数据仓库设计概论

数仓设计概论

1.OLTP与OLAP的应用和区别？

• OLTP
  • 应用：联机事务处理，满足业务数据的存储
  • 特点：数据量相对较小、性能快、需要满足事务
  • 工具：数据库管理工具，MySQL、Oracle
• OLAP
  • 应用：联机分析处理，满足基于数据处理的数据分析存储和管理
  • 特点：数据量相对较大、性能相对可以慢一些、没有事务性需求
  • 工具：数据仓库管理工具，Hive

2.数据仓库概述

• 2.1 功能：
  为了满足OLAP(联机分析处理)场景下的数据管理（存储、处理）需求

  • 存储：管理，将公司所有数据进行统一化的存储管理
  • 处理：将各种原始数据进行规范化处理，然后提供给各需求方

• 2.2 本质：
  一种分布式的、统一化的、规范化的数据管理设计模型

• 2.3 应用：
  满足企业中所有数据的统一化存储，通过规范化 的数据处理来实现企业数据分析应用的需求

• 2.4 特点：

  • 1.面向主题：
    数据仓库（DW，整个公司的数据）–>数据集市（DM，常见按照部门或者业务进行划分，又称作主题域）–>主题（针对具体的需求划分不同的主题）
  • 2.数据集成：存储所有需要采集的数据
  • 3.非易失性（稳定性）：几乎不存在更新和删除
  • 4.时变性：数仓数据随着时间的推移数据不断增加

• 2.5 数据仓库与数据库的区别

  • 数据库：面向业务，为捕获数据而设计（实时），主要为OLTP服务
  • 数据仓库：面向主题，大多用于储存历史数据，弱事务，重分析（OLAP），一般不支持修改

3.数据仓库的核心流程和重点应用

• 核心流程：ETL、分层、建模

• 3.1 ETL：Extract（抽取）、Transform（转换）、Load（加载）

  • 将原始数据根据需求进行数据处理后写入HDFS
  • 一般发生两次：
    • 一次在数据采集之后，写入HDFS的过程中，一次在Hive数仓中
  • 实现功能：过滤（SQL中select对列过滤，MR中调用MAP方法过滤）、转换、补全

• 3.2 分层：决定数据的规范性

  • 目的：将各种数据的处理流程规范化

  • 为什么要分层？

    • 1.清晰数据结构：每一个数据分层都有它的作用域，这样我们在使用表的时候能更方便地定位和理解。
    • 2.数据血缘追踪：简单来讲可以这样理解，我们最终给业务诚信的是一能直接使用的张业务表，但是它的来源有很多，如果有一张来源表出问题了，我们希望能够快速准确地定位到问题，并清楚它的危害范围。
    • 3.减少重复开发：规范数据分层，开发一些通用的中间层数据，能够减少极大的重复计算。
    • 4.把复杂问题简单化：一个复杂的任务分解成多个步骤来完成，每一层只处理单一的步骤，比较简单和容易理解。
    • 5.屏蔽原始数据的异常对业务的影响：不必改一次业务就需要重新接入数据

  • 整体分层一般分为三层：ODS（原始数据层）、DW（数据仓库层）、APP（数据应用层）

  • 实现：数据仓库是有Hive进行构建的，分层是通过数据库实现的

• 3.3 建模：决定了数据的存储方式和表的设计

  • 目的：为了实现数据存储二设计的数据表的存储模型

  • 为什么要建模？

  • 大数据系统需要数据模型方法来帮助更好地组织和存储数据，以便在性能、成本、效率和质量之间取得最佳平衡。

    • 1.性能：良好的数据模型能帮助我们快速查询所需要的数据，减少数据的I/O吞吐
    • 2.成本：良好的数据模型能极大地减少不必要的数据冗余，也能实现计算结果复用，极大地降低大数据系统中的存储和计算成本
    • 3.效率：良好的数据模型能极大地改善用户使用数据的体验，提高使用数据的效率
    • 4.质量：良好的数据模型能改善数据统计口径的不一致性，减少数据计算错误的可能性

4.指标

• 概述：统计分析的一个度量值，用于反映一个事实
• 常见指标
  • 1.PV —— page view：页面访问量
  • 2.UV —— Unique View：唯一访问量，即用户访问数
  • 3.IP —— 用户访问IP地址
  • 4.跳出率 —— 用户跳出率、会话跳出率，用户只访问了一个页面就离开了的会话个数，一般此数据越多越不好，一看即走说明网内内容毫无吸引力
  • 5.二跳率 —— 用户至少访问两个页面的会话个数，与跳出率相反，此数据越多说明网页质量越高
  • 6.平均访问时长 —— Sum（每个访问会话的时长）/会话个数
  • ……

5.维度设计

• 维度概述：用于描述事实【指标】的角度（表格里的分组字段）
  - 注：指标如果不基于组合维度进行分析得到，这个指标就毫无意义，所以指标一般基于多个组合维度来看：时间维度+地区维度等。
• 功能：细化对事实的描述，更精确的发现事实的结果
• 常见维度：时间、地区、用户、IP、平台、操作系统……
• 术语了解：
  • 下钻：当前基于一个大的维度进行分析，要下钻到一个更细、更小的维度进行分析
  • 上卷：当前分析的是一个小维度，要上卷到一个大的颗粒维度分析

6.模型

• 6.1. ER模型

• 概述：实体关系模型，一般应用于OLTP的关系型数据系统来实现业务数据库的建模

• 应用：实现满足业务的数据存储

• 流程:

  • 1.找到所有实体以及每个实体的相关属性
  • 2.找到所有实体之间的关系
  • 3.建表，每个实体和每个关系都是一张表

• 优缺点：

  • 优点：符合数据库的设计规范，没有冗余数据，保证性能和业务的需求
  • 缺点：设计时较复杂，必须找到所有实体以及它们之间的关系才能构建

• 6.2. 维度模型

  • 6.2.1 概述：基于维度表和事实表进行关联，反应一件事的好坏

    • 维度：用于反映事情好坏的角度
    • 事实：统计分析指标的度量值

  • 6.2.2 应用

    • 一般应用于大数据的数据仓库的模型构建，用于通过不同维度来反映一件事情的好坏

  • 6.2.3 维度表

    • 概述：一般是对事实的描述信息。每一张维表对应现实世界中的一个对象或者概念。 例如：用户、商品、日期、地区等。
    • 特征：
      • 1.维表的范围很宽（具有多个属性、列比较多）
      • 2.跟事实表相比，行数相对较小：通常< 10万条
      • 3.内容相对固定：编码表

  • 6.2.4 事实表

    • 概述：事实表中的每行数据代表一个业务事件（下单、支付、退款、评价等）。“事实”这个术语表示的是业务事件的度量值（可统计次数、个数、金额等），例如，订单事件中的下单金额。

    • 特征：

      • 1.非常的大
      • 2.内容相对的窄：列数较少
      • 3.经常发生变化，每天会新增加很多

    • 6.2.4.1 事实指标分类

      • 1.可累加事实值：基于不同的维度和统计可以直接进行累加的值
      • 2.半可累加事实值：基于某些维度和统计可以进行累加的值，而某些维度不可以
      • 3.不可累加事实值：在任何维度下，指标的累加是没有意义的，比如两个比率的相加或者平均数的相加
      • 4.可累加事实值：不建议产生空值，事实表中是不会出现空值，一般就前三种，此种情况不会出现

    • 6.2.4.2 事实表分类

      • 1.事务事实表：原始事务事实的数据，如订单表，登录日志等
      • 2.周期快照事实表：周期性对事务事实进行聚合的结果
      • 3.累计快照事实表：累积性完善事实的结，如快递订单的物流更新
      • 4.无事实事实表：没有事实度量，都是维度外键，一般用于与事实表进行关联求差值

  • 6.2.5 维度表模型

    • 6.2.5.1 雪花模型

    • 设计思路（特点）：部分维度直接与事实表相关联，部分维度通过其他维度间接关联事实表

      • 优点：没有冗余数据，保证业务的需求
      • 缺点：关联层次较多，层层JOIN，查询性能较低
        

    • 6.2.5.2 星型/星座模型

    • 设计思路（特点）：所有维度直接与事实表相关联

    • 1.星型模型：

      • 优点：直接查询，不用关联其他维度表，性能高
      • 缺点：数据冗余度高
        

    • 2.星型模型：基于星型模型的演变，多个事实共同使用一个维度表,真实场景中常用
      

7. 渐变维（SCD）

• 7.1. 概述（什么是渐变维？）
  维度可以根据变化剧烈程度主要分为无变化维度、缓慢变化维度和剧烈变化维度。例如一个人的相关信息，身份证号、姓名和性别等信息数据属于不变的部分，政治面貌和婚姻状态属于缓慢变化部分，而工作经历、工作单位和培训经历等在某种程度上属于急剧变化字段。
  大多数维度表随时间的迁移是缓慢变化的。比如增加了新的产品，或者产品的ID号码修改了，或者产品增加了一个新的属性，此时，维度表就会被修改或者增加新的记录行。这样，在设计维度和使用维度的过程中，就要考虑到缓慢变化维度的处理。
  缓慢渐变维，即维度中的属性可能会随着时间发生改变，比如包含用户住址Address的DimCustomer维度，用户的住址可能会发生改变，进而影响业务统计精度，DimCustomer维度就是缓慢渐变维（SCD）

• 7.2. 缓慢渐变维类型（渐变维的处理方案）

  • SCD1：通过更新维度记录直接覆盖已存在的值（覆盖历史记录只保留最新数据，结果不准确）
  • SCD2：构建拉链表，根据不同的时间来标记这一列不同的状态（重点，最常用）
    参见《数仓分析之拉链表》
  • SCD3：通过增加列的方式来记录每个状态（不能满足需求，一般不用）

8. 分层：

• 功能：规范数据从进入数仓开始到被应用这个过程整体被处理的过程
• 整体分层一般分为三层：ODS（原始数据层）、DW（数据仓库层）、APP（数据应用层）
• 常见分层（细化分层）：
  • 1.ODS：原始数据层
    • 功能：存储采集的所有数据
    • 数据：几乎是原始数据
  • 2.DWD：明细数据层
    • 功能：对ODS层数据进行ETL
    • 数据：ETL后的数据
  • 3.DWM：中间数据层
    • 功能：轻度聚合，依需求和公司习惯而定，有些公司无此分层
    • 数据：基于基础维度对DWD层的数据进行轻度聚合后的数据
  • 4.DWS/DM：汇总数据层/数据集市层
    • 功能：按业务需求划分主题域，将主题域中所需要的维度和指标进行最后的聚合，构建宽表
    • 数据：对上层数据进行整体聚合，得到业务指标的宽表
  • 5.APP/DA/ADS：数据应用层
    • 功能：存储最后要用的数据，划分具体主题，构建每个主题的结果表
    • 数据：基于DWS层进行主题划分的数据
  • 6.DIM：维度数据表
    • 功能：存放维度表的数据
  • 7.TMP：临时数据层
    • 功能：存储一些临时数据数据