1.1简介

Data warehouse（可简写为DW或者DWH）数据仓库，是在数据库已经大量存在的情况下，为了进一步挖掘数据资源、为了决策需要而产生的，它是一整套包括了etl、调度、建模在内的完整的理论体系。数据仓库的方案建设的目的，是为前端查询和分析作为基础，主要应用于OLAP（on-line Analytical Processing），支持复杂的分析操作，侧重决策支持，听且提供直观易懂的查询结果。比较流行的有：AWS Redshift，Greenplum，Hive等。

1.2主要特点

• 面向主题：

  • 操作型数据库组织面向事务处理任务，而数据仓库中的数据是按照一定的主题域进行组织。
  • 主题是指用户使用数据仓库进行决策时所关心的重点方面，一个主题通过与多个操作型信息系统相关。

• 集成

  • 需要对源数据进行加工与融合，统一与综合
  • 在加工的过程中必须消除源数据的不一致性，以保证数据仓库内的信息时关于整个企业的一致的全局信息。（关联关系）

• 不可修改

  • DW中的数据并不是最新的，而是来源于其他数据源
  • 数据仓库主要是为决策分析提供数据，涉及的操作主要是数据的查询

• 与时间相关

  • 处于决策的需要数据仓库中的数据都需要标明时间属性

1.3与数据库的对比

• DW：专门为数据分析设计的，涉及读取大量数据以了解数据之间的关系和趋势
• 数据库：用于捕获和存储数据

特性

数据仓库

事务数据库

适合的工作负载

分析、报告、大数据

事务处理

数据源

从多个来源收集和标准化的数据

从单个来源（例如事务系统）捕获的数据

数据捕获

批量写入操作通过按照预定的批处理计划执行

针对连续写入操作进行了优化，因为新数据能够最大程度地提高事务吞吐量

数据标准化

非标准化schema，例如星型Schema或雪花型schema

高度标准化的静态schema

数据存储

使用列式存储进行了优化，可实现轻松访问和高速查询性能

针对在单行型物理块中执行高吞吐量写入操作进行了优化

数据访问

为最小化I/O并最大化数据吞吐量进行了优化

大量小型读取操作

数据分层，每个企业根据自己的业务需求可以分成不同的层次，但是最基础的分层思想，理论上数据分为三个层：数据运营层、数据仓库层、数据服务层。基于这个基础分层之上，再提交信息的层次，来满足不同的业务需求。

2.1数据运营层（ODS）

• ODS：Operation Data Store 数据准备区，也称为贴源层。数据仓库源头系统的数据表通常会原封不动的存储一份，这称为ODS层，是后续数据仓库加工数据的来源。

• ODS层数据的来源方式：

  • 业务库

    • 经常会使用sqoop来抽取，例如每天定时抽取一次。
    • 实时方面，可以考虑用canal监听mysql的binlog，实时接入即可。

  • 埋点日志

    • 日志一般以文件的形式保存，可以选择用flume定时同步
    • 可以用spark streaming或者Flink来实时接入
    • kafka也OK

  • 消息队列：即来自ActiveMQ、Kafka的数据等。

2.2数据仓库层（DW）

DW数据分层，由下到上为DWD，DWB，DWS。

• DWD：data warehouse details 细节数据层，是业务层与数据仓库的隔离层。主要对ODS数据层做一些数据清洗和规范化的操作。

  • 数据清洗：去除空值、脏数据、超过极限范围的

• DWB：data warehouse base 数据基础层，存储的是客观数据，一般用作中间层，可以认为是大量指标的数据层。

• DWS：data warehouse service 数据服务层，基于DWB上的基础数据，整合汇总成分析某一个主题域的服务数据层，一般是宽表。用于提供后续的业务查询，OLAP分析，数据分发等。

  • 用户行为，轻度聚合
  • 主要对ODS/DWD层数据做一些轻度的汇总。

2.3数据服务层/应用层（ADS）

• ADS：applicationData Service应用数据服务，该层主要是提供数据产品和数据分析使用的数据，一般会存储在ES、mysql等系统中供线上系统使用。

  • 我们通过说的报表数据，或者说那种大宽表，一般就放在这里

ETL

• ETL ：Extract-Transform-Load，用于描述将数据从来源端经过抽取、转换、加载到目的端的过程。

宽表

• 含义：指字段比较多的数据库表。通常是指业务主体相关的指标、纬度、属性关联在一起的一张数据库表。

• 特点：

  • 宽表由于把不同的内容都放在同一张表，宽表已经不符合三范式的模型设计规范：

    • 坏处：数据有大量冗余
    • 好处：查询性能的提高和便捷

  • 宽表的设计广泛应用于数据挖掘模型训练前的数据准备，通过把相关字段放在同一张表中，可以大大提供数据挖掘模型训练过程中迭代计算的消息问题。

数据库设计三范式

为了建立冗余较小、结构合理的数据库，设计数据库时必须遵循一定的规则。在关系型数据库中这种规则就称为范式。范式时符合某一种设计要求的总结。

1. 第一范式：确保每列保持原子性，即要求数据库表中的所有字段值都是不可分解的原子值。

2. 第二范式：确保表中的每列都和主键相关。也就是说在一个数据库表中，一个表中只能保存一种数据，不可以把多种数据保存在同一张数据库表中。

3. 第三范式：确保每列都和主键列直接相关，而不是间接相关。