文檔大綱：

1. 數(shù)據(jù)倉庫架構

我們在談數(shù)倉之前，為了讓大家有直觀的認識，先來談數(shù)倉架構，“架構”是什么？這個問題從來就沒有一個準確的答案。這里我們引用一段話：在軟件行業(yè)，一種被普遍接受的架構定義是指系統(tǒng)的一個或多個結構。結構中包括軟件的構建（構建是指軟件的設計與實現(xiàn)），構建的外部可以看到屬性以及它們之間的相互關系。

這里參考此定義，把數(shù)據(jù)倉庫架構理解成構成數(shù)據(jù)倉庫的組件及其之間的關系，畫出下面的數(shù)倉架構圖：

數(shù)倉架構

上圖中顯示的整個數(shù)據(jù)倉庫環(huán)境包括操作型系統(tǒng)和數(shù)據(jù)倉庫系統(tǒng)兩大部分。操作型系統(tǒng)的數(shù)據(jù)由各種形式的業(yè)務數(shù)據(jù)組成，這些數(shù)據(jù)經(jīng)過抽取、轉換和裝載（ETL）過程進入數(shù)據(jù)倉庫系統(tǒng)。

任何事物都是隨著時間的演進變得越來越完善，當然也是越來越復雜，數(shù)倉也不例外。在數(shù)據(jù)倉庫技術演化過程中，產生了幾種主要的架構方法，包括數(shù)據(jù)集市架構、Inmon企業(yè)信息工廠架構、Kimball數(shù)據(jù)倉庫架構、混合型數(shù)據(jù)倉庫架構。這幾種架構我們后面再講，接下來看下數(shù)倉的基本概念。

2. 數(shù)據(jù)倉庫概念

英文名稱為Data Warehouse，可簡寫為DW或DWH。數(shù)據(jù)倉庫的目的是構建面向分析的集成化數(shù)據(jù)環(huán)境，為企業(yè)提供決策支持（Decision Support）。它出于分析性報告和決策支持目的而創(chuàng)建。

數(shù)據(jù)倉庫本身并不“生產”任何數(shù)據(jù)，同時自身也不需要“消費”任何的數(shù)據(jù)，數(shù)據(jù)來源于外部，并且開放給外部應用，這也是為什么叫“倉庫”，而不叫“工廠”的原因。

數(shù)據(jù)倉庫是面向主題的、集成的、非易失的和時變的數(shù)據(jù)集合，用以支持管理決策。

面向主題:

傳統(tǒng)數(shù)據(jù)庫中，最大的特點是面向應用進行數(shù)據(jù)的組織，各個業(yè)務系統(tǒng)可能是相互分離的。而數(shù)據(jù)倉庫則是面向主題的。主題是一個抽象的概念，是較高層次上企業(yè)信息系統(tǒng)中的數(shù)據(jù)綜合、歸類并進行分析利用的抽象。在邏輯意義上，它是對應企業(yè)中某一宏觀分析領域所涉及的分析對象。

集成性:

通過對分散、獨立、異構的數(shù)據(jù)庫數(shù)據(jù)進行抽取、清理、轉換和匯總便得到了數(shù)據(jù)倉庫的數(shù)據(jù)，這樣保證了數(shù)據(jù)倉庫內的數(shù)據(jù)關于整個企業(yè)的一致性。

數(shù)據(jù)倉庫中的綜合數(shù)據(jù)不能從原有的數(shù)據(jù)庫系統(tǒng)直接得到。因此在數(shù)據(jù)進入數(shù)據(jù)倉庫之前，必然要經(jīng)過統(tǒng)一與綜合，這一步是數(shù)據(jù)倉庫建設中最關鍵、最復雜的一步，所要完成的工作有：

要統(tǒng)一源數(shù)據(jù)中所有矛盾之處，如字段的同名異義、異名同義、單位不統(tǒng)一、字長不一致，等等。 進行數(shù)據(jù)綜合和計算。數(shù)據(jù)倉庫中的數(shù)據(jù)綜合工作可以在從原有數(shù)據(jù)庫抽取數(shù)據(jù)時生成，但許多是在數(shù)據(jù)倉庫內部生成的，即進入數(shù)據(jù)倉庫以后進行綜合生成的。

下圖說明一個保險公司綜合數(shù)據(jù)的簡單處理過程，其中數(shù)據(jù)倉庫中與“保險” 主題有關的數(shù)據(jù)來自于多個不同的操作型系統(tǒng)。這些系統(tǒng)內部數(shù)據(jù)的命名可能不同，數(shù)據(jù)格式也可能不同。把不同來源的數(shù)據(jù)存儲到數(shù)據(jù)倉庫之前，需要去除這些不一致。

數(shù)倉主題非易失性（不可更新性）:

數(shù)據(jù)倉庫的數(shù)據(jù)反映的是一段相當長的時間內歷史數(shù)據(jù)的內容，是不同時點的數(shù)據(jù)庫快照的集合，以及基于這些快照進行統(tǒng)計、綜合和重組的導出數(shù)據(jù)。

數(shù)據(jù)非易失性主要是針對應用而言。數(shù)據(jù)倉庫的用戶對數(shù)據(jù)的操作大多是數(shù)據(jù)查詢或比較復雜的挖掘，一旦數(shù)據(jù)進入數(shù)據(jù)倉庫以后，一般情況下被較長時間保留。數(shù)據(jù)倉庫中一般有大量的查詢操作，但修改和刪除操作很少。因此，數(shù)據(jù)經(jīng)加工和集成進入數(shù)據(jù)倉庫后是極少更新的，通常只需要定期的加載和更新。

時變性:

數(shù)據(jù)倉庫包含各種粒度的歷史數(shù)據(jù)。數(shù)據(jù)倉庫中的數(shù)據(jù)可能與某個特定日期、星期、月份、季度或者年份有關。數(shù)據(jù)倉庫的目的是通過分析企業(yè)過去一段時間業(yè)務的經(jīng)營狀況，挖掘其中隱藏的模式。雖然數(shù)據(jù)倉庫的用戶不能修改數(shù)據(jù)，但并不是說數(shù)據(jù)倉庫的數(shù)據(jù)是永遠不變的。分析的結果只能反映過去的情況，當業(yè)務變化后，挖掘出的模式會失去時效性。因此數(shù)據(jù)倉庫的數(shù)據(jù)需要更新，以適應決策的需要。從這個角度講，數(shù)據(jù)倉庫建設是一個項目，更是一個過程。數(shù)據(jù)倉庫的數(shù)據(jù)隨時間的變化表現(xiàn)在以下幾個方面：

（1） 數(shù)據(jù)倉庫的數(shù)據(jù)時限一般要遠遠長于操作型數(shù)據(jù)的數(shù)據(jù)時限。（2） 操作型系統(tǒng)存儲的是當前數(shù)據(jù)，而數(shù)據(jù)倉庫中的數(shù)據(jù)是歷史數(shù)據(jù)。（3） 數(shù)據(jù)倉庫中的數(shù)據(jù)是按照時間順序追加的，它們都帶有時間屬性。

3. 為什么要有數(shù)據(jù)倉庫

先來看下數(shù)據(jù)倉庫的數(shù)據(jù)從哪里來，最終要到哪里去？

通常數(shù)據(jù)倉庫的數(shù)據(jù)來自各個業(yè)務應用系統(tǒng)。業(yè)務系統(tǒng)中的數(shù)據(jù)形式多種多樣，可能是 Oracle、MySQL、SQL Server等關系數(shù)據(jù)庫里的結構化數(shù)據(jù)，可能是文本、CSV等平面文件或Word、Excel文檔中的數(shù)據(jù)，還可能是HTML、XML等自描述的半結構化數(shù)據(jù)。這些業(yè)務數(shù)據(jù)經(jīng)過一系列的數(shù)據(jù)抽取、轉換、清洗，最終以一種統(tǒng)一的格式裝載進數(shù)據(jù)倉庫。數(shù)據(jù)倉庫里的數(shù)據(jù)作為分析用的數(shù)據(jù)源，提供給后面的即席查詢、 分析系統(tǒng)、數(shù)據(jù)集市、報表系統(tǒng)、數(shù)據(jù)挖掘系統(tǒng)等。

這時我們就想了，為什么不能把業(yè)務系統(tǒng)的數(shù)據(jù)直接拿來供即席查詢、分析系統(tǒng)、報表系統(tǒng)等使用呢，為什么要經(jīng)過數(shù)據(jù)倉庫這一步？實際上在數(shù)倉出現(xiàn)之前，確實是這么做的，但是有很多數(shù)據(jù)分析的先驅者當時已經(jīng)發(fā)現(xiàn)，簡單的“直接訪問”方式很難良好工作，這樣做的失敗案例數(shù)不勝數(shù)。下面列舉一些直接訪問業(yè)務系統(tǒng)無法工作的原因：

某些業(yè)務數(shù)據(jù)由于安全或其他因素不能直接訪問。 業(yè)務系統(tǒng)的版本變更很頻繁，每次變更都需要重寫分析系統(tǒng)并重新測試。 很難建立和維護匯總數(shù)據(jù)來源于多個業(yè)務系統(tǒng)版本的報表。 業(yè)務系統(tǒng)的列名通常是硬編碼，有時僅僅是無意義的字符串，這讓編寫分析系統(tǒng)更加困難。 業(yè)務系統(tǒng)的數(shù)據(jù)格式，如日期、數(shù)字的格式不統(tǒng)一。 業(yè)務系統(tǒng)的表結構為事務處理性能而優(yōu)化，有時并不適合查詢與分析。 沒有適當?shù)姆绞綄⒂袃r值的數(shù)據(jù)合并進特定應用的數(shù)據(jù)庫。 沒有適當?shù)奈恢么鎯υ獢?shù)據(jù)。 用戶需要看到的顯示數(shù)據(jù)字段，有時在數(shù)據(jù)庫中并不存在。 通常事務處理的優(yōu)先級比分析系統(tǒng)高，所以如果分析系統(tǒng)和事務處理運行在同一硬件之上，分析系統(tǒng)往往性能很差。 有誤用業(yè)務數(shù)據(jù)的風險。 極有可能影響業(yè)務系統(tǒng)的性能。

盡管需要增加軟硬件的投入，但建立獨立數(shù)據(jù)倉庫與直接訪問業(yè)務數(shù)據(jù)相比，無論是成本還是帶來的好處，這樣做都是值得的。隨著處理器和存儲成本的逐年降低，數(shù)據(jù)倉庫方案的優(yōu)勢更加明顯，在經(jīng)濟上也更具可行性。

4. 數(shù)據(jù)倉庫與數(shù)據(jù)庫的區(qū)別

數(shù)據(jù)庫與數(shù)據(jù)倉庫的區(qū)別實際講的是 OLTP 與 OLAP 的區(qū)別。

操作型處理，叫聯(lián)機事務處理 OLTP（On-Line Transaction Processing，），也可以稱面向交易的處理系統(tǒng)，它是針對具體業(yè)務在數(shù)據(jù)庫聯(lián)機的日常操作，通常對少數(shù)記錄進行查詢、修改。用戶較為關心操作的響應時間、數(shù)據(jù)的安全性、完整性和并發(fā)支持的用戶數(shù)等問題。傳統(tǒng)的數(shù)據(jù)庫系統(tǒng)作為數(shù)據(jù)管理的主要手段，主要用于操作型處理，像Mysql，Oracle等關系型數(shù)據(jù)庫一般屬于OLTP。

分析型處理，叫聯(lián)機分析處理 OLAP（On-Line Analytical Processing）一般針對某些主題的歷史數(shù)據(jù)進行分析，支持管理決策。

首先要明白，數(shù)據(jù)倉庫的出現(xiàn)，并不是要取代數(shù)據(jù)庫。數(shù)據(jù)庫是面向事務的設計，數(shù)據(jù)倉庫是面向主題設計的。數(shù)據(jù)庫一般存儲業(yè)務數(shù)據(jù)，數(shù)據(jù)倉庫存儲的一般是歷史數(shù)據(jù)。

數(shù)據(jù)庫設計是盡量避免冗余，一般針對某一業(yè)務應用進行設計，比如一張簡單的User表，記錄用戶名、密碼等簡單數(shù)據(jù)即可，符合業(yè)務應用，但是不符合分析。數(shù)據(jù)倉庫在設計是有意引入冗余，依照分析需求，分析維度、分析指標進行設計。

數(shù)據(jù)庫是為捕獲數(shù)據(jù)而設計，數(shù)據(jù)倉庫是為分析數(shù)據(jù)而設計。

以銀行業(yè)務為例。數(shù)據(jù)庫是事務系統(tǒng)的數(shù)據(jù)平臺，客戶在銀行做的每筆交易都會寫入數(shù)據(jù)庫，被記錄下來，這里，可以簡單地理解為用數(shù)據(jù)庫記賬。數(shù)據(jù)倉庫是分析系統(tǒng)的數(shù)據(jù)平臺，它從事務系統(tǒng)獲取數(shù)據(jù)，并做匯總、加工，為決策者提供決策的依據(jù)。比如，某銀行某分行一個月發(fā)生多少交易，該分行當前存款余額是多少。如果存款又多，消費交易又多，那么該地區(qū)就有必要設立ATM了。

顯然，銀行的交易量是巨大的，通常以百萬甚至千萬次來計算。事務系統(tǒng)是實時的，這就要求時效性，客戶存一筆錢需要幾十秒是無法忍受的，這就要求數(shù)據(jù)庫只能存儲很短一段時間的數(shù)據(jù)。而分析系統(tǒng)是事后的，它要提供關注時間段內所有的有效數(shù)據(jù)。這些數(shù)據(jù)是海量的，匯總計算起來也要慢一些，但是，只要能夠提供有效的分析數(shù)據(jù)就達到目的了。

數(shù)據(jù)倉庫，是在數(shù)據(jù)庫已經(jīng)大量存在的情況下，為了進一步挖掘數(shù)據(jù)資源、為了決策需要而產生的，它決不是所謂的“大型數(shù)據(jù)庫”。

5. ?數(shù)據(jù)倉庫分層架構

按照數(shù)據(jù)流入流出的過程，數(shù)據(jù)倉庫架構可分為：源數(shù)據(jù)、數(shù)據(jù)倉庫、數(shù)據(jù)應用

數(shù)據(jù)倉庫

數(shù)據(jù)倉庫的數(shù)據(jù)來源于不同的源數(shù)據(jù)，并提供多樣的數(shù)據(jù)應用，數(shù)據(jù)自下而上流入數(shù)據(jù)倉庫后向上層開放應用，而數(shù)據(jù)倉庫只是中間集成化數(shù)據(jù)管理的一個平臺。

源數(shù)據(jù)：此層數(shù)據(jù)無任何更改，直接沿用外圍系統(tǒng)數(shù)據(jù)結構和數(shù)據(jù)，不對外開放；為臨時存儲層，是接口數(shù)據(jù)的臨時存儲區(qū)域，為后一步的數(shù)據(jù)處理做準備。

數(shù)據(jù)倉庫：也稱為細節(jié)層，DW層的數(shù)據(jù)應該是一致的、準確的、干凈的數(shù)據(jù)，即對源系統(tǒng)數(shù)據(jù)進行了清洗（去除了雜質）后的數(shù)據(jù)。

數(shù)據(jù)應用：前端應用直接讀取的數(shù)據(jù)源；根據(jù)報表、專題分析需求而計算生成的數(shù)據(jù)。

數(shù)據(jù)倉庫從各數(shù)據(jù)源獲取數(shù)據(jù)及在數(shù)據(jù)倉庫內的數(shù)據(jù)轉換和流動都可以認為是ETL（抽取Extra, 轉化Transfer, 裝載Load）的過程，ETL是數(shù)據(jù)倉庫的流水線，也可以認為是數(shù)據(jù)倉庫的血液，它維系著數(shù)據(jù)倉庫中數(shù)據(jù)的新陳代謝，而數(shù)據(jù)倉庫日常的管理和維護工作的大部分精力就是保持ETL的正常和穩(wěn)定。

那么為什么要數(shù)據(jù)倉庫進行分層呢?

用空間換時間，通過大量的預處理來提升應用系統(tǒng)的用戶體驗（效率），因此數(shù)據(jù)倉庫會存在大量冗余的數(shù)據(jù)；不分層的話，如果源業(yè)務系統(tǒng)的業(yè)務規(guī)則發(fā)生變化將會影響整個數(shù)據(jù)清洗過程，工作量巨大。

通過數(shù)據(jù)分層管理可以簡化數(shù)據(jù)清洗的過程，因為把原來一步的工作分到了多個步驟去完成，相當于把一個復雜的工作拆成了多個簡單的工作，把一個大的黑盒變成了一個白盒，每一層的處理邏輯都相對簡單和容易理解，這樣我們比較容易保證每一個步驟的正確性，當數(shù)據(jù)發(fā)生錯誤的時候，往往我們只需要局部調整某個步驟即可。

6. 主要數(shù)據(jù)倉庫架構

通過上面的內容我們大概了解數(shù)倉的概念，接下來就看下數(shù)倉的幾種演進架構。

數(shù)據(jù)集市是按主題域組織的數(shù)據(jù)集合，用于支持部門級的決策。有兩種類型的數(shù)據(jù)集市：獨立數(shù)據(jù)集市和從屬數(shù)據(jù)集市。

1) 獨立數(shù)據(jù)集市

獨立數(shù)據(jù)集市集中于部門所關心的單一主題域，數(shù)據(jù)以部門為基礎部署，無須考慮企業(yè)級別的信息共享與集成。例如，制造部門、人力資源部門和其他部門都各自有他們自己的數(shù)據(jù)集市。

優(yōu)點：因為一個部門的業(yè)務相對于整個企業(yè)要簡單，數(shù)據(jù)量也小得多，所以部門的獨立數(shù)據(jù)集市具有周期短、見效快的特點。

缺點：

從業(yè)務角度看，當部門的分析需求擴展，或者需要分析跨部門或跨主題域的數(shù)據(jù)時，獨立數(shù)據(jù)市場會顯得力不從心。 當數(shù)據(jù)存在歧義，比如同一個產品，在A部門和B部門的定義不同時，將無法在部門間進行信息比較。 每個部門使用不同的技術，建立不同的ETL的過程，處理不同的事務系統(tǒng)，而在多個獨立的數(shù)據(jù)集市之間還會存在數(shù)據(jù)的交叉與重疊，甚至會有數(shù)據(jù)不一致的情況。 2) 從屬數(shù)據(jù)集市

從屬數(shù)據(jù)集市的數(shù)據(jù)來源于數(shù)據(jù)倉庫。數(shù)據(jù)倉庫里的數(shù)據(jù)經(jīng)過整合、重構、匯總后傳遞給從屬數(shù)據(jù)集市。

建立從屬數(shù)據(jù)集市的好處主要有：

性能：當數(shù)據(jù)倉庫的查詢性能出現(xiàn)問題，可以考慮建立幾個從屬數(shù)據(jù)集市，將查詢從數(shù)據(jù)倉庫移出到數(shù)據(jù)集市。 安全：每個部門可以完全控制他們自己的數(shù)據(jù)。 數(shù)據(jù)一致：因為每個數(shù)據(jù)集市的數(shù)據(jù)來源都是同一個數(shù)據(jù)倉庫，有效消除了數(shù)據(jù)不一致的情況。

上圖的前兩步不過多介紹，直接從第三步開始。

企業(yè)級數(shù)據(jù)倉庫：是該架構中的核心組件。正如Inmon數(shù)據(jù)倉庫所定義的，企業(yè)級數(shù)據(jù)倉庫是一個細節(jié)數(shù)據(jù)的集成資源庫。其中的數(shù)據(jù)以最低粒度級別被捕獲，存儲在滿足三范式設計的關系數(shù)據(jù)庫中。

部門級數(shù)據(jù)集市：是面向主題數(shù)據(jù)的部門級視圖，數(shù)據(jù)從企業(yè)級數(shù)據(jù)倉庫獲取。數(shù)據(jù)在進入部門數(shù)據(jù)集市時可能進行聚合。數(shù)據(jù)集市使用多維模型設計，用于數(shù)據(jù)分析。重要的一點是，所有的報表工具、BI工具或其他數(shù)據(jù)分析應用都從數(shù)據(jù)集市查詢數(shù)據(jù)，而不是直接查詢企業(yè)級數(shù)據(jù)倉庫。

對比上一張圖可以看到，Kimball與Inmon兩種架構的主要區(qū)別在于核心數(shù)據(jù)倉庫的設計和建立。

Kimball的數(shù)據(jù)倉庫包含高粒度的企業(yè)數(shù)據(jù)，使用多維模型設計，這也意味著數(shù)據(jù)倉庫由星型模式的維度表和事實表構成。分析系統(tǒng)或報表工具可以直接訪問多維數(shù)據(jù)倉庫里的數(shù)據(jù)。

在此架構中的數(shù)據(jù)集市也與Inmon中的不同。這里的數(shù)據(jù)集市是一個邏輯概念，只是多維數(shù)據(jù)倉庫中的主題域劃分，并沒有自己的物理存儲，也可以說是虛擬的數(shù)據(jù)集市。

所謂的混合型結構，指的是在一個數(shù)據(jù)倉庫環(huán)境中，聯(lián)合使用Inmon和Kimball兩種架構。

從架構圖可以看到，這種架構將Inmon方法中的數(shù)據(jù)集市部分替換成了一個多維數(shù)據(jù)倉庫，而數(shù)據(jù)集市則是多維數(shù)據(jù)倉庫上的邏輯視圖。

使用這種架構的好處是：既可以利用規(guī)范化設計消除數(shù)據(jù)冗余，保證數(shù)據(jù)的粒度足夠細；又可以利用多維結構更靈活地在企業(yè)級實現(xiàn)報表和分析。

7. 數(shù)據(jù)倉庫元數(shù)據(jù)的管理

元數(shù)據(jù)（Meta Date），主要記錄數(shù)據(jù)倉庫中模型的定義、各層級間的映射關系、監(jiān)控數(shù)據(jù)倉庫的數(shù)據(jù)狀態(tài)及ETL的任務運行狀態(tài)。一般會通過元數(shù)據(jù)資料庫（Metadata Repository）來統(tǒng)一地存儲和管理元數(shù)據(jù)，其主要目的是使數(shù)據(jù)倉庫的設計、部署、操作和管理能達成協(xié)同和一致。

元數(shù)據(jù)是數(shù)據(jù)倉庫管理系統(tǒng)的重要組成部分，元數(shù)據(jù)管理是企業(yè)級數(shù)據(jù)倉庫中的關鍵組件，貫穿數(shù)據(jù)倉庫構建的整個過程，直接影響著數(shù)據(jù)倉庫的構建、使用和維護。

構建數(shù)據(jù)倉庫的主要步驟之一是ETL。這時元數(shù)據(jù)將發(fā)揮重要的作用，它定義了源數(shù)據(jù)系統(tǒng)到數(shù)據(jù)倉庫的映射、數(shù)據(jù)轉換的規(guī)則、數(shù)據(jù)倉庫的邏輯結構、數(shù)據(jù)更新的規(guī)則、數(shù)據(jù)導入歷史記錄以及裝載周期等相關內容。數(shù)據(jù)抽取和轉換的專家以及數(shù)據(jù)倉庫管理員正是通過元數(shù)據(jù)高效地構建數(shù)據(jù)倉庫。 用戶在使用數(shù)據(jù)倉庫時，通過元數(shù)據(jù)訪問數(shù)據(jù)，明確數(shù)據(jù)項的含義以及定制報表。 數(shù)據(jù)倉庫的規(guī)模及其復雜性離不開正確的元數(shù)據(jù)管理，包括增加或移除外部數(shù)據(jù)源，改變數(shù)據(jù)清洗方法，控制出錯的查詢以及安排備份等。

元數(shù)據(jù)可分為技術元數(shù)據(jù)和業(yè)務元數(shù)據(jù)。技術元數(shù)據(jù)為開發(fā)和管理數(shù)據(jù)倉庫的IT 人員使用，它描述了與數(shù)據(jù)倉庫開發(fā)、管理和維護相關的數(shù)據(jù)，包括數(shù)據(jù)源信息、數(shù)據(jù)轉換描述、數(shù)據(jù)倉庫模型、數(shù)據(jù)清洗與更新規(guī)則、數(shù)據(jù)映射和訪問權限等。而業(yè)務元數(shù)據(jù)為管理層和業(yè)務分析人員服務，從業(yè)務角度描述數(shù)據(jù)，包括商務術語、數(shù)據(jù)倉庫中有什么數(shù)據(jù)、數(shù)據(jù)的位置和數(shù)據(jù)的可用性等，幫助業(yè)務人員更好地理解數(shù)據(jù)倉庫中哪些數(shù)據(jù)是可用的以及如何使用。

由上可見，元數(shù)據(jù)不僅定義了數(shù)據(jù)倉庫中數(shù)據(jù)的模式、來源、抽取和轉換規(guī)則等，而且是整個數(shù)據(jù)倉庫系統(tǒng)運行的基礎，元數(shù)據(jù)把數(shù)據(jù)倉庫系統(tǒng)中各個松散的組件聯(lián)系起來，組成了一個有機的整體。

8. 數(shù)倉常見術語解析

本小節(jié)結構如下圖所示：

1. 數(shù)倉名詞解釋

實體是指依附的主體，就是我們分析的一個對象，比如我們分析商品的銷售情況，如華為手機近半年的銷售量是多少，那華為手機就是一個實體；我們分析用戶的活躍度，用戶就是一個實體。當然實體也可以現(xiàn)實中不存在的，比如虛擬的業(yè)務對象，活動，會員等都可看做一個實體。

實體的存在是為了業(yè)務分析，作為分析的一個篩選的維度，擁有描述自己的屬性，本身具有可分析的價值。

維度就是看待問題的角度，分析業(yè)務數(shù)據(jù)，從什么角度分析，就建立什么樣的維度。所以維度就是要對數(shù)據(jù)進行分析時所用的一個量，比如你要分析產品銷售情況，你可以選擇按商品類別來進行分析，這就構成一個維度，把所有商品類別集合在一起，就構成了維度表。

度量是業(yè)務流程節(jié)點上的一個數(shù)值。比如銷量，價格，成本等等。

事實表中的度量可分為三類：完全可加，半可加，不可加。

完全可加的度量是最靈活，最有用的，比如說銷量，銷售額等，可進行任意維度匯總；

半可加的度量可以對某些維度匯總，但不能對所有維度匯總，差額是常見的半可加度量，它除了時間維度外，可以跨所有維度進行加法操作；

還有一種是完全不可加的，例如：比率。對于這類非可加度量，一種好的方法是，盡可能存儲非可加度量的完全可加分量，并在計算出最終的非可加事實前，將這些分量匯總到最終的結果集中。

粒度就是業(yè)務流程中對度量的單位，比如商品是按件記錄度量，還是按批記錄度量。

在數(shù)倉建設中，我們說這是用戶粒度的事實表，那么表中每行數(shù)據(jù)都是一個用戶，無重復用戶；例如還有銷售粒度的表，那么表中每行都是一條銷售記錄。

選擇合適的粒度級別是數(shù)據(jù)倉庫建設好壞的重要關鍵內容，在設計數(shù)據(jù)粒度時，通常需重點考慮以下因素：

要接受的分析類型、可接受的數(shù)據(jù)最低粒度和能存儲的數(shù)據(jù)量；

粒度的層次定義越高，就越不能在該倉庫中進行更細致的分析；

如果存儲資源有一定的限制，就只能采用較高的數(shù)據(jù)粒度劃分；

數(shù)據(jù)粒度劃分策略一定要保證：數(shù)據(jù)的粒度確實能夠滿足用戶的決策分析需要，這是數(shù)據(jù)粒度劃分策略中最重要的一個準則。

口徑就是取數(shù)邏輯（如何取數(shù)的），比如要取的數(shù)是10歲以下兒童中男孩的平均身高，這就是統(tǒng)計的口徑。

指標是口徑的衡量值，也就是最后的結果。比如最近七天的訂單量，一個促銷活動的購買轉化率等。

一個指標具體到計算實施，主要有以下幾部分組成：

指標加工邏輯，比如count ,sum, avg

維度，比如按部門、地域進行指標統(tǒng)計，對應sql中的group by

業(yè)務限定/修飾詞，比如以不同的支付渠道來算對應的指標，微信支付的訂單退款率，支付寶支付的訂單退款率 。對應sql中的where。

除此之外，指標本身還可以衍生、派生出更多的指標，基于這些特點，可以將指標進行分類：

原子指標：基本業(yè)務事實，沒有業(yè)務限定、沒有維度。比如訂單表中的訂單量、訂單總金額都算原子指標；

業(yè)務方更關心的指標，是有實際業(yè)務含義，可以直接取數(shù)據(jù)的指標。比如店鋪近1天訂單支付金額就是一個派生指標，會被直接在產品上展示給商家看。但是這個指標卻不能直接從數(shù)倉的統(tǒng)一中間層里取數(shù)（因為沒有現(xiàn)成的事實字段，數(shù)倉提供的一般都是大寬表）。需要有一個橋梁連接數(shù)倉中間層和業(yè)務方的指標需求，于是便有了派生指標

派生指標：維度+修飾詞+原子指標。店鋪近1天訂單支付金額中店鋪是維度，近1天是一個時間類型的修飾詞，支付金額是一個原子指標；

維度：觀察各項指標的角度；修飾詞：維度的一個或某些值，比如維度性別下，男和女就是2種修飾詞。

衍生指標：比如某一個促銷活動的轉化率就是衍生指標，因為需要促銷投放人數(shù)指標和促銷訂單數(shù)指標進行計算得出。

標簽是人為設定的、根據(jù)業(yè)務場景需求，對目標對象運用一定的算法得到的高度精煉的特征標識。可見標簽是經(jīng)過人為再加工后的結果，如網(wǎng)紅、白富美、蘿莉。對于有歧義的標簽，我們內部可進行標簽區(qū)分，比如：蘋果，我們可以定義蘋果指的是水果，蘋果手機才指的是手機。

由現(xiàn)實中已經(jīng)存在的屬性組成的鍵，它在業(yè)務概念中是唯一的，并具有一定的業(yè)務含義，比如商品ID，員工ID。

以數(shù)倉角度看，來自于業(yè)務系統(tǒng)的標識符就是自然鍵，比如業(yè)務庫中員工的編號。

保持永久性不會發(fā)生變化。有時也被叫做超自然持久鍵。比如身份證號屬于持久鍵。

自然鍵和持久鍵區(qū)別：舉個例子就明白了，比如說公司員工離職之后又重新入職，他的自然鍵也就是員工編號發(fā)生了變化，但是他的持久鍵身份證號是不變的。

就是不具有業(yè)務含義的鍵。代理鍵有許多其他的稱呼：無意義鍵、整數(shù)鍵、非自然鍵、人工鍵、合成鍵等。

代理鍵就是簡單的以按照順序序列生產的整數(shù)表示。產品行的第1行代理鍵為1，則下一行的代理鍵為2，如此進行。代理鍵的作用僅僅是連接維度表和事實表。

退化維度，就是那些看起來像是事實表的一個維度關鍵字，但實際上并沒有對應的維度表，就是維度屬性存儲到事實表中，這種存儲到事實表中的維度列被稱為退化維度。與其他存儲在維表中的維度一樣，退化維度也可以用來進行事實表的過濾查詢、實現(xiàn)聚合操作等。

那么究竟怎么定義退化維度呢？比如說訂單id，這種量級很大的維度，沒必要用一張維度表來進行存儲，而我們進行數(shù)據(jù)查詢或者數(shù)據(jù)過濾的時候又非常需要，所以這種就冗余在事實表里面，這種就叫退化維度，citycode這種我們也會冗余在事實表里面，但是它有對應的維度表，所以它不是退化維度。

這是在數(shù)據(jù)分析中常見的概念，下鉆可以理解成增加維的層次，從而可以由粗粒度到細粒度來觀察數(shù)據(jù)，比如對產品銷售情況分析時，可以沿著時間維從年到月到日更細粒度的觀察數(shù)據(jù)。從年的維度可以下鉆到月的維度、日的維度等。

知道了下鉆，上卷就容易理解了，它倆是相逆的操作，所以上卷可以理解為刪掉維的某些層，由細粒度到粗粒度觀察數(shù)據(jù)的操作或沿著維的層次向上聚合匯總數(shù)據(jù)。

數(shù)據(jù)集市（Data Mart），也叫數(shù)據(jù)市場，數(shù)據(jù)集市就是滿足特定的部門或者用戶的需求，按照多維的方式進行存儲，包括定義維度、需要計算的指標、維度的層次等，生成面向決策分析需求的數(shù)據(jù)立方體。其實就是從數(shù)據(jù)倉庫中抽取出來的一個小合集。

2. 數(shù)倉名詞之間關系

在Kimball維度建模中有維度與事實，在Inmon范式建模中有實體與關系，如果我們分開兩種建模方式看這些概念比較容易理解。但是目前也出現(xiàn)了不少混合建模方式，兩種建模方式結合起來看，這些概念是不是容易記憶混亂，尤其事實表和實體表，它們之間到底有怎樣區(qū)別與聯(lián)系，先看下它們各自概念：

維度表：維度表可以看成是用戶用來分析一個事實的窗口，它里面的數(shù)據(jù)應該是對事實的各個方面描述，比如時間維度表，地域維度表，維度表是事實表的一個分析角度。

事實表：事實表其實就是通過各種維度和一些指標值的組合來確定一個事實的，比如通過時間維度，地域組織維度，指標值可以去確定在某時某地的一些指標值怎么樣的事實。事實表的每一條數(shù)據(jù)都是幾條維度表的數(shù)據(jù)和指標值交匯而得到的。

實體表：實體表就是一個實際對象的表，實體表放的數(shù)據(jù)一定是一條條客觀存在的事物數(shù)據(jù)，比如說各種商品，它就是客觀存在的，所以可以將其設計一個實體表。實時表只描述各個事物，并不存在具體的事實，所以也有人稱實體表是無事實的事實表。

舉個例子：比如說手機商場中有蘋果手機，華為手機等各品牌各型號的手機，這些數(shù)據(jù)可以組成一個手機實體表，但是表中沒有可度量的數(shù)據(jù)。某天蘋果手機賣了15臺，華為手機賣了20臺，這些手機銷售數(shù)據(jù)屬于事實，組成一個事實表。這樣就可以使用日期維度表和地域維度表對這個事實表進行各種維度分析。

概念不同

指標是用來定義、評價和描述特定事物的一種標準或方式。比如：新增用戶數(shù)、累計用戶數(shù)、用戶活躍率等是衡量用戶發(fā)展情況的指標；

標簽是人為設定的、根據(jù)業(yè)務場景需求，對目標對象運用一定的算法得到的高度精煉的特征標識?？梢姌撕炇墙?jīng)過人為再加工后的結果，如網(wǎng)紅、白富美、蘿莉。

構成不同

指標名稱是對事物質與量兩方面特點的命名；指標取值是指標在具體時間、地域、條件下的數(shù)量表現(xiàn)，如人的體重，指標名稱是體重，指標的取值就是120斤；

標簽名稱通常都是形容詞或形容詞+名詞的結構，標簽一般是不可量化的，通常是孤立的，除了基礎類標簽，通過一定算法加工出來的標簽一般都沒有單位和量綱。如將超過200斤的稱為大胖子。

分類不同

對指標的分類：

按照指標計算邏輯，可以將指標分為原子指標、派生指標、衍生指標三種類型；

按照對事件描述內容的不同，分為過程性指標和結果性指標；

對標簽的分類：

按照標簽的變化性分為靜態(tài)標簽和動態(tài)標簽；

按照標簽的指代和評估指標的不同，可分為定性標簽和定量標簽；

指標最擅長的應用是監(jiān)測、分析、評價和建模。標簽最擅長的應用是標注、刻畫、分類和特征提取。特別需要指出的是，由于對結果的標注也是一種標簽，所以在自然語言處理和機器學習相關的算法應用場景下，標簽對于監(jiān)督式學習有重要價值，只是單純的指標難以做到的。而指標在任務分配、績效管理等領域的作用，也是標簽無法做到的。

維度就是數(shù)據(jù)的觀察角度，即從哪個角度去分析問題，看待問題。

指標就是從維度的基礎上去衡算這個結果的值。

維度一般是一個離散的值，比如時間維度上每一個獨立的日期或地域，因此統(tǒng)計時，可以把維度相同記錄的聚合在一起，應用聚合函數(shù)做累加、均值、最大值、最小值等聚合計算。

指標就是被聚合的通計算，即聚合運算的結果，一般是一個連續(xù)的值。

數(shù)倉工具箱中說維度表的唯一主鍵應該是代理鍵而不應該是自然鍵。有時建模人員不愿意放棄使用自然鍵，因為他們希望與操作型代碼查詢事實表，而不希望與維度表做連接操作。然而，應該避免使用包含業(yè)務含義的多維鍵，因為不管我們做出任何假設最終都可能變得無效，因為我們控制不了業(yè)務庫的變動。

所以數(shù)據(jù)倉庫中維度表與事實表的每個連接應該基于無實際含義的整數(shù)代理鍵。避免使用自然鍵作為維度表的主鍵。

數(shù)據(jù)集市是企業(yè)級數(shù)據(jù)倉庫的一個子集，他主要面向部門級業(yè)務，并且只面向某個特定的主題。為了解決靈活性和性能之間的矛盾，數(shù)據(jù)集市就是數(shù)據(jù)倉庫體系結構中增加的一種小型的部門或工作組級別的數(shù)據(jù)倉庫。數(shù)據(jù)集市存儲為特定用戶預先計算好的數(shù)據(jù)，從而滿足用戶對性能的需求。數(shù)據(jù)集市可以在一定程度上緩解訪問數(shù)據(jù)倉庫的瓶頸。

數(shù)據(jù)集市和數(shù)據(jù)倉庫的主要區(qū)別：數(shù)據(jù)倉庫是企業(yè)級的，能為整個企業(yè)各個部門的運行提供決策支持手段；而數(shù)據(jù)集市則是一種微型的數(shù)據(jù)倉庫,它通常有更少的數(shù)據(jù),更少的主題區(qū)域,以及更少的歷史數(shù)據(jù),因此是部門級的，一般只能為某個局部范圍內的管理人員服務，因此也稱之為部門級數(shù)據(jù)倉庫。

數(shù)據(jù)倉庫的核心是展現(xiàn)層和提供優(yōu)質的服務。ETL 及其規(guī)范、分層等所做的一切都是為了一個更清晰易用的展現(xiàn)層。

1. 數(shù)倉分層

數(shù)倉分層的原則：

為便于數(shù)據(jù)分析，要屏蔽底層復雜業(yè)務，簡單、完整、集成的將數(shù)據(jù)暴露給分析層。

底層業(yè)務變動與上層需求變動對模型沖擊最小化，業(yè)務系統(tǒng)變化影響削弱在基礎數(shù)據(jù)層，結合自上而下的建設方法削弱需求變動對模型的影響。

高內聚松耦合，即主題之內或各個完整意義的系統(tǒng)內數(shù)據(jù)的高內聚，主題之間或各個完整意義的系統(tǒng)間數(shù)據(jù)的松耦合。

構建倉庫基礎數(shù)據(jù)層，使底層業(yè)務數(shù)據(jù)整合工作與上層應用開發(fā)工作相隔離，為倉庫大規(guī)模開發(fā)奠定基礎 倉庫層次更加清晰，對外暴露數(shù)據(jù)更加統(tǒng)一。

一般采用如下分層結構：

ODS 層，是最接近數(shù)據(jù)源中數(shù)據(jù)的一層，為了考慮后續(xù)可能需要追溯數(shù)據(jù)問題，因此對于這一層就不建議做過多的數(shù)據(jù)清洗工作，原封不動地接入原始數(shù)據(jù)即可，至于數(shù)據(jù)的去噪、去重、異常值處理等過程可以放在后面的 DWD 層來做。

數(shù)據(jù)倉庫層是我們在做數(shù)據(jù)倉庫時要核心設計的一層，在這里，從 ODS 層中獲得的數(shù)據(jù)按照主題建立各種數(shù)據(jù)模型。

DW 層又細分為 DWD（Data Warehouse Detail）層、DWM（Data WareHouse Middle）層和 DWS（Data WareHouse Servce） 層。

1) 數(shù)據(jù)明細層：DWD（Data Warehouse Detail）

該層一般保持和 ODS 層一樣的數(shù)據(jù)粒度，并且提供一定的數(shù)據(jù)質量保證。DWD 層要做的就是將數(shù)據(jù)清理、整合、規(guī)范化、臟數(shù)據(jù)、垃圾數(shù)據(jù)、規(guī)范不一致的、狀態(tài)定義不一致的、命名不規(guī)范的數(shù)據(jù)都會被處理。

同時，為了提高數(shù)據(jù)明細層的易用性，該層會采用一些維度退化手法，將維度退化至事實表中，減少事實表和維表的關聯(lián)。

另外，在該層也會做一部分的數(shù)據(jù)聚合，將相同主題的數(shù)據(jù)匯集到一張表中，提高數(shù)據(jù)的可用性 。

2) 數(shù)據(jù)中間層：DWM（Data WareHouse Middle）

該層會在 DWD 層的數(shù)據(jù)基礎上，數(shù)據(jù)做輕度的聚合操作，生成一系列的中間表，提升公共指標的復用性，減少重復加工。

直觀來講，就是對通用的核心維度進行聚合操作，算出相應的統(tǒng)計指標。

在實際計算中，如果直接從 DWD 或者 ODS 計算出寬表的統(tǒng)計指標，會存在計算量太大并且維度太少的問題，因此一般的做法是，在 DWM 層先計算出多個小的中間表，然后再拼接成一張 DWS 的寬表。由于寬和窄的界限不易界定，也可以去掉 DWM 這一層，只留 DWS 層，將所有的數(shù)據(jù)再放在 DWS 亦可。

3) 數(shù)據(jù)服務層：DWS（Data WareHouse Servce）

DWS 層為公共匯總層，會進行輕度匯總，粒度比明細數(shù)據(jù)稍粗，基于 DWD 層上的基礎數(shù)據(jù)，整合匯總成分析某一個主題域的服務數(shù)據(jù)，一般是寬表。DWS 層應覆蓋 80% 的應用場景。又稱數(shù)據(jù)集市或寬表。

按照業(yè)務劃分，如主題域流量、訂單、用戶等，生成字段比較多的寬表，用于提供后續(xù)的業(yè)務查詢，OLAP 分析，數(shù)據(jù)分發(fā)等。

一般來講，該層的數(shù)據(jù)表會相對比較少，一張表會涵蓋比較多的業(yè)務內容，由于其字段較多，因此一般也會稱該層的表為寬表。

在這里，主要是提供給數(shù)據(jù)產品和數(shù)據(jù)分析使用的數(shù)據(jù)，一般會存放在 ES、 PostgreSql、Redis 等系統(tǒng)中供線上系統(tǒng)使用，也可能會存在 Hive 或者 Druid 中供數(shù)據(jù)分析和數(shù)據(jù)挖掘使用。比如我們經(jīng)常說的報表數(shù)據(jù)，一般就放在這里。

如果維表過多，也可針對維表設計單獨一層，維表層主要包含兩部分數(shù)據(jù)：

高基數(shù)維度數(shù)據(jù)：一般是用戶資料表、商品資料表類似的資料表。數(shù)據(jù)量可能是千萬級或者上億級別。

低基數(shù)維度數(shù)據(jù)：一般是配置表，比如枚舉值對應的中文含義，或者日期維表。數(shù)據(jù)量可能是個位數(shù)或者幾千幾萬。

2. 數(shù)倉建模方法

數(shù)倉建模在哪層建設呢？我們以維度建模為例，建模是在數(shù)據(jù)源層的下一層進行建設，在上節(jié)的分層架構中，就是在DW層進行數(shù)倉建模，所以DW層是數(shù)倉建設的核心層。

那數(shù)倉建模怎么建呢？其實數(shù)據(jù)倉庫的建模方法有很多種，每一種建模方法代表了哲學上的一個觀點，代表了一種歸納、概括世界的一種方法。常見的有 范式建模法、維度建模法、實體建模法等，每種方法從本質上將是從不同的角度看待業(yè)務中的問題。

范式建模法其實是我們在構建數(shù)據(jù)模型常用的一個方法，該方法的主要由 Inmon 所提倡，主要解決關系型數(shù)據(jù)庫的數(shù)據(jù)存儲，利用的一種技術層面上的方法。目前，我們在關系型數(shù)據(jù)庫中的建模方法，大部分采用的是三范式建模法。

范式 是符合某一種級別的關系模式的集合。構造數(shù)據(jù)庫必須遵循一定的規(guī)則，而在關系型數(shù)據(jù)庫中這種規(guī)則就是范式，這一過程也被稱為規(guī)范化。目前關系數(shù)據(jù)庫有六種范式：第一范式（1NF）、第二范式（2NF）、第三范式（3NF）、Boyce-Codd范式（BCNF）、第四范式（4NF）和第五范式（5NF）。

在數(shù)據(jù)倉庫的模型設計中，一般采用第三范式。一個符合第三范式的關系必須具有以下三個條件 :

每個屬性值唯一，不具有多義性 ;

每個非主屬性必須完全依賴于整個主鍵，而非主鍵的一部分 ;

每個非主屬性不能依賴于其他關系中的屬性，因為這樣的話，這種屬性應該歸到其他關系中去。

范式建模

根據(jù) Inmon 的觀點，數(shù)據(jù)倉庫模型的建設方法和業(yè)務系統(tǒng)的企業(yè)數(shù)據(jù)模型類似。在業(yè)務系統(tǒng)中，企業(yè)數(shù)據(jù)模型決定了數(shù)據(jù)的來源，而企業(yè)數(shù)據(jù)模型也分為兩個層次，即主題域模型和邏輯模型。同樣，主題域模型可以看成是業(yè)務模型的概念模型，而邏輯模型則是域模型在關系型數(shù)據(jù)庫上的實例化。

維度模型是數(shù)據(jù)倉庫領域另一位大師Ralph Kimall所倡導，他的《數(shù)據(jù)倉庫工具箱》是數(shù)據(jù)倉庫工程領域最流行的數(shù)倉建模經(jīng)典。維度建模以分析決策的需求出發(fā)構建模型，構建的數(shù)據(jù)模型為分析需求服務，因此它重點解決用戶如何更快速完成分析需求，同時還有較好的大規(guī)模復雜查詢的響應性能。

維度建模

典型的代表是我們比較熟知的星形模型（Star-schema），以及在一些特殊場景下適用的雪花模型（Snow-schema）。

維度建模中比較重要的概念就是 事實表（Fact table）和維度表（Dimension table）。其最簡單的描述就是，按照事實表、維度表來構建數(shù)據(jù)倉庫、數(shù)據(jù)集市。

實體建模法并不是數(shù)據(jù)倉庫建模中常見的一個方法，它來源于哲學的一個流派。從哲學的意義上說，客觀世界應該是可以細分的，客觀世界應該可以分成由一個個實體，以及實體與實體之間的關系組成。那么我們在數(shù)據(jù)倉庫的建模過程中完全可以引入這個抽象的方法，將整個業(yè)務也可以劃分成一個個的實體，而每個實體之間的關系，以及針對這些關系的說明就是我們數(shù)據(jù)建模需要做的工作。

雖然實體法粗看起來好像有一些抽象，其實理解起來很容易。即我們可以將任何一個業(yè)務過程劃分成 3 個部分，實體，事件，說明，如下圖所示：

實體建模

上圖表述的是一個抽象的含義，如果我們描述一個簡單的事實：“小明開車去學校上學”。以這個業(yè)務事實為例，我們可以把“小明”，“學校”看成是一個實體，“上學”描述的是一個業(yè)務過程，我們在這里可以抽象為一個具體“事件”，而“開車去”則可以看成是事件“上學”的一個說明。

3. 維度建模詳解

目前在互聯(lián)網(wǎng)公司最常用的建模方法就是維度建模，我們將重點講解！

維度建模是專門應用于分析型數(shù)據(jù)庫、數(shù)據(jù)倉庫、數(shù)據(jù)集市建模的方法。數(shù)據(jù)集市可以理解為是一種"小型數(shù)據(jù)倉庫"。

我們先不著急開始維度建模，先來了解下維度建模中表的類型和維度建模的模式之后再開始建模，這樣能夠讓我們深刻理解！

1. 維度建模中表的類型

維度建模分為兩種表：事實表和維度表：

事實表：必然存在的一些數(shù)據(jù)，像采集的日志文件，訂單表，都可以作為事實表 。特征：是一堆主鍵的集合，每個主鍵對應維度表中的一條記錄，客觀存在的，根據(jù)主題確定出需要使用的數(shù)據(jù) 維度表：維度就是所分析的數(shù)據(jù)的一個量，維度表就是以合適的角度來創(chuàng)建的表，分析問題的一個角度：時間、地域、終端、用戶等角度

發(fā)生在現(xiàn)實世界中的操作型事件，其所產生的可度量數(shù)值，存儲在事實表中。從最低的粒度級別來看，事實表行對應一個度量事件，反之亦然。

事實表表示對分析主題的度量。比如一次購買行為我們就可以理解為是一個事實。

事實與維度

圖中的訂單表就是一個事實表，你可以理解他就是在現(xiàn)實中發(fā)生的一次操作型事件，我們每完成一個訂單，就會在訂單中增加一條記錄。事實表的特征：表里沒有存放實際的內容，他是一堆主鍵的集合，這些ID分別能對應到維度表中的一條記錄。事實表包含了與各維度表相關聯(lián)的外鍵，可與維度表關聯(lián)。事實表的度量通常是數(shù)值類型，且記錄數(shù)會不斷增加，表數(shù)據(jù)規(guī)模迅速增長。

明細表（寬表）：

事實表的數(shù)據(jù)中，有些屬性共同組成了一個字段（糅合在一起），比如年月日時分秒構成了時間,當需要根據(jù)某一屬性進行分組統(tǒng)計的時候，需要截取拼接之類的操作，效率極低。如：

local_time
2021-03-18 06:31:42

為了分析方便，可以事實表中的一個字段切割提取多個屬性出來構成新的字段，因為字段變多了，所以稱為寬表，原來的成為窄表。

將上述的local_time字段擴展為如下6個字段：

year	month	day	hour	m	s
2021	03	18	06	31	42

又因為寬表的信息更加清晰明細，所以也可以稱之為明細表。

事實表種類

事實表分為以下6類：

事務事實表 周期快照事實表 累積快照事實表 無事實的事實表 聚集事實表 合并事實表

簡單解釋下每種表的概念：

事務事實表

表中的一行對應空間或時間上某點的度量事件。就是一行數(shù)據(jù)中必須有度量字段，什么是度量，就是指標，比如說銷售金額，銷售數(shù)量等這些可加的或者半可加就是度量值。另一點就是事務事實表都包含一個與維度表關聯(lián)的外鍵。并且度量值必須和事務粒度保持一致。

周期快照事實表

顧名思義，周期事實表就是每行都帶有時間值字段，代表周期，通常時間值都是標準周期，如某一天，某周，某月等。粒度是周期，而不是個體的事務，也就是說一個周期快照事實表中數(shù)據(jù)可以是多個事實，但是它們都屬于某個周期內。

累計快照事實表

周期快照事實表是單個周期內數(shù)據(jù)，而累計快照事實表是由多個周期數(shù)據(jù)組成，每行匯總了過程開始到結束之間的度量。每行數(shù)據(jù)相當于管道或工作流，有事件的起點，過程，終點，并且每個關鍵步驟都包含日期字段。如訂單數(shù)據(jù)，累計快照事實表的一行就是一個訂單，當訂單產生時插入一行，當訂單發(fā)生變化時，這行就被修改。

無事實的事實表

我們以上討論的事實表度量都是數(shù)字化的，當然實際應用中絕大多數(shù)都是數(shù)字化的度量，但是也可能會有少量的沒有數(shù)字化的值但是還很有價值的字段，無事實的事實表就是為這種數(shù)據(jù)準備的，利用這種事實表可以分析發(fā)生了什么。

聚集事實表

聚集，就是對原子粒度的數(shù)據(jù)進行簡單的聚合操作，目的就是為了提高查詢性能。如我們需求是查詢全國所有門店的總銷售額，我們原子粒度的事實表中每行是每個分店每個商品的銷售額，聚集事實表就可以先聚合每個分店的總銷售額，這樣匯總所有門店的銷售額時計算的數(shù)據(jù)量就會小很多。

合并事實表

這種事實表遵循一個原則，就是相同粒度，數(shù)據(jù)可以來自多個過程，但是只要它們屬于相同粒度，就可以合并為一個事實表，這類事實表特別適合經(jīng)常需要共同分析的多過程度量。

每個維度表都包含單一的主鍵列。維度表的主鍵可以作為與之關聯(lián)的任何事實表的外鍵，當然，維度表行的描述環(huán)境應與事實表行完全對應。維度表通常比較寬，是扁平型非規(guī)范表，包含大量的低粒度的文本屬性。

維度表示你要對數(shù)據(jù)進行分析時所用的一個量，比如你要分析產品銷售情況， 你可以選擇按類別來進行分析，或按區(qū)域來分析。每個類別就構成一個維度。上圖中的用戶表、商家表、時間表這些都屬于維度表，這些表都有一個唯一的主鍵，然后在表中存放了詳細的數(shù)據(jù)信息。

總的說來，在數(shù)據(jù)倉庫中不需要嚴格遵守規(guī)范化設計原則。因為數(shù)據(jù)倉庫的主導功能就是面向分析，以查詢?yōu)橹?，不涉及?shù)據(jù)更新操作。事實表的設計是以能夠正確記錄歷史信息為準則，維度表的設計是以能夠以合適的角度來聚合主題內容為準則。

維度表結構

維度表謹記一條原則，包含單一主鍵列，但有時因業(yè)務復雜，也可能出現(xiàn)聯(lián)合主鍵，請盡量避免，如果無法避免，也要確保必須是單一的，這很重要，如果維表主鍵不是單一，和事實表關聯(lián)時會出現(xiàn)數(shù)據(jù)發(fā)散，導致最后結果可能出現(xiàn)錯誤。

維度表通常比較寬，包含大量的低粒度的文本屬性。

跨表鉆取

跨表鉆取意思是當每個查詢的行頭都包含相同的一致性屬性時，使不同的查詢能夠針對兩個或更多的事實表進行查詢

鉆取可以改變維的層次，變換分析的粒度。它包括上鉆/下鉆：

上鉆（roll-up）：上卷是沿著維的層次向上聚集匯總數(shù)據(jù)。例如，對產品銷售數(shù)據(jù)，沿著時間維上卷，可以求出所有產品在所有地區(qū)每月（或季度或年或全部）的銷售額。

下鉆（drill-down）：下鉆是上鉆的逆操作，它是沿著維的層次向下，查看更詳細的數(shù)據(jù)。

退化維度

退化維度就是將維度退回到事實表中。因為有時維度除了主鍵沒有其他內容，雖然也是合法維度鍵，但是一般都會退回到事實表中，減少關聯(lián)次數(shù)，提高查詢性能

多層次維度

多數(shù)維度包含不止一個自然層次，如日期維度可以從天的層次到周到月到年的層次。所以在有些情況下，在同一維度中存在不同的層次。

維度表空值屬性

當給定維度行沒有被全部填充時，或者當存在屬性沒有被應用到所有維度行時，將產生空值維度屬性。上述兩種情況，推薦采用描述性字符串代替空值，如使用 unknown 或 not applicable 替換空值。

日歷日期維度

在日期維度表中，主鍵的設置不要使用順序生成的id來表示，可以使用更有意義的數(shù)據(jù)表示，比如將年月日合并起來表示，即YYYYMMDD，或者更加詳細的精度。

2. 維度建模三種模式

星形模式(Star Schema)是最常用的維度建模方式。星型模式是以事實表為中心，所有的維度表直接連接在事實表上，像星星一樣。星形模式的維度建模由一個事實表和一組維表成，且具有以下特點：a. 維表只和事實表關聯(lián)，維表之間沒有關聯(lián)；b. 每個維表主鍵為單列，且該主鍵放置在事實表中，作為兩邊連接的外鍵；c. 以事實表為核心，維表圍繞核心呈星形分布；

雪花模式(Snowflake Schema)是對星形模式的擴展。雪花模式的維度表可以擁有其他維度表的，雖然這種模型相比星型更規(guī)范一些，但是由于這種模型不太容易理解，維護成本比較高，而且性能方面需要關聯(lián)多層維表，性能也比星型模型要低。所以一般不是很常用

雪花模式

星座模式是星型模式延伸而來，星型模式是基于一張事實表的，而星座模式是基于多張事實表的，而且共享維度信息。前面介紹的兩種維度建模方法都是多維表對應單事實表，但在很多時候維度空間內的事實表不止一個，而一個維表也可能被多個事實表用到。在業(yè)務發(fā)展后期，絕大部分維度建模都采用的是星座模式。

星座模型3. 維度建模過程

我們知道維度建模的表類型有事實表，維度表；模式有星形模型，雪花模型，星座模型這些概念了，但是實際業(yè)務中，給了我們一堆數(shù)據(jù)，我們怎么拿這些數(shù)據(jù)進行數(shù)倉建設呢，數(shù)倉工具箱作者根據(jù)自身60多年的實際業(yè)務經(jīng)驗，給我們總結了如下四步，請務必記?。?

數(shù)倉工具箱中的維度建模四步走：

維度建模四步走

請牢記以上四步，不管什么業(yè)務，就按照這個步驟來，順序不要搞亂，因為這四步是環(huán)環(huán)相扣，步步相連。下面詳細拆解下每個步驟怎么做

1、選擇業(yè)務過程維度建模是緊貼業(yè)務的，所以必須以業(yè)務為根基進行建模，那么選擇業(yè)務過程，顧名思義就是在整個業(yè)務流程中選取我們需要建模的業(yè)務，根據(jù)運營提供的需求及日后的易擴展性等進行選擇業(yè)務。比如商城，整個商城流程分為商家端，用戶端，平臺端，運營需求是總訂單量，訂單人數(shù)，及用戶的購買情況等，我們選擇業(yè)務過程就選擇用戶端的數(shù)據(jù)，商家及平臺端暫不考慮。業(yè)務選擇非常重要，因為后面所有的步驟都是基于此業(yè)務數(shù)據(jù)展開的。

2、聲明粒度先舉個例子：對于用戶來說，一個用戶有一個身份證號，一個戶籍地址，多個手機號，多張銀行卡，那么與用戶粒度相同的粒度屬性有身份證粒度，戶籍地址粒度，比用戶粒度更細的粒度有手機號粒度，銀行卡粒度，存在一對一的關系就是相同粒度。為什么要提相同粒度呢，因為維度建模中要求我們，在同一事實表中，必須具有相同的粒度，同一事實表中不要混用多種不同的粒度，不同的粒度數(shù)據(jù)建立不同的事實表。并且從給定的業(yè)務過程獲取數(shù)據(jù)時，強烈建議從關注原子粒度開始設計，也就是從最細粒度開始，因為原子粒度能夠承受無法預期的用戶查詢。但是上卷匯總粒度對查詢性能的提升很重要的，所以對于有明確需求的數(shù)據(jù)，我們建立針對需求的上卷匯總粒度，對需求不明朗的數(shù)據(jù)我們建立原子粒度。

3、確認維度維度表是作為業(yè)務分析的入口和描述性標識，所以也被稱為數(shù)據(jù)倉庫的“靈魂”。在一堆的數(shù)據(jù)中怎么確認哪些是維度屬性呢，如果該列是對具體值的描述，是一個文本或常量，某一約束和行標識的參與者，此時該屬性往往是維度屬性，數(shù)倉工具箱中告訴我們牢牢掌握事實表的粒度，就能將所有可能存在的維度區(qū)分開，并且要確保維度表中不能出現(xiàn)重復數(shù)據(jù)，應使維度主鍵唯一

4、確認事實事實表是用來度量的，基本上都以數(shù)量值表示，事實表中的每行對應一個度量，每行中的數(shù)據(jù)是一個特定級別的細節(jié)數(shù)據(jù)，稱為粒度。維度建模的核心原則之一是同一事實表中的所有度量必須具有相同的粒度。這樣能確保不會出現(xiàn)重復計算度量的問題。有時候往往不能確定該列數(shù)據(jù)是事實屬性還是維度屬性。記住最實用的事實就是數(shù)值類型和可加類事實。所以可以通過分析該列是否是一種包含多個值并作為計算的參與者的度量，這種情況下該列往往是事實。

技術是為業(yè)務服務的，業(yè)務是為公司創(chuàng)造價值的，離開業(yè)務的技術是無意義的

1. 業(yè)務介紹

需要針對不同需求的用戶開發(fā)不同的產品，所以公司內部有很多條業(yè)務線，但是對于數(shù)據(jù)部門來說，所有業(yè)務線的數(shù)據(jù)都是數(shù)據(jù)源。對數(shù)據(jù)的劃分不只是根據(jù)業(yè)務進行，而是結合數(shù)據(jù)的屬性。

2. 早期規(guī)劃

之前開發(fā)是不同業(yè)務線對應不同的數(shù)據(jù)團隊，每個數(shù)據(jù)團隊互不干擾，這種模式比較簡單，只針對自己的業(yè)務線進行數(shù)倉建設及報表開發(fā)即可。

但是隨著業(yè)務的發(fā)展，頻繁迭代及跨部門的垂直業(yè)務單元越來越多，業(yè)務之間的出現(xiàn)耦合情況，這時再采用這種煙囪式開發(fā)就出現(xiàn)了問題：

例如權限問題，公司對數(shù)據(jù)管理比較嚴格，不同的數(shù)據(jù)開發(fā)組沒有權限共享數(shù)據(jù)，需要其他業(yè)務線的數(shù)據(jù)權限需要上報審批，比較耽誤時間；

還有重復開發(fā)問題，不同業(yè)務線會出現(xiàn)相同的報表需求，如果每個業(yè)務方都開發(fā)各自的報表，太浪費資源。

所以對于數(shù)據(jù)開發(fā)而言，需要對各個業(yè)務線的數(shù)據(jù)進行統(tǒng)一管理，所以就有了數(shù)據(jù)中臺的出現(xiàn)。

3. 數(shù)據(jù)中臺

我認為數(shù)據(jù)中臺是根據(jù)每個公司具體的業(yè)務需求而搭建的，不同的業(yè)務，對中臺的理解有所不同。

公司內部開發(fā)的敏捷數(shù)據(jù)中臺，主要從數(shù)據(jù)技術和計算能力的復用，到數(shù)據(jù)資產和數(shù)據(jù)服務的復用，數(shù)據(jù)中臺以更大價值帶寬，快準精讓數(shù)據(jù)直接賦能業(yè)務。提供一個統(tǒng)一化的管理，打破數(shù)據(jù)孤島，追溯數(shù)據(jù)血緣，實現(xiàn)自助化及高復用度。

如下所示：

數(shù)據(jù)中臺

以上解釋比較抽象，我們以實際項目開發(fā)來看下數(shù)據(jù)中臺的便利性。

比如我們之前做報表開發(fā)流程，首先是要數(shù)據(jù)采集，不同的數(shù)據(jù)源通過sqoop等工具采集到大數(shù)據(jù)平臺，然后進行數(shù)倉搭建，最后產出報表數(shù)據(jù)，放到可視化系統(tǒng)展示，最終把整個流程寫成腳本放到調度平臺進行自動化執(zhí)行。

而有了數(shù)據(jù)中臺之后就不需要那么繁瑣，直接進行數(shù)倉搭建，產生報表即可，無需將精力過多放在數(shù)據(jù)源、可視化展示及調度。并且可以直觀的查看數(shù)據(jù)血緣關系，計算表之間血緣。像下面圖中，表之間的依賴關系很明確：

數(shù)據(jù)中臺

另一點，數(shù)據(jù)中臺的異構數(shù)據(jù)系統(tǒng)可以非常簡單的進行關聯(lián)查詢，比如hive的表關聯(lián)mysql的表?？赏该髌帘萎悩嫈?shù)據(jù)系統(tǒng)異構交互方式，輕松實現(xiàn)跨異構數(shù)據(jù)系統(tǒng)透明混算。

異構數(shù)據(jù)系統(tǒng)原理是數(shù)據(jù)中臺提供虛擬表到物理表之間的映射,終端用戶無需關心數(shù)據(jù)的物理存放位置和底層數(shù)據(jù)源的特性，可直接操作數(shù)據(jù)，體驗類似操作一個虛擬數(shù)據(jù)庫。

數(shù)據(jù)中臺額外集成可視化展示，提供一站式數(shù)據(jù)可視化解決方案，支持JDBC數(shù)據(jù)源和CSV文件上傳，支持基于數(shù)據(jù)模型拖拽智能生成可視化組件，大屏展示自適應不同大小屏幕。

調度系統(tǒng)是公司內部自寫集成到數(shù)據(jù)中臺的，在編寫完sql語句之后可以直接進行調度。

4. 數(shù)倉建設

到這才真正到數(shù)倉建設，為什么前面我要占那么大篇幅去介紹公司業(yè)務及所使用的數(shù)據(jù)中臺系統(tǒng)，因為下面的數(shù)倉建設是根據(jù)公司的業(yè)務發(fā)展及現(xiàn)有的數(shù)據(jù)中臺進行，數(shù)倉的建設離不開公司的業(yè)務。

智能數(shù)倉規(guī)劃

數(shù)倉建設核心思想：從設計、開發(fā)、部署和使用層面，避免重復建設和指標冗余建設，從而保障數(shù)據(jù)口徑的規(guī)范和統(tǒng)一，最終實現(xiàn)數(shù)據(jù)資產全鏈路關聯(lián)、提供標準數(shù)據(jù)輸出以及建立統(tǒng)一的數(shù)據(jù)公共層。有了核心思想，那怎么開始數(shù)倉建設，有句話說數(shù)倉建設者即是技術專家，也是大半個業(yè)務專家，所以采用的方式就是需求推動數(shù)據(jù)建設，并且因為數(shù)據(jù)中臺，所以各業(yè)務知識體系比較集中，各業(yè)務數(shù)據(jù)不再分散，加快了數(shù)倉建設速度。數(shù)倉建設主要從兩個方面進行，模型和規(guī)范，所有業(yè)務進行統(tǒng)一化

模型

所有業(yè)務采用統(tǒng)一的模型體系，從而降低研發(fā)成本，增強指標復用，并且能保證數(shù)據(jù)口徑的統(tǒng)一

模型分層

結合公司業(yè)務，后期新增需求較多，所以分層不宜過多，并且需要清晰明確各層職責，要保證數(shù)據(jù)層的穩(wěn)定又要屏蔽對下游影響，所以采用如下分層結構：

數(shù)據(jù)分層架構數(shù)據(jù)流向

遵循模型開發(fā)時分層結構，數(shù)據(jù)從 ods -> dw -> dm ->app 這樣正向流動，可以防止因數(shù)據(jù)引用不規(guī)范而造成數(shù)據(jù)鏈路混亂及SLA時效難保障等問題，同時保證血緣關系簡潔化，能夠輕易追蹤數(shù)據(jù)流向。在開發(fā)時應避免以下情況出現(xiàn)：

數(shù)據(jù)引用鏈路不正確，如 ods -> dm ->app ，出現(xiàn)這種情況說明明細層沒有完全覆蓋數(shù)據(jù)；如 ods -> dw -> app ，說明輕度匯總層主題劃分未覆蓋全 。減少跨層引用，才能提高中間表的復用度。理想的數(shù)倉模型設計應當具備：數(shù)據(jù)模型可復?，完善且規(guī)范。 盡量避免一層的表生成當前層的表，如dw層表生成dw層表，這樣會影響ETL效率。 禁止出現(xiàn)反向依賴，如dw表依賴于dm表。

規(guī)范

表命名規(guī)范

對于ods、dm、app層表名：類型_主題_表含義，如：dm_xxsh_user 對于dw層表名：類型_主題_維度_表含義，如：dw_xxsh_fact_users（事實表）、dw_xxsh_dim_city（維度表）

字段命名規(guī)范構建詞根，詞根是維度和指標管理的基礎，劃分為普通詞根與專有詞根

普通詞根：描述事物的最小單元體，如：sex-性別。 專有詞根：具備行業(yè)專屬或公司內部規(guī)定的描述體，如：xxsh-公司內部對某個產品的稱呼。

腳本命名規(guī)范腳本名稱：腳本類型.腳本功用.[庫名].腳本名稱，如 hive.hive.dm.dm_xxsh_users腳本類型主要分為以下三類：

常規(guī)Hive sql：hive 自定義shell腳本：sh 自定義Python腳本：python

腳本內容規(guī)范

#變量的定義要符合python的語法要求#指定任務負責人owner?=?"zhangsan@xxx.com"#腳本存放目錄/opt/xxx#腳本名稱?hive.hive.dm.dm_xxsh_users#source用來標識上游依賴表，一個任務如果有多個上游表，都需要寫進去#(xxx_name?是需要改動的，其余不需要改)source?=?{????????"table_name":?{????????"db":?"db_name",????????"table":?"table_name"????????}}#如source，但是每個任務target只有一張表target?=?{????????"db_table":?{????????????????"host":?"hive",????????????????"db":?"db_name",????????????????"table":?"table_name"????????}}#變量列表#$now#$now.date 常用，格式示例：2020-12-11?task?=?'''寫sql代碼''' 5. 數(shù)據(jù)層具體實現(xiàn)

使用四張圖說明每層的具體實現(xiàn)

數(shù)據(jù)源層ODS 數(shù)據(jù)源層

數(shù)據(jù)源層主要將各個業(yè)務數(shù)據(jù)導入到大數(shù)據(jù)平臺，作為業(yè)務數(shù)據(jù)的快照存儲。

數(shù)據(jù)明細層DW 數(shù)據(jù)明細層

事實表中的每行對應一個度量，每行中的數(shù)據(jù)是一個特定級別的細節(jié)數(shù)據(jù)，稱為粒度。維度建模的核心原則之一是同一事實表中的所有度量必須具有相同的粒度。這樣能確保不會出現(xiàn)重復計算度量的問題。

維度表一般都是單一主鍵，少數(shù)是聯(lián)合主鍵，注意維度表不要出現(xiàn)重復數(shù)據(jù)，否則和事實表關聯(lián)會出現(xiàn)數(shù)據(jù)發(fā)散問題。

有時候往往不能確定該列數(shù)據(jù)是事實屬性還是維度屬性。記住最實用的事實就是數(shù)值類型和可加類事實。所以可以通過分析該列是否是一種包含多個值并作為計算的參與者的度量，這種情況下該列往往是事實；如果該列是對具體值的描述，是一個文本或常量，某一約束和行標識的參與者，此時該屬性往往是維度屬性。但是還是要結合業(yè)務進行最終判斷是維度還是事實。

數(shù)據(jù)輕度匯總層DM 數(shù)據(jù)輕度匯總層

此層命名為輕匯總層，就代表這一層已經(jīng)開始對數(shù)據(jù)進行匯總，但是不是完全匯總，只是對相同粒度的數(shù)據(jù)進行關聯(lián)匯總，不同粒度但是有關系的數(shù)據(jù)也可進行匯總，此時需要將粒度通過聚合等操作進行統(tǒng)一。

數(shù)據(jù)應用層APP 數(shù)據(jù)應用層

數(shù)據(jù)應用層的表就是提供給用戶使用的，數(shù)倉建設到此就接近尾聲了，接下來就根據(jù)不同的需求進行不同的取數(shù)，如直接進行報表展示，或提供給數(shù)據(jù)分析的同事所需的數(shù)據(jù)，或其他的業(yè)務支撐。

6. 總結

一張圖總結下數(shù)據(jù)倉庫的構建整體流程：

數(shù)據(jù)中臺7. 實際生產中注意事項

生產環(huán)境中操作不能像我們自己測試時那樣隨意，一不小心都可能造成生產事故。所以每步操作都要十分小心，需全神貫注，管好大腦管住右手。

僅列出以下但不限于以下的注意事項：

請勿操作自己管理及授權表之外的其它庫表； 未經(jīng)授權，請勿操作生產環(huán)境中其他人的腳本及文件； 在修改生產環(huán)境腳本前，請務必自行備份到本地； 請確認自己的修改操作能迅速回滾； 生產環(huán)境中表名及字段等所有命名請遵循命名規(guī)則。

實時計算一般都是針對海量數(shù)據(jù)進行的，并且要求為秒級。由于大數(shù)據(jù)興起之初，Hadoop并沒有給出實時計算解決方案，隨后Storm，SparkStreaming，F(xiàn)link等實時計算框架應運而生，而Kafka，ES的興起使得實時計算領域的技術越來越完善，而隨著物聯(lián)網(wǎng)，機器學習等技術的推廣，實時流式計算將在這些領域得到充分的應用。

實時計算的三個特征：

無限數(shù)據(jù)：無限數(shù)據(jù)指的是一種不斷增長的，基本上無限的數(shù)據(jù)集。這些通常被稱為“流數(shù)據(jù)”，而與之相對的是有限的數(shù)據(jù)集。

無界數(shù)據(jù)處理：一種持續(xù)的數(shù)據(jù)處理模式,能夠通過處理引擎重復的去處理上面的無限數(shù)據(jù)，是能夠突破有限數(shù)據(jù)處理引擎的瓶頸的。

低延遲：延遲是多少并沒有明確的定義。但我們都知道數(shù)據(jù)的價值將隨著時間的流逝降低，時效性將是需要持續(xù)解決的問題。

現(xiàn)在大數(shù)據(jù)應用比較火爆的領域，比如推薦系統(tǒng)在實踐之初受技術所限，可能要一分鐘，一小時，甚至更久對用戶進行推薦，這遠遠不能滿足需要，我們需要更快的完成對數(shù)據(jù)的處理，而不是進行離線的批處理。

1. 實時計算應用場景

隨著實時技術發(fā)展趨于成熟，實時計算應用越來越廣泛，以下僅列舉常見的幾種實時計算的應用場景：

1. 實時智能推薦

智能推薦會根據(jù)用戶歷史的購買或瀏覽行為，通過推薦算法訓練模型，預測用戶未來可能會購買的物品或喜愛的資訊。對個人來說，推薦系統(tǒng)起著信息過濾的作用，對Web/App服務端來說，推薦系統(tǒng)起著滿足用戶個性化需求，提升用戶滿意度的作用。推薦系統(tǒng)本身也在飛速發(fā)展，除了算法越來越完善，對時延的要求也越來越苛刻和實時化。利用Flink流計算幫助用戶構建更加實時的智能推薦系統(tǒng)，對用戶行為指標進行實時計算，對模型進行實時更新，對用戶指標進行實時預測，并將預測的信息推送給Web/App端，幫助用戶獲取想要的商品信息，另一方面也幫助企業(yè)提升銷售額，創(chuàng)造更大的商業(yè)價值。

2. 實時欺詐檢測

在金融領域的業(yè)務中，常常出現(xiàn)各種類型的欺詐行為，例如信用卡欺詐，信貸申請欺詐等，而如何保證用戶和公司的資金安全，是近年來許多金融公司及銀行共同面對的挑戰(zhàn)。隨著不法分子欺詐手段的不斷升級，傳統(tǒng)的反欺詐手段已經(jīng)不足以解決目前所面臨的問題。以往可能需要幾個小時才能通過交易數(shù)據(jù)計算出用戶的行為指標，然后通過規(guī)則判別出具有欺詐行為嫌疑的用戶，再進行案件調查處理，在這種情況下資金可能早已被不法分子轉移，從而給企業(yè)和用戶造成大量的經(jīng)濟損失。而運用Flink流式計算技術能夠在毫秒內就完成對欺詐行為判斷指標的計算，然后實時對交易流水進行實時攔截，避免因為處理不及時而導致的經(jīng)濟損失。

3. 輿情分析

有的客戶需要做輿情分析，要求所有數(shù)據(jù)存放若干年，輿情數(shù)據(jù)每日數(shù)據(jù)量可能超百萬，年數(shù)據(jù)量可達到幾十億的數(shù)據(jù)。而且爬蟲爬過來的數(shù)據(jù)是輿情，通過大數(shù)據(jù)技術進行分詞之后得到的可能是大段的網(wǎng)友評論，客戶往往要求對輿情進行查詢，做全文本搜索，并要求響應時間控制在秒級。爬蟲將數(shù)據(jù)爬到大數(shù)據(jù)平臺的Kafka里，在里面做Flink流處理，去重去噪做語音分析，寫到ElasticSearch里。大數(shù)據(jù)的一個特點是多數(shù)據(jù)源，大數(shù)據(jù)平臺能根據(jù)不同的場景選擇不同的數(shù)據(jù)源。

4. 復雜事件處理

對于復雜事件處理，比較常見的集中于工業(yè)領域，例如對車載傳感器，機械設備等實時故障檢測，這些業(yè)務類型通常數(shù)據(jù)量都非常大，且對數(shù)據(jù)處理的時效性要求非常高。通過利用Flink提供的CEP進行時間模式的抽取，同時應用Flink的Sql進行事件數(shù)據(jù)的轉換，在流式系統(tǒng)中構建實施規(guī)則引擎，一旦事件觸發(fā)報警規(guī)則，便立即將告警結果通知至下游通知系統(tǒng)，從而實現(xiàn)對設備故障快速預警檢測，車輛狀態(tài)監(jiān)控等目的。

5. 實時機器學習

實時機器學習是一個更寬泛的概念，傳統(tǒng)靜態(tài)的機器學習主要側重于靜態(tài)的模型和歷史數(shù)據(jù)進行訓練并提供預測。很多時候用戶的短期行為，對模型有修正作用，或者說是對業(yè)務判斷有預測作用。對系統(tǒng)來說，需要采集用戶最近的行為并進行特征工程，然后給到實時機器學習系統(tǒng)進行機器學習。如果動態(tài)地實施新規(guī)則，或是推出新廣告，就會有很大的參考價值。

2. 實時計算總覽

我們先來看一張大數(shù)據(jù)平臺的實時架構圖：

數(shù)據(jù)同步：

在上面這張架構圖中，數(shù)據(jù)從Web平臺中產生，通過數(shù)據(jù)同步系統(tǒng)導入到大數(shù)據(jù)平臺，由于數(shù)據(jù)源不同，這里的數(shù)據(jù)同步系統(tǒng)實際上是多個相關系統(tǒng)的組合。數(shù)據(jù)庫同步通常用 Sqoop，日志同步可以選擇 Flume等，不同的數(shù)據(jù)源產生的數(shù)據(jù)質量可能差別很大，數(shù)據(jù)庫中的格式化數(shù)據(jù)直接導入大數(shù)據(jù)系統(tǒng)即可，而日志和爬蟲產生的數(shù)據(jù)就需要進行大量的清洗、轉化處理才能有效使用。

數(shù)據(jù)存儲：

該層對原始數(shù)據(jù)、清洗關聯(lián)后的明細數(shù)據(jù)進行存儲，基于統(tǒng)一的實時數(shù)據(jù)模型分層理念，將不同應用場景的數(shù)據(jù)分別存儲在 Kafka、HDFS、Kudu、 Clickhouse、Hbase等存儲中。

數(shù)據(jù)計算：

計算層主要使用 Flink、Spark、Presto 以及 ClickHouse 自帶的計算能力等四種計算引擎，F(xiàn)link 計算引擎主要用于實時數(shù)據(jù)同步、 流式 ETL、關鍵系統(tǒng)秒級實時指標計算場景，Spark SQL 主要用于復雜多維分析的準實時指標計算需求場景，Presto 和 ClickHouse 主要滿足多維自助分析、對查詢響應時間要求不太高的場景。

實時應用：

以統(tǒng)一查詢服務對各個業(yè)務線數(shù)據(jù)場景進行支持，業(yè)務主要包括實時大屏、實時數(shù)據(jù)產品、實時 OLAP、實時特征等。

當然一個好的大數(shù)據(jù)平臺不能缺少元數(shù)據(jù)管理及數(shù)據(jù)治理：

1. 元數(shù)據(jù)及指標管理：主要對實時的Kafka表、Kudu表、Clickhouse表、Hive表等進行統(tǒng)一管理，以數(shù)倉模型中表的命名方式規(guī)范表的命名，明確每張表的字段含義、使用方，指標管理則是盡量通過指標管理系統(tǒng)將所有的實時指標統(tǒng)一管理起來，明確計算口徑，提供給不同的業(yè)務方使用；

2. 數(shù)據(jù)質量及血緣分析：數(shù)據(jù)質量分為平臺監(jiān)控和數(shù)據(jù)監(jiān)控兩個部分，血緣分析則主要是對實時數(shù)據(jù)依賴關系、實時任務的依賴關系進行分析。

以上架構只是大數(shù)據(jù)平臺通用的數(shù)據(jù)模型，如果要具體的建設，需要考慮以下情況，業(yè)務需求需要實時還是準實時即可，數(shù)據(jù)時效性是秒級還是分鐘級等。

在調度開銷方面，準實時數(shù)據(jù)是批處理過程，因此仍然需要調度系統(tǒng)支持，調度頻率較高，而實時數(shù)據(jù)卻沒有調度開銷；

在業(yè)務靈活性方面，因為準實時數(shù)據(jù)是基于 ETL 或 OLAP 引擎實現(xiàn)，靈活性優(yōu)于基于流計算的方式；

在對數(shù)據(jù)晚到的容忍度方面，因為準實時數(shù)據(jù)可以基于一個周期內的數(shù)據(jù)進行全量計算，因此對于數(shù)據(jù)晚到的容忍度也是比較高的，而實時數(shù)據(jù)使用的是增量計算，對于數(shù)據(jù)晚到的容忍度更低一些；

在適用場景方面，準實時數(shù)據(jù)主要用于有實時性要求但不太高、涉及多表關聯(lián)和業(yè)務變更頻繁的場景，如交易類型的實時分析，實時數(shù)據(jù)則更適用于實時性要求高、數(shù)據(jù)量大的場景，如實時特征、流量類型實時分析等場景。

3. 實時架構

在某些場景中，數(shù)據(jù)的價值隨著時間的推移而逐漸減少。所以在傳統(tǒng)大數(shù)據(jù)離線數(shù)倉的基礎上，逐漸對數(shù)據(jù)的實時性提出了更高的要求。

于是隨之誕生了大數(shù)據(jù)實時數(shù)倉，并且衍生出了兩種技術架構Lambda和Kappa。

先來看下Lambda架構圖：

Lambda架構圖

數(shù)據(jù)從底層的數(shù)據(jù)源開始，經(jīng)過Kafka、Flume等數(shù)據(jù)組件進行收集，然后分成兩條線進行計算：

一條線是進入流式計算平臺（例如 Storm、Flink或者SparkStreaming），去計算實時的一些指標；

另一條線進入批量數(shù)據(jù)處理離線計算平臺（例如Mapreduce、Hive，Spark SQL），去計算T+1的相關業(yè)務指標，這些指標需要隔日才能看見。

為什么Lambda架構要分成兩條線計算？

假如整個系統(tǒng)只有一個批處理層，會導致用戶必須等待很久才能獲取計算結果，一般有幾個小時的延遲。電商數(shù)據(jù)分析部門只能查看前一天的統(tǒng)計分析結果，無法獲取當前的結果，這對于實時決策來說有一個巨大的時間鴻溝，很可能導致管理者錯過最佳決策時機。

Lambda架構屬于較早的一種架構方式，早期的流處理不如現(xiàn)在這樣成熟，在準確性、擴展性和容錯性上，流處理層無法直接取代批處理層，只能給用戶提供一個近似結果，還不能為用戶提供一個一致準確的結果。因此Lambda架構中，出現(xiàn)了批處理和流處理并存的現(xiàn)象。

在 Lambda 架構中，每層都有自己所肩負的任務。

1. 批處理層存儲管理主數(shù)據(jù)集（不可變的數(shù)據(jù)集）和預先批處理計算好的視圖：

批處理層使用可處理大量數(shù)據(jù)的分布式處理系統(tǒng)預先計算結果。它通過處理所有的已有歷史數(shù)據(jù)來實現(xiàn)數(shù)據(jù)的準確性。這意味著它是基于完整的數(shù)據(jù)集來重新計算的，能夠修復任何錯誤，然后更新現(xiàn)有的數(shù)據(jù)視圖。輸出通常存儲在只讀數(shù)據(jù)庫中，更新則完全取代現(xiàn)有的預先計算好的視圖。

2. 流處理層會實時處理新來的大數(shù)據(jù)：

流處理層通過提供最新數(shù)據(jù)的實時視圖來最小化延遲。流處理層所生成的數(shù)據(jù)視圖可能不如批處理層最終生成的視圖那樣準確或完整，但它們幾乎在收到數(shù)據(jù)后立即可用。而當同樣的數(shù)據(jù)在批處理層處理完成后，在速度層的數(shù)據(jù)就可以被替代掉了。

那Lambda架構有沒有缺點呢？

Lambda架構經(jīng)歷多年的發(fā)展，其優(yōu)點是穩(wěn)定，對于實時計算部分的計算成本可控，批量處理可以用晚上的時間來整體批量計算，這樣把實時計算和離線計算高峰分開，這種架構支撐了數(shù)據(jù)行業(yè)的早期發(fā)展，但是它也有一些致命缺點，并在大數(shù)據(jù)3.0時代越來越不適應數(shù)據(jù)分析業(yè)務的需求。缺點如下：

使用兩套大數(shù)據(jù)處理引擎：維護兩個復雜的分布式系統(tǒng)，成本非常高。

批量計算在計算窗口內無法完成：在IOT時代，數(shù)據(jù)量級越來越大，經(jīng)常發(fā)現(xiàn)夜間只有4、5個小時的時間窗口，已經(jīng)無法完成白天20多個小時累計的數(shù)據(jù)，保證早上上班前準時出數(shù)據(jù)已成為每個大數(shù)據(jù)團隊頭疼的問題。

數(shù)據(jù)源變化都要重新開發(fā)，開發(fā)周期長：每次數(shù)據(jù)源的格式變化，業(yè)務的邏輯變化都需要針對ETL和Streaming做開發(fā)修改，整體開發(fā)周期很長，業(yè)務反應不夠迅速。

導致 Lambda 架構的缺點根本原因是要同時維護兩套系統(tǒng)架構：批處理層和速度層。我們已經(jīng)知道，在架構中加入批處理層是因為從批處理層得到的結果具有高準確性，而加入速度層是因為它在處理大規(guī)模數(shù)據(jù)時具有低延時性。

那我們能不能改進其中某一層的架構，讓它具有另外一層架構的特性呢？

例如，改進批處理層的系統(tǒng)讓它具有更低的延時性，又或者是改進速度層的系統(tǒng)，讓它產生的數(shù)據(jù)視圖更具準確性和更加接近歷史數(shù)據(jù)呢？

另外一種在大規(guī)模數(shù)據(jù)處理中常用的架構——Kappa 架構，便是在這樣的思考下誕生的。

Kafka的創(chuàng)始人Jay Kreps認為在很多場景下，維護一套Lambda架構的大數(shù)據(jù)處理平臺耗時耗力，于是提出在某些場景下，沒有必要維護一個批處理層，直接使用一個流處理層即可滿足需求，即下圖所示的Kappa架構：

Kappa架構

這種架構只關注流式計算，數(shù)據(jù)以流的方式被采集過來，實時計算引擎將計算結果放入數(shù)據(jù)服務層以供查詢。可以認為Kappa架構是Lambda架構的一個簡化版本，只是去除掉了Lambda架構中的離線批處理部分；

Kappa架構的興起主要有兩個原因：

Kafka不僅起到消息隊列的作用，也可以保存更長時間的歷史數(shù)據(jù)，以替代Lambda架構中批處理層數(shù)據(jù)倉庫部分。流處理引擎以一個更早的時間作為起點開始消費，起到了批處理的作用。

Flink流處理引擎解決了事件亂序下計算結果的準確性問題。

Kappa架構相對更簡單，實時性更好，所需的計算資源遠小于Lambda架構，隨著實時處理的需求在不斷增長，更多的企業(yè)開始使用Kappa架構。但這不意味著kappa架構能夠取代Lambda架構。

Lambda和kappa架構都有各自的適用領域；例如流處理與批處理分析流程比較統(tǒng)一，且允許一定的容錯，用Kappa比較合適，少量關鍵指標（例如交易金額、業(yè)績統(tǒng)計等）使用Lambda架構進行批量計算，增加一次校對過程。

還有一些比較復雜的場景，批處理與流處理產生不同的結果（使用不同的機器學習模型，專家系統(tǒng)，或者實時計算難以處理的復雜計算），可能更適合Lambda架構。