Oracle 数据仓库详解

1 概述

数据库 VS 数据仓库

• 数据库是面向事务设计的，属于 OLTP（在线事务处理）系统，主要操作是随机读写；在设计时尽量避免冗余，常采用范式规范来设计
• 数据仓库是面向主题设计的，属于 OLAP（在线分析处理）系统，主要操作是批量读写；在设计时会允许适当冗余，注重数据整合，以及分析、处理性能

	数据库	数据仓库
面向	事务	分析
目的	日常操作	长期信息需求、决策支持
操作	读、写	大多数为读
设计模型	基于 ER 模型，面向应用	星型、雪花型，面向主题
数据类型	细节、业务	综合、清洗过的数据
数据特点	当前的、最新的	历史的、跨时间维护
数据规模	GB 到 TB	>= TB

2 数据仓库

2.1 数仓分层

数据仓库的分层没有绝对统一的标准，请按实际业务需求进行增减
但有以下几个核心层，由上至下 依次为

分层	子分层	描述	场景
ADS	-	数据应用层：Application Data Service	报表查询
DW	DWS	数据服务层：Data Warehouse Service	汇总数据，用于分析
	DWM	数据中间层：Data WareHouse Middle	在 DWD 基础上进行轻微聚合操作，算出相应指标，形成 中间表
	DWD	数据明细层：Data Warehouse Details	对 ODS 数据进行 ETL 后的明细数据 维度退化，形成 宽表，减少 join，优化查询
ODS	-	原始数据层：Operational Data Store	同步原始业务数据，表结构保持不变

DW： 中还可以有 DIM（维度层）和 TEMP（临时层）等
ETL：Extract（抽取）、Transform（转换）、Load（加载）
常用的 ETL 工具：Spoon Kettle
APS：又称 DM（Data Mart 数据集市）、DWM：又称 DWB（基础数据层）

2.2 维度建模

维度建模的实现有两种：星型模型 和 雪花模型，主要区别在于对 维度表 的拆分
星型模型：一般采用 降维 的操作，利用冗余来避免模型过于复杂，提高易用性和分析效率
雪花模型：维度表的设计更加规范，一般符合 3NF
推荐：更倾向于 星型模型，尤其是 hadoop 体系

星型模型：像五角星一样

雪花模型：像雪花一样