数仓理论目录
一、什么是数据仓库
数据仓库，是为企业所有级别的决策制定过程，提供所有类型数据支持的战略集合。它出于分析性报告和决策支持目的而创建。 为需要业务智能的企业，提供指导业务流程改进、监视时间、成本、质量以及控制。
1.1 数仓的特点
概括来看，数仓有以下四个特征：
a.数据面向主题
与传统数据库面向应用进行数据组织的特点相对应，数据仓库中的数据是面向主题进行组织的。
什么是主题呢？泛指数据的主要内容，在逻辑意义上，可以对应某一宏观的分析领域。数据仓库是主观创建并且面向分析的，它可能随着人的变化而变化，也会随着时间而变化，对应数据的主题也随之会发生变化。
b.数据是集成的
数据仓库的数据是从原有的分散的多个数据库、数据文件和数据段中抽取来的，数据来源可能既有内部数据又有外部数据。 由于来源于不同联机系统的数据都和不同的逻辑绑定在一起，而数据仓库中的数据绝大多数不能从原有的数据库中直接得到，因此，在数据进入数仓前，必须对数据进行统一和综合，这一步是数据仓库建设中最关键、最复杂的一步，所要完成的工作有：
- 统一数据的不一致之处，例如长度不一致，单位不一致…
- 对数据综合和计算。数据综合可以是在数据抽取时完成，但更多的是在数据仓库内部生成的；
c.数据非易失的
数仓中数据主要供企业做决策分析，涉及的数据操作主要是数据查询，所以一般情况下不进行修改操作。数据仓库的数据反映的是一段相当长的时间内历史数据的内容，是不同时点的数据库快照的集合，以及基于这些快照进行统计、综合和重组的导出数据，而不是联机处理的数据。数据仓库的目的就是要根据曾经发生的事件进行分析，如果数据是可修改的，将使历史分析变得没有意义;
d.数据是随时间变化的
- 数仓随时间变化不断添加新的数据内容；
- 数仓随时间推移不断删除旧的数据内容，超过数据时限的就要被删除；数仓中数据 需要保存较长时限的数据(如十年左右)；数据仓库中的数据必须以一定时间段为单位进行统一更新；
- 数仓中的很多综合数据都和时间挂钩，随着时间变化数据也需要不断重新进行综合；因此数据仓库的数据特征都包含时间项，以标明数据的历史时期；
二、数仓和数据库的区别
当我们去探究数据仓库和数据库的区别与联系时，我们先要了解的联机事务处理OLTP（On-Line Transaction Processing）和联机分析处理OLAP（On-Line Analytical Processing）之间的区别和联系。
传统的关系型数据库的主要应用是OLTP，主要是基本的、日常的事务处理；数据仓库系统的主要应用主要是OLAP，支持复杂的分析操作，侧重决策支持，并且提供直观易懂的查询结果。
| OLTP | OLAP | |
|---|---|---|
| 应用场景 | 面向事务(行级操作) | 面向分析(范围操作) |
| 是否更新 | 可更新的 | 只读，只追加 |
| 设计模型 | 实体-关系（ER）模型 | 星型、星座模型或雪花模型 |
| 数据规模 | GB | TB/PB |
| 数据存储 | 存储瞬时数据 | 存储历史数据 |
| 数据表征 | 最新数据状态 | 随时间变化的历史状态 |
除了以上的区别之外，还有以下根本的区别：
- 数据库是一种具体
数据存储技术，而数据仓库是一种结构体系；在搭建数仓的过程中，我们会用到数据库这种技术支持； - 数据库是用来小数据量的读写操作，而后者是用来处理大数据的分析计算工作；传统的关系型数据库中根据业务来设计数据机构，不是为了查询和分析便利而设计的；
三、数仓的数据来源
- RDMS；eg:MySQL，ORACLE,SQL-SERVER…
- 日志数据
- 服务器日志，Tomcat日志等；
- 用户行为数据，通过前端设置埋点实现日志采集；
- 第三方提供的数据；
- 其他渠道数据；
四、数仓的分层
4.1 数仓分层的意义
数仓分层的目的是：逐层解耦，减少重复计算，降低烟囱式开发。越到底层，越接近业务发生的记录，越到上层，越接近业务目标。具体如下：
清晰数据结构：每一个数据分层都有它的作用域和职责，在使用表的时候能更方便地定位和理解，实现业务数据解耦；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；统一数据口径：通过数据分层，提供统一的数据出口，统一对外输出的数据口径复杂问题简单化：将一个复杂的任务分解成多个步骤来完成，每一层解决特定的问题
4.2 ODS(Operational Data Store)
存放未经过处理的原始数据至数据仓库系统，结构上与源系统保持一致，是数据仓库的数据准备区。
ODS层的作用：
- 保持数据原貌不做任何修改，起到备份数据的作用；
- 数据采用压缩存储，减少磁盘存储空间（如：原始数据100G，可以压缩到10G左右）；
- 创建分区表，防止后续的全表扫描
4.2 DWD(data warehouse detail)
DWD层是以业务过程为驱动，基于每个具体的业务过程特点，构建最细粒度的明细层事实表。可以结合企业的数据使用特点，将明细事实表的某些重要维度属性字段做适当冗余，即宽表化处理。同时，为了提高数据明细层的易用性，该层会采用一些维度退化手法，将维度退化至事实表中，减少事实表和维表的关联,在该层也会做一部分的数据聚合，将相同主题的数据汇集到一张表中，提高数据的可用性。
具体操作如下：
- 数据清洗：去除空值、过滤核心字段无意义的数据、超过极限范围的数据；
- 维度退化：对业务数据传过来的表进行维度退化和降维
- 数据压缩：采用适合的压缩格式对数据进行压缩处理；
- 数据存储：行式存储转列式存储；
4.3 DWS(data warehouse service)
- DWS层会在DWD层的数据基础上，对数据做横向的连接，纵向轻度的聚合操作，生成一系列的中间表，提升公共指标的复用性，减少重复加工。统计各个主题对象的当天行为，DWS层的宽表字段，是站在不同维度的视角去看事实表，重点关注事实表的度量值，通过与之关联的事实表，获得不同的事实表的度量值。
- 构建公共粒度的汇总指标事实表，以宽表化手段物理化模型。构建命名规范、口径一致的统计指标，为上层提供公共指标，建立汇总宽表、明细事实表。
4.4 DM(data market)
数据集市层，这层数据是面向主题来组织数据的，通常是星形或雪花结构的数据。以分析的主题对象为建模驱动，基于上层的应用和产品的指标需求，构建主题对象的全量宽表DM层主题宽表都记录什么字段？每个维度关联的不同事实表度量值以及首次、末次时间、累积至今的度量值、累积某个时间段的度量值。
4.4.1 ADS(application data store)
为应用数据层，针对大主题指标分别进行分析，根据业务具体需求，做对应的统计分析指标。这层数据是完全为了满足具体的分析需求而构建的数据，也是星形或雪花结构的数据。从数据粒度来说是高度汇总的数据。从数据的广度来说，则并不一定会覆盖所有业务数据，而是DM层数据的一个真子集，从某种意义上来说是DM层数据的一个重复。
五、数仓建模
数据模型建设的意义：
- 进行全面的业务梳理，改进业务流程；
- 建立全方位的数据视角，消灭信息孤岛和数据差异；
- 解决业务的变动和数据仓库的灵活性；
- 帮助数据仓库系统本身的建设；
六、数仓调优
七、数据维护
PS：如果有写错或者写的不好的地方，欢迎各位大佬在评论区留下宝贵的意见或者建议，敬上！如果这篇博客对您有帮助，希望您可以顺手帮我点个赞！不胜感谢！
| 原创作者：wsjslient |
| 参考来源：https://blog.csdn.net/qq_31821675/article/details/107543785 |
| https://blog.csdn.net/lightupworld/article/details/108716552 |
扫一扫
5609
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
