、Hive表等進(jìn)行統(tǒng)一管理，以數(shù)倉模型中表的命名方式規(guī)范表的命名，明確每張表的字段含義、使用方，指標(biāo)管理則是盡量通過指標(biāo)管理系統(tǒng)將所有的實(shí)時(shí)指標(biāo)統(tǒng)一管理起來，明確計(jì)算口徑，提供給不同的業(yè)務(wù)方使用；

2. 數(shù)據(jù)質(zhì)量及血緣分析：數(shù)據(jù)質(zhì)量分為平臺(tái)監(jiān)控和數(shù)據(jù)監(jiān)控兩個(gè)部分，血緣分析則主要是對(duì)實(shí)時(shí)數(shù)據(jù)依賴關(guān)系、實(shí)時(shí)任務(wù)的依賴關(guān)系進(jìn)行分析。

以上架構(gòu)只是大數(shù)據(jù)平臺(tái)通用的數(shù)據(jù)模型，如果要具體的建設(shè)，需要考慮以下情況，業(yè)務(wù)需求需要實(shí)時(shí)還是準(zhǔn)實(shí)時(shí)即可，數(shù)據(jù)時(shí)效性是秒級(jí)還是分鐘級(jí)等。

在調(diào)度開銷方面，準(zhǔn)實(shí)時(shí)數(shù)據(jù)是批處理過程，因此仍然需要調(diào)度系統(tǒng)支持，調(diào)度頻率較高，而實(shí)時(shí)數(shù)據(jù)卻沒有調(diào)度開銷；

在業(yè)務(wù)靈活性方面，因?yàn)闇?zhǔn)實(shí)時(shí)數(shù)據(jù)是基于 ETL 或 OLAP 引擎實(shí)現(xiàn)，靈活性優(yōu)于基于流計(jì)算的方式；

在對(duì)數(shù)據(jù)晚到的容忍度方面，因?yàn)闇?zhǔn)實(shí)時(shí)數(shù)據(jù)可以基于一個(gè)周期內(nèi)的數(shù)據(jù)進(jìn)行全量計(jì)算，因此對(duì)于數(shù)據(jù)晚到的容忍度也是比較高的，而實(shí)時(shí)數(shù)據(jù)使用的是增量計(jì)算，對(duì)于數(shù)據(jù)晚到的容忍度更低一些；

在適用場景方面，準(zhǔn)實(shí)時(shí)數(shù)據(jù)主要用于有實(shí)時(shí)性要求但不太高、涉及多表關(guān)聯(lián)和業(yè)務(wù)變更頻繁的場景，如交易類型的實(shí)時(shí)分析，實(shí)時(shí)數(shù)據(jù)則更適用于實(shí)時(shí)性要求高、數(shù)據(jù)量大的場景，如實(shí)時(shí)特征、流量類型實(shí)時(shí)分析等場景。

3. 實(shí)時(shí)架構(gòu)

在某些場景中，數(shù)據(jù)的價(jià)值隨著時(shí)間的推移而逐漸減少。所以在傳統(tǒng)大數(shù)據(jù)離線數(shù)倉的基礎(chǔ)上，逐漸對(duì)數(shù)據(jù)的實(shí)時(shí)性提出了更高的要求。

于是隨之誕生了大數(shù)據(jù)實(shí)時(shí)數(shù)倉，并且衍生出了兩種技術(shù)架構(gòu)Lambda和Kappa。

1. Lambda架構(gòu)

先來看下Lambda架構(gòu)圖：

Lambda架構(gòu)圖

數(shù)據(jù)從底層的數(shù)據(jù)源開始，經(jīng)過Kafka、Flume等數(shù)據(jù)組件進(jìn)行收集，然后分成兩條線進(jìn)行計(jì)算：

一條線是進(jìn)入流式計(jì)算平臺(tái)（例如 Storm、Flink或者SparkStreaming），去計(jì)算實(shí)時(shí)的一些指標(biāo)；

另一條線進(jìn)入批量數(shù)據(jù)處理離線計(jì)算平臺(tái)（例如Mapreduce、Hive，Spark SQL），去計(jì)算T+1的相關(guān)業(yè)務(wù)指標(biāo)，這些指標(biāo)需要隔日才能看見。

為什么Lambda架構(gòu)要分成兩條線計(jì)算？

假如整個(gè)系統(tǒng)只有一個(gè)批處理層，會(huì)導(dǎo)致用戶必須等待很久才能獲取計(jì)算結(jié)果，一般有幾個(gè)小時(shí)的延遲。電商數(shù)據(jù)分析部門只能查看前一天的統(tǒng)計(jì)分析結(jié)果，無法獲取當(dāng)前的結(jié)果，這對(duì)于實(shí)時(shí)決策來說有一個(gè)巨大的時(shí)間鴻溝，很可能導(dǎo)致管理者錯(cuò)過最佳決策時(shí)機(jī)。

Lambda架構(gòu)屬于較早的一種架構(gòu)方式，早期的流處理不如現(xiàn)在這樣成熟，在準(zhǔn)確性、擴(kuò)展性和容錯(cuò)性上，流處理層無法直接取代批處理層，只能給用戶提供一個(gè)近似結(jié)果，還不能為用戶提供一個(gè)一致準(zhǔn)確的結(jié)果。因此Lambda架構(gòu)中，出現(xiàn)了批處理和流處理并存的現(xiàn)象。

在 Lambda 架構(gòu)中，每層都有自己所肩負(fù)的任務(wù)。

1. 批處理層存儲(chǔ)管理主數(shù)據(jù)集（不可變的數(shù)據(jù)集）和預(yù)先批處理計(jì)算好的視圖：

批處理層使用可處理大量數(shù)據(jù)的分布式處理系統(tǒng)預(yù)先計(jì)算結(jié)果。它通過處理所有的已有歷史數(shù)據(jù)來實(shí)現(xiàn)數(shù)據(jù)的準(zhǔn)確性。這意味著它是基于完整的數(shù)據(jù)集來重新計(jì)算的，能夠修復(fù)任何錯(cuò)誤，然后更新現(xiàn)有的數(shù)據(jù)視圖。輸出通常存儲(chǔ)在只讀數(shù)據(jù)庫中，更新則完全取代現(xiàn)有的預(yù)先計(jì)算好的視圖。

2. 流處理層會(huì)實(shí)時(shí)處理新來的大數(shù)據(jù)：

流處理層通過提供最新數(shù)據(jù)的實(shí)時(shí)視圖來最小化延遲。流處理層所生成的數(shù)據(jù)視圖可能不如批處理層最終生成的視圖那樣準(zhǔn)確或完整，但它們幾乎在收到數(shù)據(jù)后立即可用。而當(dāng)同樣的數(shù)據(jù)在批處理層處理完成后，在速度層的數(shù)據(jù)就可以被替代掉了。

那Lambda架構(gòu)有沒有缺點(diǎn)呢？

Lambda架構(gòu)經(jīng)歷多年的發(fā)展，其優(yōu)點(diǎn)是穩(wěn)定，對(duì)于實(shí)時(shí)計(jì)算部分的計(jì)算成本可控，批量處理可以用晚上的時(shí)間來整體批量計(jì)算，這樣把實(shí)時(shí)計(jì)算和離線計(jì)算高峰分開，這種架構(gòu)支撐了數(shù)據(jù)行業(yè)的早期發(fā)展，但是它也有一些致命缺點(diǎn)，并在大數(shù)據(jù)3.0時(shí)代越來越不適應(yīng)數(shù)據(jù)分析業(yè)務(wù)的需求。缺點(diǎn)如下：

使用兩套大數(shù)據(jù)處理引擎：維護(hù)兩個(gè)復(fù)雜的分布式系統(tǒng)，成本非常高。

批量計(jì)算在計(jì)算窗口內(nèi)無法完成：在IOT時(shí)代，數(shù)據(jù)量級(jí)越來越大，經(jīng)常發(fā)現(xiàn)夜間只有4、5個(gè)小時(shí)的時(shí)間窗口，已經(jīng)無法完成白天20多個(gè)小時(shí)累計(jì)的數(shù)據(jù)，保證早上上班前準(zhǔn)時(shí)出數(shù)據(jù)已成為每個(gè)大數(shù)據(jù)團(tuán)隊(duì)頭疼的問題。

數(shù)據(jù)源變化都要重新開發(fā)，開發(fā)周期長：每次數(shù)據(jù)源的格式變化，業(yè)務(wù)的邏輯變化都需要針對(duì)ETL和Streaming做開發(fā)修改，整體開發(fā)周期很長，業(yè)務(wù)反應(yīng)不夠迅速。

導(dǎo)致 Lambda 架構(gòu)的缺點(diǎn)根本原因是要同時(shí)維護(hù)兩套系統(tǒng)架構(gòu)：批處理層和速度層。我們已經(jīng)知道，在架構(gòu)中加入批處理層是因?yàn)閺呐幚韺拥玫降慕Y(jié)果具有高準(zhǔn)確性，而加入速度層是因?yàn)樗谔幚泶笠?guī)模數(shù)據(jù)時(shí)具有低延時(shí)性。

那我們能不能改進(jìn)其中某一層的架構(gòu)，讓它具有另外一層架構(gòu)的特性呢？

例如，改進(jìn)批處理層的系統(tǒng)讓它具有更低的延時(shí)性，又或者是改進(jìn)速度層的系統(tǒng)，讓它產(chǎn)生的數(shù)據(jù)視圖更具準(zhǔn)確性和更加接近歷史數(shù)據(jù)呢？

另外一種在大規(guī)模數(shù)據(jù)處理中常用的架構(gòu)——Kappa 架構(gòu)，便是在這樣的思考下誕生的。

2. Kappa架構(gòu)

Kafka的創(chuàng)始人Jay Kreps認(rèn)為在很多場景下，維護(hù)一套Lambda架構(gòu)的大數(shù)據(jù)處理平臺(tái)耗時(shí)耗力，于是提出在某些場景下，沒有必要維護(hù)一個(gè)批處理層，直接使用一個(gè)流處理層即可滿足需求，即下圖所示的Kappa架構(gòu)：

Kappa架構(gòu)

這種架構(gòu)只關(guān)注流式計(jì)算，數(shù)據(jù)以流的方式被采集過來，實(shí)時(shí)計(jì)算引擎將計(jì)算結(jié)果放入數(shù)據(jù)服務(wù)層以供查詢。可以認(rèn)為Kappa架構(gòu)是Lambda架構(gòu)的一個(gè)簡化版本，只是去除掉了Lambda架構(gòu)中的離線批處理部分；

Kappa架構(gòu)的興起主要有兩個(gè)原因：

Kafka不僅起到消息隊(duì)列的作用，也可以保存更長時(shí)間的歷史數(shù)據(jù)，以替代Lambda架構(gòu)中批處理層數(shù)據(jù)倉庫部分。流處理引擎以一個(gè)更早的時(shí)間作為起點(diǎn)開始消費(fèi)，起到了批處理的作用。

Flink流處理引擎解決了事件亂序下計(jì)算結(jié)果的準(zhǔn)確性問題。

Kappa架構(gòu)相對(duì)更簡單，實(shí)時(shí)性更好，所需的計(jì)算資源遠(yuǎn)小于Lambda架構(gòu)，隨著實(shí)時(shí)處理的需求在不斷增長，更多的企業(yè)開始使用Kappa架構(gòu)。但這不意味著kappa架構(gòu)能夠取代Lambda架構(gòu)。

Lambda和kappa架構(gòu)都有各自的適用領(lǐng)域；例如流處理與批處理分析流程比較統(tǒng)一，且允許一定的容錯(cuò)，用Kappa比較合適，少量關(guān)鍵指標(biāo)（例如交易金額、業(yè)績統(tǒng)計(jì)等）使用Lambda架構(gòu)進(jìn)行批量計(jì)算，增加一次校對(duì)過程。

還有一些比較復(fù)雜的場景，批處理與流處理產(chǎn)生不同的結(jié)果（使用不同的機(jī)器學(xué)習(xí)模型，專家系統(tǒng)，或者實(shí)時(shí)計(jì)算難以處理的復(fù)雜計(jì)算），可能更適合Lambda架構(gòu)。

參考文獻(xiàn)：https://mp.weixin.qq.com/s/DoDC0lA1WdyXa2r5bCuf7g