10.1 什么是數(shù)據(jù)倉庫

數(shù)據(jù)倉庫帕识，英文名稱為Data Warehouse，可簡(jiǎn)寫為DW或DWH遂铡。數(shù)據(jù)倉庫肮疗，是為企業(yè)所有級(jí)別的決策制定過程，提供所有類型數(shù)據(jù)支持的戰(zhàn)略集合扒接。它出于分析性報(bào)告和決策支持目的而創(chuàng)建伪货。為需要業(yè)務(wù)智能的企業(yè)，提供指導(dǎo)業(yè)務(wù)流程改進(jìn)钾怔、監(jiān)視時(shí)間碱呼、成本、質(zhì)量以及控制宗侦。

10.2 數(shù)據(jù)倉庫能干什么愚臀？

1）年度銷售目標(biāo)的指定，需要根據(jù)以往的歷史報(bào)表進(jìn)行決策矾利，不能拍腦袋姑裂。

2）如何優(yōu)化業(yè)務(wù)流程

例如：一個(gè)電商網(wǎng)站訂單的完成包括：瀏覽馋袜、下單、支付舶斧、物流欣鳖，其中物流環(huán)節(jié)可能和中通、申通茴厉、韻達(dá)等快遞公司合作泽台。快遞公司每派送一個(gè)訂單呀忧，都會(huì)有訂單派送的確認(rèn)時(shí)間师痕，可以根據(jù)訂單派送時(shí)間來分析哪個(gè)快遞公司比較快捷高效，從而選擇與哪些快遞公司合作而账，剔除哪些快遞公司胰坟，增加用戶友好型。

10.3 數(shù)據(jù)倉庫的特點(diǎn)

1）數(shù)據(jù)倉庫的數(shù)據(jù)是面向主題的

與傳統(tǒng)數(shù)據(jù)庫面向應(yīng)用進(jìn)行數(shù)據(jù)組織的特點(diǎn)相對(duì)應(yīng)泞辐，數(shù)據(jù)倉庫中的數(shù)據(jù)是面向主題進(jìn)行組織的笔横。什么是主題呢？首先咐吼，主題是一個(gè)抽象的概念吹缔，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)行分析利用的抽象锯茄。在邏輯意義上厢塘，它是對(duì)應(yīng)企業(yè)中某一宏觀分析領(lǐng)域所涉及的分析對(duì)象。面向主題的數(shù)據(jù)組織方式肌幽，就是在較高層次上對(duì)分析對(duì)象的數(shù)據(jù)的一個(gè)完整晚碾、一致的描述，能完整喂急、統(tǒng)一地刻劃各個(gè)分析對(duì)象所涉及的企業(yè)的各項(xiàng)數(shù)據(jù)格嘁，以及數(shù)據(jù)之間的聯(lián)系。所謂較高層次是相對(duì)面向應(yīng)用的數(shù)據(jù)組織方式而言的廊移，是指按照主題進(jìn)行數(shù)據(jù)組織的方式具有更高的數(shù)據(jù)抽象級(jí)別糕簿。

2）數(shù)據(jù)倉庫的數(shù)據(jù)是集成的

數(shù)據(jù)倉庫的數(shù)據(jù)是從原有的分散的數(shù)據(jù)庫數(shù)據(jù)抽取來的。操作型數(shù)據(jù)與DSS分析型數(shù)據(jù)之間差別甚大狡孔。第一懂诗，數(shù)據(jù)倉庫的每一個(gè)主題所對(duì)應(yīng)的源數(shù)據(jù)在原有的各分散數(shù)據(jù)庫中有許多重復(fù)和不一致的地方，且來源于不同的聯(lián)機(jī)系統(tǒng)的數(shù)據(jù)都和不同的應(yīng)用邏輯捆綁在一起步氏；第二响禽，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)一與綜合芋类，這一步是數(shù)據(jù)倉庫建設(shè)中最關(guān)鍵隆嗅、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)中所有矛盾之處侯繁，如字段的同名異義胖喳、異名同義、單位不統(tǒng)一贮竟、字長(zhǎng)不一致等丽焊。

（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)生成咕别，但許多是在數(shù)據(jù)倉庫內(nèi)部生成的技健，即進(jìn)入數(shù)據(jù)倉庫以后進(jìn)行綜合生成的。

3）數(shù)據(jù)倉庫的數(shù)據(jù)是不可更新的

數(shù)據(jù)倉庫的數(shù)據(jù)主要供企業(yè)決策分析之用惰拱，所涉及的數(shù)據(jù)操作主要是數(shù)據(jù)查詢雌贱，一般情況下并不進(jìn)行修改操作。數(shù)據(jù)倉庫的數(shù)據(jù)反映的是一段相當(dāng)長(zhǎng)的時(shí)間內(nèi)歷史數(shù)據(jù)的內(nèi)容偿短，是不同時(shí)點(diǎn)的數(shù)據(jù)庫快照的集合欣孤，以及基于這些快照進(jìn)行統(tǒng)計(jì)、綜合和重組的導(dǎo)出數(shù)據(jù)昔逗，而不是聯(lián)機(jī)處理的數(shù)據(jù)降传。數(shù)據(jù)庫中進(jìn)行聯(lián)機(jī)處理的數(shù)據(jù)經(jīng)過集成輸入到數(shù)據(jù)倉庫中，一旦數(shù)據(jù)倉庫存放的數(shù)據(jù)已經(jīng)超過數(shù)據(jù)倉庫的數(shù)據(jù)存儲(chǔ)期限勾怒，這些數(shù)據(jù)將從當(dāng)前的數(shù)據(jù)倉庫中刪去婆排。因?yàn)閿?shù)據(jù)倉庫只進(jìn)行數(shù)據(jù)查詢操作，所以數(shù)據(jù)倉庫管理系統(tǒng)相比數(shù)據(jù)庫管理系統(tǒng)而言要簡(jiǎn)單得多笔链。數(shù)據(jù)庫管理系統(tǒng)中許多技術(shù)難點(diǎn)泽论，如完整性保護(hù)、并發(fā)控制等等卡乾，在數(shù)據(jù)倉庫的管理中幾乎可以省去。但是由于數(shù)據(jù)倉庫的查詢數(shù)據(jù)量往往很大缚够，所以就對(duì)數(shù)據(jù)查詢提出了更高的要求幔妨，它要求采用各種復(fù)雜的索引技術(shù)；同時(shí)由于數(shù)據(jù)倉庫面向的是商業(yè)企業(yè)的高層管理者谍椅，他們會(huì)對(duì)數(shù)據(jù)查詢的界面友好性和數(shù)據(jù)表示提出更高的要求误堡。

4）數(shù)據(jù)倉庫的數(shù)據(jù)是隨時(shí)間不斷變化的

數(shù)據(jù)倉庫中的數(shù)據(jù)不可更新是針對(duì)應(yīng)用來說的，也就是說雏吭，數(shù)據(jù)倉庫的用戶進(jìn)行分析處理時(shí)是不進(jìn)行數(shù)據(jù)更新操作的锁施。但并不是說，在從數(shù)據(jù)集成輸入數(shù)據(jù)倉庫開始到最終被刪除的整個(gè)數(shù)據(jù)生存周期中，所有的數(shù)據(jù)倉庫數(shù)據(jù)都是永遠(yuǎn)不變的悉抵。

數(shù)據(jù)倉庫的數(shù)據(jù)是隨時(shí)間的變化而不斷變化的肩狂，這是數(shù)據(jù)倉庫數(shù)據(jù)的第四個(gè)特征。這一特征表現(xiàn)在以下3方面：

（1）數(shù)據(jù)倉庫隨時(shí)間變化不斷增加新的數(shù)據(jù)內(nèi)容姥饰。數(shù)據(jù)倉庫系統(tǒng)必須不斷捕捉OLTP數(shù)據(jù)庫中變化的數(shù)據(jù)傻谁，追加到數(shù)據(jù)倉庫中去，也就是要不斷地生成OLTP數(shù)據(jù)庫的快照列粪，經(jīng)統(tǒng)一集成后增加到數(shù)據(jù)倉庫中去审磁；但對(duì)于確實(shí)不再變化的數(shù)據(jù)庫快照，如果捕捉到新的變化數(shù)據(jù)岂座，則只生成一個(gè)新的數(shù)據(jù)庫快照增加進(jìn)去态蒂，而不會(huì)對(duì)原有的數(shù)據(jù)庫快照進(jìn)行修改。

（2）數(shù)據(jù)倉庫隨時(shí)間變化不斷刪去舊的數(shù)據(jù)內(nèi)容费什。數(shù)據(jù)倉庫的數(shù)據(jù)也有存儲(chǔ)期限钾恢，一旦超過了這一期限，過期數(shù)據(jù)就要被刪除吕喘。只是數(shù)據(jù)倉庫內(nèi)的數(shù)據(jù)時(shí)限要遠(yuǎn)遠(yuǎn)長(zhǎng)于操作型環(huán)境中的數(shù)據(jù)時(shí)限赘那。在操作型環(huán)境中一般只保存有60~90天的數(shù)據(jù)，而在數(shù)據(jù)倉庫中則需要保存較長(zhǎng)時(shí)限的數(shù)據(jù)（如5~10年）氯质，以適應(yīng)DSS進(jìn)行趨勢(shì)分析的要求募舟。

（3）數(shù)據(jù)倉庫中包含有大量的綜合數(shù)據(jù)，這些綜合數(shù)據(jù)中很多跟時(shí)間有關(guān)闻察，如數(shù)據(jù)經(jīng)常按照時(shí)間段進(jìn)行綜合拱礁，或隔一定的時(shí)間片進(jìn)行抽樣等等。這些數(shù)據(jù)要隨著時(shí)間的變化不斷地進(jìn)行重新綜合辕漂。因此呢灶，數(shù)據(jù)倉庫的數(shù)據(jù)特征都包含時(shí)間項(xiàng)，以標(biāo)明數(shù)據(jù)的歷史時(shí)期钉嘹。

10.4 數(shù)據(jù)倉庫發(fā)展歷程

數(shù)據(jù)倉庫的發(fā)展大致經(jīng)歷了這樣的三個(gè)過程：

1）簡(jiǎn)單報(bào)表階段：這個(gè)階段鸯乃，系統(tǒng)的主要目標(biāo)是解決一些日常的工作中業(yè)務(wù)人員需要的報(bào)表，以及生成一些簡(jiǎn)單的能夠幫助領(lǐng)導(dǎo)進(jìn)行決策所需要的匯總數(shù)據(jù)跋涣。這個(gè)階段的大部分表現(xiàn)形式為數(shù)據(jù)庫和前端報(bào)表工具缨睡。

2）數(shù)據(jù)集市階段：這個(gè)階段，主要是根據(jù)某個(gè)業(yè)務(wù)部門的需要陈辱，進(jìn)行一定的數(shù)據(jù)的采集奖年，整理，按照業(yè)務(wù)人員的需要沛贪，進(jìn)行多維報(bào)表的展現(xiàn)陋守，能夠提供對(duì)特定業(yè)務(wù)指導(dǎo)的數(shù)據(jù)震贵，并且能夠提供特定的領(lǐng)導(dǎo)決策數(shù)據(jù)。

3）數(shù)據(jù)倉庫階段：這個(gè)階段水评，主要是按照一定的數(shù)據(jù)模型猩系，對(duì)整個(gè)企業(yè)的數(shù)據(jù)進(jìn)行采集，整理之碗，并且能夠按照各個(gè)業(yè)務(wù)部門的需要蝙眶，提供跨部門的，完全一致的業(yè)務(wù)報(bào)表數(shù)據(jù)褪那，能夠通過數(shù)據(jù)倉庫生成對(duì)對(duì)業(yè)務(wù)具有指導(dǎo)性的數(shù)據(jù)幽纷，同時(shí)，為領(lǐng)導(dǎo)決策提供全面的數(shù)據(jù)支持博敬。

通過數(shù)據(jù)倉庫建設(shè)的發(fā)展階段友浸，我們能夠看出，數(shù)據(jù)倉庫的建設(shè)和數(shù)據(jù)集市的建設(shè)的重要區(qū)別就在于數(shù)據(jù)模型的支持偏窝。因此收恢，數(shù)據(jù)模型的建設(shè)，對(duì)于我們數(shù)據(jù)倉庫的建設(shè)祭往，有著決定性的意義伦意。

10.5 數(shù)據(jù)庫與數(shù)據(jù)倉庫的區(qū)別

了解數(shù)據(jù)庫與數(shù)據(jù)倉庫的區(qū)別之前，首先掌握三個(gè)概念硼补。數(shù)據(jù)庫軟件驮肉、數(shù)據(jù)庫、數(shù)據(jù)倉庫已骇。

數(shù)據(jù)庫軟件：是一種軟件离钝，可以看得見，可以操作褪储。用來實(shí)現(xiàn)數(shù)據(jù)庫邏輯功能卵渴。屬于物理層。

數(shù)據(jù)庫：是一種邏輯概念鲤竹，用來存放數(shù)據(jù)的倉庫浪读。通過數(shù)據(jù)庫軟件來實(shí)現(xiàn)。數(shù)據(jù)庫由很多表組成辛藻，表是二維的瑟啃，一張表里可以有很多字段。字段一字排開揩尸，對(duì)應(yīng)的數(shù)據(jù)就一行一行寫入表中。數(shù)據(jù)庫的表屁奏，在于能夠用二維表現(xiàn)多維關(guān)系岩榆。目前市面上流行的數(shù)據(jù)庫都是二維數(shù)據(jù)庫。如：Oracle、DB2勇边、MySQL犹撒、Sybase、MS SQL Server等粒褒。

數(shù)據(jù)倉庫：是數(shù)據(jù)庫概念的升級(jí)识颊。從邏輯上理解，數(shù)據(jù)庫和數(shù)據(jù)倉庫沒有區(qū)別奕坟，都是通過數(shù)據(jù)庫軟件實(shí)現(xiàn)的存放數(shù)據(jù)的地方祥款，只不過從數(shù)據(jù)量來說，數(shù)據(jù)倉庫要比數(shù)據(jù)庫更龐大得多月杉。數(shù)據(jù)倉庫主要用于數(shù)據(jù)挖掘和數(shù)據(jù)分析刃跛，輔助領(lǐng)導(dǎo)做決策。

在IT的架構(gòu)體系中苛萎，數(shù)據(jù)庫是必須存在的桨昙。必須要有地方存放數(shù)據(jù)。比如現(xiàn)在的網(wǎng)購腌歉，淘寶蛙酪，京東等等。物品的存貨數(shù)量翘盖，貨品的價(jià)格桂塞，用戶的賬戶余額之類的。這些數(shù)據(jù)都是存放在后臺(tái)數(shù)據(jù)庫中最仑∶臧常或者最簡(jiǎn)單理解，我們現(xiàn)在微博泥彤，QQ等賬戶的用戶名和密碼欲芹。在后臺(tái)數(shù)據(jù)庫必然有一張user表，字段起碼有兩個(gè)吟吝，即用戶名和密碼菱父，然后我們的數(shù)據(jù)就一行一行的存在表上面。當(dāng)我們登錄的時(shí)候剑逃，我們填寫了用戶名和密碼浙宜，這些數(shù)據(jù)就會(huì)被傳回到后臺(tái)去，去跟表上面的數(shù)據(jù)匹配蛹磺，匹配成功了粟瞬，你就能登錄了。匹配不成功就會(huì)報(bào)錯(cuò)說密碼錯(cuò)誤或者沒有此用戶名等萤捆。這個(gè)就是數(shù)據(jù)庫裙品，數(shù)據(jù)庫在生產(chǎn)環(huán)境就是用來干活的俗批。凡是跟業(yè)務(wù)應(yīng)用掛鉤的，我們都使用數(shù)據(jù)庫市怎。

數(shù)據(jù)倉庫則是BI下的其中一種技術(shù)岁忘。由于數(shù)據(jù)庫是跟業(yè)務(wù)應(yīng)用掛鉤的，所以一個(gè)數(shù)據(jù)庫不可能裝下一家公司的所有數(shù)據(jù)区匠。數(shù)據(jù)庫的表設(shè)計(jì)往往是針對(duì)某一個(gè)應(yīng)用進(jìn)行設(shè)計(jì)的干像。比如剛才那個(gè)登錄的功能，這張user表上就只有這兩個(gè)字段驰弄，沒有別的字段了麻汰。但是這張表符合應(yīng)用，沒有問題揩懒。但是這張表不符合分析什乙。比如我想知道在哪個(gè)時(shí)間段，用戶登錄的量最多已球？哪個(gè)用戶一年購物最多臣镣？諸如此類的指標(biāo)。那就要重新設(shè)計(jì)數(shù)據(jù)庫的表結(jié)構(gòu)了智亮。對(duì)于數(shù)據(jù)分析和數(shù)據(jù)挖掘忆某，我們引入數(shù)據(jù)倉庫概念。數(shù)據(jù)倉庫的表結(jié)構(gòu)是依照分析需求阔蛉，分析維度弃舒，分析指標(biāo)進(jìn)行設(shè)計(jì)的。

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)別状原。

操作型處理聋呢，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)颠区，它是針對(duì)具體業(yè)務(wù)在數(shù)據(jù)庫聯(lián)機(jī)的日常操作削锰，通常對(duì)少數(shù)記錄進(jìn)行查詢、修改毕莱。用戶較為關(guān)心操作的響應(yīng)時(shí)間器贩、數(shù)據(jù)的安全性、完整性和并發(fā)支持的用戶數(shù)等問題朋截。傳統(tǒng)的數(shù)據(jù)庫系統(tǒng)作為數(shù)據(jù)管理的主要手段蛹稍，主要用于操作型處理。

分析型處理部服，叫聯(lián)機(jī)分析處理OLAP（On-Line Analytical Processing）一般針對(duì)某些主題的歷史數(shù)據(jù)進(jìn)行分析唆姐，支持管理決策。

表?操作型處理與分析型處理的比較

操作型處理分析型處理

細(xì)節(jié)的綜合的或提煉的

實(shí)體——關(guān)系（E-R）模型星型模型或雪花模型

存取瞬間數(shù)據(jù)存儲(chǔ)歷史數(shù)據(jù)廓八，不包含最近的數(shù)據(jù)

可更新的只讀厦酬、只追加

一次操作一個(gè)單元一次操作一個(gè)集合

性能要求高胆描，響應(yīng)時(shí)間短性能要求寬松

面向事務(wù)面向分析

一次操作數(shù)據(jù)量小一次操作數(shù)據(jù)量大

支持日常操作支持決策需求

數(shù)據(jù)量小數(shù)據(jù)量大

客戶訂單、庫存水平和銀行賬戶查詢等客戶收益分析仗阅、市場(chǎng)細(xì)分等

10.6 數(shù)據(jù)倉庫架構(gòu)分層

10.6.1 數(shù)據(jù)倉庫架構(gòu)

數(shù)據(jù)倉庫標(biāo)準(zhǔn)上可以分為四層：ODS（臨時(shí)存儲(chǔ)層）、PDW（數(shù)據(jù)倉庫層）国夜、DM（數(shù)據(jù)集市層）减噪、APP（應(yīng)用層）。

1）ODS層：

為臨時(shí)存儲(chǔ)層车吹，是接口數(shù)據(jù)的臨時(shí)存儲(chǔ)區(qū)域筹裕，為后一步的數(shù)據(jù)處理做準(zhǔn)備。一般來說ODS層的數(shù)據(jù)和源系統(tǒng)的數(shù)據(jù)是同構(gòu)的窄驹，主要目的是簡(jiǎn)化后續(xù)數(shù)據(jù)加工處理的工作朝卒。從數(shù)據(jù)粒度上來說ODS層的數(shù)據(jù)粒度是最細(xì)的。ODS層的表通常包括兩類乐埠，一個(gè)用于存儲(chǔ)當(dāng)前需要加載的數(shù)據(jù)抗斤，一個(gè)用于存儲(chǔ)處理完后的歷史數(shù)據(jù)。歷史數(shù)據(jù)一般保存3-6個(gè)月后需要清除丈咐，以節(jié)省空間瑞眼。但不同的項(xiàng)目要區(qū)別對(duì)待，如果源系統(tǒng)的數(shù)據(jù)量不大棵逊，可以保留更長(zhǎng)的時(shí)間伤疙，甚至全量保存；

2）PDW層：

為數(shù)據(jù)倉庫層辆影，PDW層的數(shù)據(jù)應(yīng)該是一致的徒像、準(zhǔn)確的、干凈的數(shù)據(jù)蛙讥，即對(duì)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)锯蛀。這一層的數(shù)據(jù)一般是遵循數(shù)據(jù)庫第三范式的，其數(shù)據(jù)粒度通常和ODS的粒度相同键菱。在PDW層會(huì)保存BI系統(tǒng)中所有的歷史數(shù)據(jù)谬墙，例如保存10年的數(shù)據(jù)。

3）DM層：

為數(shù)據(jù)集市層经备，這層數(shù)據(jù)是面向主題來組織數(shù)據(jù)的拭抬，通常是星形或雪花結(jié)構(gòu)的數(shù)據(jù)。從數(shù)據(jù)粒度來說侵蒙，這層的數(shù)據(jù)是輕度匯總級(jí)的數(shù)據(jù)造虎，已經(jīng)不存在明細(xì)數(shù)據(jù)了。從數(shù)據(jù)的時(shí)間跨度來說，通常是PDW層的一部分面褐，主要的目的是為了滿足用戶分析的需求攻柠，而從分析的角度來說盏檐，用戶通常只需要分析近幾年（如近三年的數(shù)據(jù)）的即可翻默。從數(shù)據(jù)的廣度來說腰根，仍然覆蓋了所有業(yè)務(wù)數(shù)據(jù)新翎。

4）APP層：

為應(yīng)用層缓醋，這層數(shù)據(jù)是完全為了滿足具體的分析需求而構(gòu)建的數(shù)據(jù)署鸡，也是星形或雪花結(jié)構(gòu)的數(shù)據(jù)案糙。從數(shù)據(jù)粒度來說是高度匯總的數(shù)據(jù)。從數(shù)據(jù)的廣度來說靴庆，則并不一定會(huì)覆蓋所有業(yè)務(wù)數(shù)據(jù)时捌，而是DM層數(shù)據(jù)的一個(gè)真子集，從某種意義上來說是DM層數(shù)據(jù)的一個(gè)重復(fù)炉抒。從極端情況來說奢讨，可以為每一張報(bào)表在APP層構(gòu)建一個(gè)模型來支持，達(dá)到以空間換時(shí)間的目的數(shù)據(jù)倉庫的標(biāo)準(zhǔn)分層只是一個(gè)建議性質(zhì)的標(biāo)準(zhǔn)焰薄，實(shí)際實(shí)施時(shí)需要根據(jù)實(shí)際情況確定數(shù)據(jù)倉庫的分層拿诸，不同類型的數(shù)據(jù)也可能采取不同的分層方法。

10.6.2 為什么要對(duì)數(shù)據(jù)倉庫分層蛤奥？

1）用空間換時(shí)間佳镜，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)凡桥。

2）如果不分層的話蟀伸，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，工作量巨大缅刽。

3）通過數(shù)據(jù)分層管理可以簡(jiǎn)化數(shù)據(jù)清洗的過程啊掏，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(jiǎn)單的工作衰猛，把一個(gè)大的黑盒變成了一個(gè)白盒迟蜜，每一層的處理邏輯都相對(duì)簡(jiǎn)單和容易理解，這樣我們比較容易保證每一個(gè)步驟的正確性啡省，當(dāng)數(shù)據(jù)發(fā)生錯(cuò)誤的時(shí)候娜睛，往往我們只需要局部調(diào)整某個(gè)步驟即可。

10.7 元數(shù)據(jù)介紹

當(dāng)需要了解某地企業(yè)及其提供的服務(wù)時(shí)卦睹，電話黃頁的重要性就體現(xiàn)出來了畦戒。元數(shù)據(jù)（Metadata）類似于這樣的電話黃頁。

1）元數(shù)據(jù)的定義

????數(shù)據(jù)倉庫的元數(shù)據(jù)是關(guān)于數(shù)據(jù)倉庫中數(shù)據(jù)的數(shù)據(jù)结序。它的作用類似于數(shù)據(jù)庫管理系統(tǒng)的數(shù)據(jù)字典障斋，保存了邏輯數(shù)據(jù)結(jié)構(gòu)、文件、地址和索引等信息垃环。廣義上講邀层，在數(shù)據(jù)倉庫中，元數(shù)據(jù)描述了數(shù)據(jù)倉庫內(nèi)數(shù)據(jù)的結(jié)構(gòu)和建立方法的數(shù)據(jù)遂庄。

??????元數(shù)據(jù)是數(shù)據(jù)倉庫管理系統(tǒng)的重要組成部分寥院，元數(shù)據(jù)管理器是企業(yè)級(jí)數(shù)據(jù)倉庫中的關(guān)鍵組件，貫穿數(shù)據(jù)倉庫構(gòu)建的整個(gè)過程涛目，直接影響著數(shù)據(jù)倉庫的構(gòu)建只磷、使用和維護(hù)。

（1）構(gòu)建數(shù)據(jù)倉庫的主要步驟之一是ETL泌绣。這時(shí)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)倉庫的映射预厌、數(shù)據(jù)轉(zhuǎn)換的規(guī)則阿迈、數(shù)據(jù)倉庫的邏輯結(jié)構(gòu)、數(shù)據(jù)更新的規(guī)則轧叽、數(shù)據(jù)導(dǎo)入歷史記錄以及裝載周期等相關(guān)內(nèi)容苗沧。數(shù)據(jù)抽取和轉(zhuǎn)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(gòu)建數(shù)據(jù)倉庫。

（2）用戶在使用數(shù)據(jù)倉庫時(shí)炭晒，通過元數(shù)據(jù)訪問數(shù)據(jù)待逞，明確數(shù)據(jù)項(xiàng)的含義以及定制報(bào)表。

（3）數(shù)據(jù)倉庫的規(guī)模及其復(fù)雜性離不開正確的元數(shù)據(jù)管理网严，包括增加或移除外部數(shù)據(jù)源识樱，改變數(shù)據(jù)清洗方法，控制出錯(cuò)的查詢以及安排備份等震束。

元數(shù)據(jù)可分為技術(shù)元數(shù)據(jù)和業(yè)務(wù)元數(shù)據(jù)怜庸。技術(shù)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)垢村、管理和維護(hù)相關(guān)的數(shù)據(jù)割疾，包括數(shù)據(jù)源信息、數(shù)據(jù)轉(zhuǎn)換描述嘉栓、數(shù)據(jù)倉庫模型宏榕、數(shù)據(jù)清洗與更新規(guī)則、數(shù)據(jù)映射和訪問權(quán)限等侵佃。而業(yè)務(wù)元數(shù)據(jù)為管理層和業(yè)務(wù)分析人員服務(wù)麻昼，從業(yè)務(wù)角度描述數(shù)據(jù)，包括商務(wù)術(shù)語趣钱、數(shù)據(jù)倉庫中有什么數(shù)據(jù)涌献、數(shù)據(jù)的位置和數(shù)據(jù)的可用性等，幫助業(yè)務(wù)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首有。

由上可見燕垃，元數(shù)據(jù)不僅定義了數(shù)據(jù)倉庫中數(shù)據(jù)的模式枢劝、來源、抽取和轉(zhuǎn)換規(guī)則等卜壕，而且是整個(gè)數(shù)據(jù)倉庫系統(tǒng)運(yùn)行的基礎(chǔ)您旁，元數(shù)據(jù)把數(shù)據(jù)倉庫系統(tǒng)中各個(gè)松散的組件聯(lián)系起來，組成了一個(gè)有機(jī)的整體轴捎，如圖所示

2）元數(shù)據(jù)的存儲(chǔ)方式

?????元數(shù)據(jù)有兩種常見存儲(chǔ)方式：一種是以數(shù)據(jù)集為基礎(chǔ)鹤盒，每一個(gè)數(shù)據(jù)集有對(duì)應(yīng)的元數(shù)據(jù)文件，每一個(gè)元數(shù)據(jù)文件包含對(duì)應(yīng)數(shù)據(jù)集的元數(shù)據(jù)內(nèi)容侦副；另一種存儲(chǔ)方式是以數(shù)據(jù)庫為基礎(chǔ)侦锯，即元數(shù)據(jù)庫。其中元數(shù)據(jù)文件由若干項(xiàng)組成秦驯，每一項(xiàng)表示元數(shù)據(jù)的一個(gè)要素尺碰，每條記錄為數(shù)據(jù)集的元數(shù)據(jù)內(nèi)容。上述存儲(chǔ)方式各有優(yōu)缺點(diǎn)译隘，第一種存儲(chǔ)方式的優(yōu)點(diǎn)是調(diào)用數(shù)據(jù)時(shí)相應(yīng)的元數(shù)據(jù)也作為一個(gè)獨(dú)立的文件被傳輸亲桥，相對(duì)數(shù)據(jù)庫有較強(qiáng)的獨(dú)立性，在對(duì)元數(shù)據(jù)進(jìn)行檢索時(shí)可以利用數(shù)據(jù)庫的功能實(shí)現(xiàn)固耘，也可以把元數(shù)據(jù)文件調(diào)到其他數(shù)據(jù)庫系統(tǒng)中操作题篷；不足是如果每一數(shù)據(jù)集都對(duì)應(yīng)一個(gè)元數(shù)據(jù)文檔，在規(guī)模巨大的數(shù)據(jù)庫中則會(huì)有大量的元數(shù)據(jù)文件厅目，管理不方便番枚。第二種存儲(chǔ)方式下，元數(shù)據(jù)庫中只有一個(gè)元數(shù)據(jù)文件璧瞬，管理比較方便户辫，添加或刪除數(shù)據(jù)集，只要在該文件中添加或刪除相應(yīng)的記錄項(xiàng)即可嗤锉。在獲取某數(shù)據(jù)集的元數(shù)據(jù)時(shí)渔欢，因?yàn)閷?shí)際得到的只是關(guān)系表格數(shù)據(jù)的一條記錄，所以要求用戶系統(tǒng)可以接受這種特定形式的數(shù)據(jù)瘟忱。因此推薦使用元數(shù)據(jù)庫的方式奥额。

??????元數(shù)據(jù)庫用于存儲(chǔ)元數(shù)據(jù)，因此元數(shù)據(jù)庫最好選用主流的關(guān)系數(shù)據(jù)庫管理系統(tǒng)访诱。元數(shù)據(jù)庫還包含用于操作和查詢?cè)獢?shù)據(jù)的機(jī)制垫挨。建立元數(shù)據(jù)庫的主要好處是提供統(tǒng)一的數(shù)據(jù)結(jié)構(gòu)和業(yè)務(wù)規(guī)則，易于把企業(yè)內(nèi)部的多個(gè)數(shù)據(jù)集市有機(jī)地集成起來触菜。目前九榔，一些企業(yè)傾向建立多個(gè)數(shù)據(jù)集市，而不是一個(gè)集中的數(shù)據(jù)倉庫，這時(shí)可以考慮在建立數(shù)據(jù)倉庫（或數(shù)據(jù)集市）之前哲泊，先建立一個(gè)用于描述數(shù)據(jù)剩蟀、服務(wù)應(yīng)用集成的元數(shù)據(jù)庫，做好數(shù)據(jù)倉庫實(shí)施的初期支持工作切威，對(duì)后續(xù)開發(fā)和維護(hù)有很大的幫助育特。元數(shù)據(jù)庫保證了數(shù)據(jù)倉庫數(shù)據(jù)的一致性和準(zhǔn)確性，為企業(yè)進(jìn)行數(shù)據(jù)質(zhì)量管理提供基礎(chǔ)先朦。

3）元數(shù)據(jù)的作用

??????在數(shù)據(jù)倉庫中缰冤，元數(shù)據(jù)的主要作用如下。

（1）描述哪些數(shù)據(jù)在數(shù)據(jù)倉庫中喳魏，幫助決策分析者對(duì)數(shù)據(jù)倉庫的內(nèi)容定位棉浸。

（2）定義數(shù)據(jù)進(jìn)入數(shù)據(jù)倉庫的方式，作為數(shù)據(jù)匯總刺彩、映射和清洗的指南涮拗。

（3）記錄業(yè)務(wù)事件發(fā)生而隨之進(jìn)行的數(shù)據(jù)抽取工作時(shí)間安排。

（4）記錄并檢測(cè)系統(tǒng)數(shù)據(jù)一致性的要求和執(zhí)行情況迂苛。

（5）評(píng)估數(shù)據(jù)質(zhì)量。

10.8 星型模型和雪花模型

在多維分析的商業(yè)智能解決方案中鼓择，根據(jù)事實(shí)表和維度表的關(guān)系三幻，又可將常見的模型分為星型模型和雪花型模型。在設(shè)計(jì)邏輯型數(shù)據(jù)的模型的時(shí)候呐能，就應(yīng)考慮數(shù)據(jù)是按照星型模型還是雪花型模型進(jìn)行組織念搬。

10.8.1 星型模型

當(dāng)所有維表都直接連接到“ 事實(shí)表”上時(shí)，整個(gè)圖解就像星星一樣摆出，故將該模型稱為星型模型朗徊。

星型架構(gòu)是一種非正規(guī)化的結(jié)構(gòu)，多維數(shù)據(jù)集的每一個(gè)維度都直接與事實(shí)表相連接偎漫，不存在漸變維度爷恳，所以數(shù)據(jù)有一定的冗余，如在地域維度表中象踊，存在國家A 省B的城市C以及國家A省B的城市D兩條記錄温亲，那么國家A和省B的信息分別存儲(chǔ)了兩次，即存在冗余杯矩。

10.8.2 雪花模型

當(dāng)有一個(gè)或多個(gè)維表沒有直接連接到事實(shí)表上栈虚，而是通過其他維表連接到事實(shí)表上時(shí)，其圖解就像多個(gè)雪花連接在一起史隆，故稱雪花模型魂务。雪花模型是對(duì)星型模型的擴(kuò)展。它對(duì)星型模型的維表進(jìn)一步層次化，原有的各維表可能被擴(kuò)展為小的事實(shí)表粘姜，形成一些局部的" 層次" 區(qū)域鬓照，這些被分解的表都連接到主維度表而不是事實(shí)表。如圖所示相艇，將地域維表又分解為國家颖杏，省份，城市等維表坛芽。它的優(yōu)點(diǎn)是：通過最大限度地減少數(shù)據(jù)存儲(chǔ)量以及聯(lián)合較小的維表來改善查詢性能留储。雪花型結(jié)構(gòu)去除了數(shù)據(jù)冗余。

星型模型因?yàn)閿?shù)據(jù)的冗余所以很多統(tǒng)計(jì)查詢不需要做外部的連接咙轩，因此一般情況下效率比雪花型模型要高获讳。星型結(jié)構(gòu)不用考慮很多正規(guī)化的因素，設(shè)計(jì)與實(shí)現(xiàn)都比較簡(jiǎn)單活喊。雪花型模型由于去除了冗余丐膝，有些統(tǒng)計(jì)就需要通過表的聯(lián)接才能產(chǎn)生，所以效率不一定有星型模型高钾菊。正規(guī)化也是一種比較復(fù)雜的過程帅矗，相應(yīng)的數(shù)據(jù)庫結(jié)構(gòu)設(shè)計(jì)、數(shù)據(jù)的?ETL煞烫、以及后期的維護(hù)都要復(fù)雜一些浑此。因此在冗余可以接受的前提下，實(shí)際運(yùn)用中星型模型使用更多滞详，也更有效率凛俱。

10.

8.3 星型模型和雪花模型對(duì)比

星形模型和雪花模型是數(shù)據(jù)倉庫中常用到的兩種方式，而它們之間的對(duì)比要從四個(gè)角度來進(jìn)行討論料饥。

　　1）數(shù)據(jù)優(yōu)化

雪花模型使用的是規(guī)范化數(shù)據(jù)蒲犬，也就是說數(shù)據(jù)在數(shù)據(jù)庫內(nèi)部是組織好的，以便消除冗余岸啡，因此它能夠有效地減少數(shù)據(jù)量原叮。通過引用完整性，其業(yè)務(wù)層級(jí)和維度都將存儲(chǔ)在數(shù)據(jù)模型之中巡蘸。

雪花模型

相比較而言篇裁，星形模型使用的是反規(guī)范化數(shù)據(jù)。在星形模型中赡若，維度直接指的是事實(shí)表达布，業(yè)務(wù)層級(jí)不會(huì)通過維度之間的參照完整性來部署。

星形模型

　　2）業(yè)務(wù)模型

主鍵是一個(gè)單獨(dú)的唯一鍵(數(shù)據(jù)屬性)逾冬，為特殊數(shù)據(jù)所選擇黍聂。在上面的例子中躺苦，Advertiser_ID就將是一個(gè)主鍵。外鍵(參考屬性)僅僅是一個(gè)表中的字段产还，用來匹配其他維度表中的主鍵匹厘。在我們所引用的例子中，Advertiser_ID將是Account_dimension的一個(gè)外鍵脐区。

在雪花模型中愈诚，數(shù)據(jù)模型的業(yè)務(wù)層級(jí)是由一個(gè)不同維度表主鍵-外鍵的關(guān)系來代表的。而在星形模型中牛隅，所有必要的維度表在事實(shí)表中都只擁有外鍵炕柔。

　　3）性能

第三個(gè)區(qū)別在于性能的不同。雪花模型在維度表媒佣、事實(shí)表之間的連接很多匕累，因此性能方面會(huì)比較低。舉個(gè)例子默伍，如果你想要知道Advertiser 的詳細(xì)信息欢嘿，雪花模型就會(huì)請(qǐng)求許多信息，比如Advertiser Name也糊、ID以及那些廣告主和客戶表的地址需要連接起來炼蹦，然后再與事實(shí)表連接。

而星形模型的連接就少的多狸剃，在這個(gè)模型中框弛，如果你需要上述信息，你只要將Advertiser的維度表和事實(shí)表連接即可捕捂。

　　4）ETL

雪花模型加載數(shù)據(jù)集市，因此ETL操作在設(shè)計(jì)上更加復(fù)雜斗搞，而且由于附屬模型的限制指攒，不能并行化。

星形模型加載維度表僻焚，不需要再維度之間添加附屬模型允悦，因此ETL就相對(duì)簡(jiǎn)單，而且可以實(shí)現(xiàn)高度的并行化虑啤。

　　總結(jié)

雪花模型使得維度分析更加容易隙弛，比如“針對(duì)特定的廣告主，有哪些客戶或者公司是在線的?”星形模型用來做指標(biāo)分析更適合狞山，比如“給定的一個(gè)客戶他們的收入是多少?”

其他注意事項(xiàng)：如果Hive和HBase作關(guān)聯(lián)后全闷，Hive無法正常啟動(dòng)。移動(dòng)$HIVE_HOME/lib下的icu4j-4.8.1.jar 到其他位置萍启，再啟動(dòng)即可