柚子快報(bào)邀請碼778899分享：大數(shù)據(jù) 初識(shí)數(shù)據(jù)倉庫

http://yzkb.51969.com/

1、什么是數(shù)據(jù)倉庫（數(shù)倉）

數(shù)據(jù)倉庫，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(gòu)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(bào)告和決策支持目的而創(chuàng)建。

MySQL數(shù)據(jù)庫 => 面向事務(wù)的集成化數(shù)據(jù)環(huán)境；但是DW則是面向分析的集成化數(shù)據(jù)環(huán)境，主要實(shí)現(xiàn)數(shù)據(jù)的寫入與數(shù)據(jù)分析，很少有數(shù)據(jù)的修改操作！

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

2、數(shù)據(jù)倉庫的主要特征

數(shù)據(jù)倉庫是面向主題的（Subject-Oriented ）、集成的（Integrated）、非易失的（Non-Volatile）和時(shí)變的（Time-Variant ）數(shù)據(jù)集合，用以支持管理決策 。

☆ 面向主題（確認(rèn)要分析什么，什么就是主題）

主題是一個(gè)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(jìn)行分析利用的抽象。

☆ 集成性

通過對分散、獨(dú)立、異構(gòu)的數(shù)據(jù)庫數(shù)據(jù)進(jìn)行抽取、清理、轉(zhuǎn)換和匯總便得到了數(shù)據(jù)倉庫的數(shù)據(jù)

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(jìn)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(shè)中最關(guān)鍵、最復(fù)雜的一步，所要完成的工作有：

（1）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。

（2）進(jìn)行數(shù)據(jù)綜合和計(jì)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(shí)生成，但許多是在數(shù)據(jù)倉庫內(nèi)部生成的，即進(jìn)入數(shù)據(jù)倉庫以后進(jìn)行綜合生成的。

比如說一個(gè)保險(xiǎn)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(xiǎn)”主題有關(guān)的數(shù)據(jù)來自于多個(gè)不同的操作型系統(tǒng)。這些系統(tǒng)內(nèi)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(chǔ)到數(shù)據(jù)倉庫之前，需要去除這些不一致。

☆ 非易失性（不可更新性）

操作型數(shù)據(jù)庫主要服務(wù)于日常的業(yè)務(wù)操作，使得數(shù)據(jù)庫需要不斷地對數(shù)據(jù)實(shí)時(shí)更新，以便迅速獲得當(dāng)前最新數(shù)據(jù)，不至于影響正常的業(yè)務(wù)運(yùn)作。在數(shù)據(jù)倉庫中只要保存過去的業(yè)務(wù)數(shù)據(jù)，不需要每一筆業(yè)務(wù)都實(shí)時(shí)更新數(shù)據(jù)倉庫，而是根據(jù)商業(yè)需要每隔一段時(shí)間把一批較新的數(shù)據(jù)導(dǎo)入數(shù)據(jù)倉庫。

數(shù)據(jù)倉庫的數(shù)據(jù)反映的是一段相當(dāng)長的時(shí)間內(nèi)歷史數(shù)據(jù)的內(nèi)容（離線數(shù)據(jù)）

數(shù)據(jù)非易失性主要是針對應(yīng)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(fù)雜的挖掘，一旦數(shù)據(jù)進(jìn)入數(shù)據(jù)倉庫以后，一般情況下被較長時(shí)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(jìn)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(shí)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(gè)特定日期、星期、月份、季度或者年份有關(guān)。數(shù)據(jù)倉庫的目的是通過分析企業(yè)過去一段時(shí)間業(yè)務(wù)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(yuǎn)不變的。分析的結(jié)果只能反映過去的情況，當(dāng)業(yè)務(wù)變化后，挖掘出的模式會(huì)失去時(shí)效性。因此數(shù)據(jù)倉庫的數(shù)據(jù)需要更新，以適應(yīng)決策的需要。從這個(gè)角度講，數(shù)據(jù)倉庫建設(shè)是一個(gè)項(xiàng)目，更是一個(gè)過程 。數(shù)據(jù)倉庫的數(shù)據(jù)隨時(shí)間的變化表現(xiàn)在以下幾個(gè)方面：

① 數(shù)據(jù)倉庫的數(shù)據(jù)時(shí)限一般要遠(yuǎn)遠(yuǎn)長于操作型數(shù)據(jù)的數(shù)據(jù)時(shí)限。

② 操作型系統(tǒng)存儲(chǔ)的是當(dāng)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(shí)間順序追加的，它們都帶有時(shí)間屬性。

面向主題分析，經(jīng)常要與時(shí)間相關(guān)，所以SQL語句經(jīng)常需要對時(shí)間進(jìn)行分析查詢

3、數(shù)據(jù)倉庫與數(shù)據(jù)庫區(qū)別

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

操作型處理，叫聯(lián)機(jī)事務(wù)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(wù)在數(shù)據(jù)庫聯(lián)機(jī)的日常操作，通常對少數(shù)記錄進(jìn)行查詢、修改。用戶較為關(guān)心操作的響應(yīng)時(shí)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。

分析型處理，叫聯(lián)機(jī)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(jìn)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(wù)的設(shè)計(jì)，數(shù)據(jù)倉庫是面向主題設(shè)計(jì)的。數(shù)據(jù)庫一般存儲(chǔ)業(yè)務(wù)數(shù)據(jù)，數(shù)據(jù)倉庫存儲(chǔ)的一般是歷史數(shù)據(jù)。數(shù)據(jù)庫設(shè)計(jì)是盡量避免冗余，一般針對某一業(yè)務(wù)應(yīng)用進(jìn)行設(shè)計(jì)，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(wù)應(yīng)用，但是不符合分析。數(shù)據(jù)倉庫在設(shè)計(jì)是有意引入冗余，依照分析需求，分析維度、分析指標(biāo)進(jìn)行設(shè)計(jì)。數(shù)據(jù)庫是為捕獲數(shù)據(jù)而設(shè)計(jì)，數(shù)據(jù)倉庫是為分析數(shù)據(jù)而設(shè)計(jì)。

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(jìn)一步挖掘數(shù)據(jù)資源、為了決策需要而產(chǎn)生的，它決不是所謂的“大型數(shù)據(jù)庫”。

對比：數(shù)據(jù)庫（OLTP）與數(shù)據(jù)倉庫（OLAP）區(qū)別

① 數(shù)據(jù)庫是事務(wù)型OLTP處理，支持增刪改查操作；數(shù)據(jù)倉庫是面向主題OLAP型應(yīng)用，主要是查詢操作，很少有更新與刪除

② 數(shù)據(jù)量不同，數(shù)據(jù)庫數(shù)據(jù)量較少；數(shù)據(jù)倉庫往往是海量數(shù)據(jù)（底層是HDFS）

③ 存儲(chǔ)數(shù)據(jù)時(shí)效性不同，數(shù)據(jù)庫往往是當(dāng)前數(shù)據(jù)，數(shù)倉往往歷史數(shù)據(jù)（離線）

④ 查詢速度也有很大區(qū)別，數(shù)據(jù)庫往往是低延遲，數(shù)據(jù)倉庫往往是高延遲查詢

4、數(shù)據(jù)倉庫分層架構(gòu)（重點(diǎn)）

按照數(shù)據(jù)流入流出的過程，數(shù)據(jù)倉庫架構(gòu)可分為三層——源數(shù)據(jù)、數(shù)據(jù)倉庫、數(shù)據(jù)應(yīng)用。

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(yīng)用，數(shù)據(jù)自下而上流入數(shù)據(jù)倉庫后向上層開放應(yīng)用，而數(shù)據(jù)倉庫只是中間集成化數(shù)據(jù)管理的一個(gè)平臺(tái)。

源數(shù)據(jù)層（ODS）：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(jié)構(gòu)和數(shù)據(jù)，不對外開放；為臨時(shí)存儲(chǔ)層，是接口數(shù)據(jù)的臨時(shí)存儲(chǔ)區(qū)域，為后一步的數(shù)據(jù)處理做準(zhǔn)備。數(shù)據(jù)倉庫層（DW）：也稱為細(xì)節(jié)層，DW層的數(shù)據(jù)應(yīng)該是一致的、準(zhǔn)確的、干凈的數(shù)據(jù)，即對源系統(tǒng)數(shù)據(jù)進(jìn)行了清洗（去除了雜質(zhì)）后的數(shù)據(jù)。數(shù)據(jù)應(yīng)用層（DA或APP）：前端應(yīng)用直接讀取的數(shù)據(jù)源；根據(jù)報(bào)表、專題分析需求而計(jì)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(nèi)的數(shù)據(jù)轉(zhuǎn)換和流動(dòng)都可以認(rèn)為是ETL（抽取Extra, 轉(zhuǎn)化Transfer, 裝載Load）的過程，ETL是數(shù)據(jù)倉庫的流水線，也可以認(rèn)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(hù)工作的大部分精力就是保持ETL的正常和穩(wěn)定。

為什么要對數(shù)據(jù)倉庫分層？

用空間換時(shí)間，通過大量的預(yù)處理來提升應(yīng)用系統(tǒng)的用戶體驗(yàn)（效率），因此數(shù)據(jù)倉庫會(huì)存在大量冗余的數(shù)據(jù)；不分層的話，如果源業(yè)務(wù)系統(tǒng)的業(yè)務(wù)規(guī)則發(fā)生變化將會(huì)影響整個(gè)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?yàn)榘言瓉硪徊降墓ぷ鞣值搅硕鄠€(gè)步驟去完成，相當(dāng)于把一個(gè)復(fù)雜的工作拆成了多個(gè)簡單的工作，把一個(gè)大的黑盒變成了一個(gè)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(gè)步驟的正確性，當(dāng)數(shù)據(jù)發(fā)生錯(cuò)誤的時(shí)候，往往我們只需要局部調(diào)整某個(gè)步驟即可。

提煉要點(diǎn)就是：

① 清晰的數(shù)據(jù)結(jié)構(gòu) ② 實(shí)現(xiàn)血緣追蹤（數(shù)據(jù)治理中的一個(gè)概念） ③ 減少重復(fù)開發(fā) ④ 把復(fù)雜問題簡單化：大問題拆解若干個(gè)小問題 性，當(dāng)數(shù)據(jù)發(fā)生錯(cuò)誤的時(shí)候，往往我們只需要局部調(diào)整某個(gè)步驟即可。

提煉要點(diǎn)就是：

① 清晰的數(shù)據(jù)結(jié)構(gòu) ② 實(shí)現(xiàn)血緣追蹤（數(shù)據(jù)治理中的一個(gè)概念） ③ 減少重復(fù)開發(fā) ④ 把復(fù)雜問題簡單化：大問題拆解若干個(gè)小問題 ⑤ 屏蔽原始數(shù)據(jù)異常

柚子快報(bào)邀請碼778899分享：大數(shù)據(jù) 初識(shí)數(shù)據(jù)倉庫

http://yzkb.51969.com/

推薦文章