数据仓库——原理+实战（一）

一、数据仓库概述

1. 数据仓库诞生原因

（1）历史数据积存（存放在线上业务数据库中，当数据积压到一定程度会导致性能下降，所以需要将实用频率低的冷数据转移到数据仓库中）

（2）企业数据分析的需要（业务数据库中的数据实时更新，企业各个部门自己建立独立的数据抽取系统，导致数据不一致；数仓面向数据分析，业务数据库面向业务系统）

2. 数据仓库概述

（1）数据仓库是一个面向主题的、集成的、非易失的且随时间变化的数据集合。

（2）主要用于组织积累的历史数据，并使用分析方法（OLAP、数据分析）进行分析整理，进而
辅助決策，为管理者、企业系统提供数据支持，构建商业智能

面向主题：为数据分析提供服务，根据主题将原始数据集合在一起

集成：原始数据来源于不同数据源，要整合成最终数据，需要经过抽取、清洗、转换的过程

非易失：保存的数据是一系列历史快照，不允许被修改，只允许通过工进行查询、分析

时变性：数仓会定期接收、集成新的数据，从而反映出数据的最新变化

3. 数据仓库建设方案

（1）传统数据仓库（扩展性有限，热点问题）

由关系型数据库组成MPP（大规模并行处理）集群；hash算法；分库分表

（2）大数据数据仓库

利用大数据天然的扩展性（分布式存储，包括分布式计算，并添加了SQL的支持），完成海量数据的存放，但是在数据量较少的时候后计算速度较慢。解决了传统数据仓库扩展性和热点问题。

4. MMP架构

架构方式有三种：share everything； share disk； share nothing

>>MMP架构缺点

（1）由于这种非共享架构，存储位置不透明，通过Hash确定数据所在的物理节点，查询任务在所有节点均会执行；

（2）并行计算时（在整个协同运算的过程中），单节点瓶颈（单个节点运行缓慢的时候）会成为整个系统短板，容错性差；随着节点总数的增加，集群规模的增大，节点故障的数量也会增加，瓶颈将会越发明显，这也是MMP数据库扩展性较差的根本原因；

（3）MMP数据库致力于实现分布式事务（为了保证数据的一致性），但是在分布式事务中，实现这种事务之后，一定会影响它的扩展性。

5. 分布式架构

（1）分布式架构大数据中常见的技术架构，也称为Hadoop架构/批处理架构；

（2）各节点实现场地自治（可以单独运行局部应用，MMP不可单独运行局部应用，只能作为整体对外提供服务），数据在集群中全局透明；

（3）每台节点通过局域网或广域网相连，节点问的通信开销较大，在运算时致力减少数据（移动计算而非移动数据）；

（4）优先考虑的是P（分区容错性，数据存储到集群会被拆分成多个分片，每个分片又会保存多个副本，解决了单点故障问题），然后是A（可用性），最后再考虑C（一致性）。

数据量低的时候用MMP数据库，数据量一但达到某个量级，推荐使用分布式架构，其吞吐量大的优势就会显示出来。

6. MPP ＋分布式架构

（1）数据存储采用分布式架构中的公共存储，提高分区容错性

（2）上层架构采用MPP，减少运算延迟；

（3）相较于其他大数据产品来说，延迟较低，运行速度较快。在实时的流数据处理中，经常被采用；相较于传统的MMP架构数据库，扩展性有了进一步提升。

总结：MMP数据库适用于中等规模的数据，延迟较低，SQL支持率高；分布式批处理这种架构更适合处理海量数据的批处理计算，其吞吐较高，运算速度快，扩展性强。

二、架构

1. 架构图

2. ETL流程（extract+transform+load）

（1）数据抽取 (Extraction)

抽取的数据源可以分为结构化数据、非结构化数据、半结构化数据。结枸化数据一般采用JDBC、数据库日志方式（推荐方式），非半结构化数据会监听文件

（2）抽取方式

数据抽取方式有全量同步、增量同步两种方式：

    - 全量同步会将全部数据进行抽取，一般用于初始化数据装载

    - 增量同步方式会检测数据的变动，抽取发生变动的数据，一般用于数据

（3）数据转换 (Transformation)

数据转换要经历数据清洗和转换两个阶段：

• 数据清洗：主要是对出现的重复、二义性、不完整、违反业务或逻辑规则等问题的数据进行统一的处理
• 数据转换：主要是对数据进行标准化处理，进行字段、数据类型、数据定义的转换

结构化数据在转换过程中的逻辑较为简单，非｜半结构化数据的转换会较为复杂。

（4）数据加载(Loading）

将最后处理完的数据导入到对应的目标

3. 数据积存

（1）操作数据层 (ODS)

    数据与原业务数据保持一致，可以增加字段用来进行数据管理（实际上属于原数据的扩充集）。存储的历史数据是只读的，提供业务系统查询使用。

4. 数据分析

（1）数据明细层（DWD）

在ODS层下有多张表，将其汇总成一个表，得到标准数据，分析运算效率变高，接下来进行分析运算。

（2）数据汇总层（DWS）

    数据汇总层的数据对数据明细层的数据，按照分析主题进行计算汇总，存放便于分析的宽表模型。脱离了三范式（存储模型并非3NF），而是注重数据聚合，复杂查询、处理性能更优的数仓模型，如维度模型。

    在大数据的数仓中，主要以大宽表为主；在传统数仓中会对汇总表建立一些模型，如维度模型。对DWS这一层的设计，是数据仓库的核心，因为数据仓库的面向主题，包括模型设计都是在DWS层中进行。目的是为了数据分析提供一个更优异的性能。

（3）数据应用层（ADS层）

    对DWS层数据进行分析完成之后得到的结果表就存在ADS层数据中，ADS层保存的数据要提供给外部系统进行使用。

    由于数据仓库更注重分析和计算，与外部系统的查询和交互效率低，如果让外部系统直接对接数据仓库的话，大量的查询落进来，全部转换成批处理任务，这种频繁的查询会给数仓带来压力。所以使用ADS层来专们存储数据结果，为外部系统提供访问接口，提供更快的查询和交互速度。 

三、建模方法

1. 基本概念（OLTP和OLAP）

    ROLAP依赖于模型设计；MOLAP和HOLPAP主要依赖于数仓产品的选型，更依赖于产品的底层设计。MOLAP主要存数据结果，一般不存明细数据（表数据）；HOLAP底层是关系型的，所以可以存储明细数据、表的原数据，将预计算结果保存在上层，如果SQL在上层中查不到结果，也可以在底层中查询。

2. ROLAP

最常用的是维度模型，适合互联网这种业务变动比较频繁的数据。其他三种适合比较成熟的数据仓库，数据的表结构变动不大。

维度模型

（1）维度模型中，表被分为维度表、事实表，维度是对事实的一种组织；

（2）维度一般包含分类、时间、地域等

直接对事实表进行聚合即可。在企业中这种情况比较少，可能会有多层的维度，

当业务规模逐渐增长的情况下，出现的维度共用，形成了星座模型。

宽表模型

宽表模型是维度模型的行生，适合join性能不佳的数据仓库产品——大数据数据仓库，是维度模型的衍生，在大数据产品这块的妥协。宽表模型将维度元余到事实表中，形成宽表，以此减少join操作。

3. MOLAP

MOLAP系统建模方法

• MOLAP将数据进行预结算，并将聚合结果存储到CUBE模型中；
• CUBE模型以多维数组的形式，物化到存储系统中，加快后续的查询，以空间换时间，需要大量的存储空间；灵活性较差，只存储预计算结果，不存储原始数据；
• 生成CUBE需要大量的时间、空间，维度预处理可能会导致数据膨胀

MOLAP是面向ADS层的，加快查询速度；ROLPAP是面向DWS层的。

4. 多维分析

OLAP多维分析

• OLAP主要操作是复杂查询，可以多表关联，使用COUNT、SUM、AVG等聚合函数
• OLAP对复杂查询操作做了直观的定义，包括钻取、切片、切块、旋

四. 最佳实践

1. 表的分类

• 事实表
• 维度表
• 事务事实表
• 周期快照事实表
• 累积快照事实 累计快照事实的三种实现方式

2. ETL技巧/策略

（1）全量同步：
•数据初始化装载一定使用全量同步的方式
•因为业务、技术原因，使用全量同步的方式做周期数据更新，直接覆盖原有数据即可

（2）增量同步

针对结构化数据：对数据库日志进行抽取，Ogg或者CDC；或者JDBC方式，用SQL对时间字段进行筛选数据；

针对非｜半结构化数据：一般的抽取工具自带实时监控。

• 传统数据整合方案中，大多采用merge方式 (updatetinsert)
• 主流大数据平台不支持update操作，可采用全外连接＋数据全量覆盖方式 一如果担心数据更新出错，可以采用分区方式，每天保存最新的全量版本，保留较短

3. 任务调度

常见调度工具： Azkaban和Oozie

五、 项目实战

>> 项目背景

• 某电商企业，因数据积存、分析需要，筹划搭建数据仓库，提供数据分析访问接口
• 项目一期需要完成数仓建设，并完成用户复购率的分析计算，支持业务查询需求

>> 复购率计算

• 复购率是指在一段附间问隔内，多次重复购买产品的用户，占全部人数的比率
• 统计各个一级品类下，品牌月单次复购率，和多次复购率

**>> 数据表 **

5.1 架构设计

1. 虚拟机环境搭建

2. Xshell下载并与虚拟机连接

3. 脚本准备

4. 大数据集群的一键安装