构建数据仓库(data warehouse)和数据管道(data pipelines)是非常复杂的事情,如果你进入数据工程的世界,很快就会发现没有完全正确或错误的方法,如何创建取决于项目需求。
然而在构建数据管道时,应该遵循一些基本流程,这样可以提高数据管道的可操作性和性能。
在这篇文章中,我向大家分享一个路线图,作为构建数据仓库和管道的指南。
基本概念
DataSchool的《Cloud Data Management》是学习构建数据仓库的很好的教程。在这本书中,他们介绍了处理数据的4个阶段,这些阶段是数据工程师多年来一直遵循的结构模式。
基础架构
数据仓库和管道的基本架构可以分为四个部分:数据源(data sources)、数据湖(data lake)、数据仓库(data warehouse)和数据集市(data marts)。
- 数据源:商业运营产生的数据,一般来自于数据库、CRM、API等。
- 数据湖:数据湖是一个存储库,存储多个原始数据集,在这个阶段数据通常是非结构化的,并且有点凌乱。
- 数据仓库&#x