本文详细介绍了数据仓库的基本概念，包括其特征、意义和与数据库的区别。此外，探讨了OLTP和OLAP的异同，并阐述了星型模式、雪花模式和星座模式在数据仓库设计中的应用。文章还深入讲解了数据仓库的分层理论，包括CIF层次结构，并讨论了维度建模，如代理键、稳定维度、缓慢渐变维和拉链表的细节。最后，探讨了事实表设计的不同策略，如增量存储、全量快照和拉链。
一、什么是数据仓库？
1.1 数据仓库概述：
数据仓库是决策支持系统（dss）和联机分析应用数据源的结构化数据环境。数据仓库致力于研究和解决从数据库中获取信息的问题。
1.2 数据仓库特征：
面向主题、集成性、稳定性和时变性，用于支持管理决策。
1.3 数据仓库意义：
对企业的所有数据进行汇总，致力于为企业各个部门提供统一的、规范的数据出口。
1.4 数据仓库目标：
实现集成、稳定、反应历史变化有组织有结构的存储数据的集合。
1.5 数据库与数据仓库的区别：
数据库（Database）：则是按照数据结构来组织、存储和管理数据的建立在计算机存储设备上的仓库。数据库是长期储存在计算机内、有组织的、可共享的数据集合。
1.6 OLTP和OLAP：
操作型处理：又名联机事务处理OLTP（On-Line Transaction Processing），也可以称面向交易的处理系统，是针对具体业务在数据库联机的日常操作，通常对少数记录进行查询、修改。用户较为关心操作的响应时间、数据的安全性、完整性和并发支持的用户数量等问题。传统的数据库系统作为数据管理的主要手段，主要用于操作型处理。
分析型处理：又名联机分析处理OLAP（On-Line Analytical Processing），一般针对某些主题的历史数据进行分析，支持管理决策。
二者的异同如表1所示：
表 1：OLTP与OLAP的异同
| 操作型处理 |
分析型处理 |
| 细节的 |
综合的或提炼的 |
| 实体-关系（ER）模型 |
星型或雪花模型 |
| 存取瞬间数据 |
存储历史数据，不包含最近的数据 |
| 可更新的 |
只读，只追加 |
| 一次操作一个单元 |
一次操作一个集合 |
| 性能要求高，响应时间短 |
性能要求宽松 |
| 面向事务 |
面向分析 |
| 一次操作数据量小 |
一次操作数据量大 |
| 支持日常操作 |
支持决策需求 |
| 数据量小 |
数据量大 |
| 客户订单、库存水平和银行账户等 |
最低0.47元/天 解锁文章
18万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
