大数据——一文详解数据仓库概念（数据仓库的分层概念和维度建模详解）

在这里插入图片描述

1、`ods`是什么？

ods层最好理解，基本上就是数据从源表拉过来，进行etl，比如MySQL映射到Hive，那么到了Hive里面就是ods层。
ods全称是 Operational Data Store，操作数据存储——“面向主题的”，数据运营层，也叫ods层，是最接近数据源中数据的一层，数据源中的数据，经过抽取、洗净、传输，也就说传说中的 ETL之后，装入本层。本层的数据，总体上大多是按照源头业务系统的分类方式而分类的。但是，这一层面的数据却不等同于原始数据。在源数据装入这一层时，要进行诸如去噪（例如有一条数据中人的年龄是 300 岁，这种属于异常数据，就需要提前做一些处理）、去重（例如在个人资料表中，同一ID 却有两条重复数据，在接入的时候需要做一步去重）、字段命名规范等一系列操作。

2、数据仓库层`dw`

数据仓库层（dw），是数据仓库的主体.在这里，从 ods层中获得的数据按照主题建立各种数据模型。这一层和维度建模会有比较深的联系。

数据明细层：DWD(Data Warehouse Detail)；
数据中间层：DWM(Data WareHouse Middle)；
数据服务层：DWS(Data WareHouse Service)。

2.1、`dwd`明细层

明细层 (ods：Operational Data Store，dwd：data warehouse detail)

概念： 是数据仓库的细节数据层，是对STAGE层数据进行沉淀，减少了抽取的复杂性，同时ods/dwd的信息模型组织主要遵循企业业务事务处理的形式，将各个专业数据进行集中，明细层跟stage层的粒度一致，属于分析的公共资源
数据生成方式： 部分数据直接来自kafka，部分数据为接口层数据与历史数据合成。
这个stage层不是很清晰

2.2、`dwm` 轻度汇总层（ `MID` 或 `dwb` ， `data warehouse basis`）

概念： 轻度汇总层数据仓库中dwd层和dm层之间的一个过渡层次，是对dwd层的生产数据进行轻度综合和汇总统计（可以把复杂的清洗，处理包含，如根据PV日志生成的会话数据）。轻度综合层与dwd的主要区别在于二者的应用领域不同，dwd的数据来源于生产型系统，并未满意一些不可预见的需求而进行沉淀;轻度综合层则面向分析型应用进行细粒度的统计和沉淀
数据生成方式： 由明细层按照一定的业务需求生成轻度汇总表。明细层需要复杂清洗的数据和需要MR处理的数据也经过处理后接入到轻度汇总层。
日志存储方式： 内表，parquet文件格式。
日志删除方式： 长久存储。
表 schema ：一般按天创建分区，没有时间概念的按具体业务选择分区字段。
库与表命名。库名：dwb，表名：初步考虑格式为：dwb日期业务表名,待定。
旧数据更新方式： 直接覆盖。

2.3、`dws`主题层（ `dm` ， `data market` 或`dws`， `data warehouse service` ）

概念： 又称数据集市或宽表。按照业务划分，如流量、订单、用户等，生成字段比较多的宽表，用于提供后续的业务查询， OLAP 分析，数据分发等。
数据生成方式： 由轻度汇总层和明细层数据计算生成。
日志存储方式： 使用impala内表，parquet文件格式。
日志删除方式： 长久存储。
表 schema ：一般按天创建分区，没有时间概念的按具体业务选择分区字段。
库与表命名。库名：dm，表名：初步考虑格式为：dm日期业务表名,待定。
旧数据更新方式： 直接覆盖。

3、`ads`层

数据产品层（ads），这一层是提供为数据产品使用的结果数据。

主要是提供给数据产品和数据分析使用的数据，一般会存放在 ES、MySQL 等系统中供线上系统使用，也可能会存在 Hive 或者 Druid中供数据分析和数据挖掘使用。如我们经常说的报表数据，或者说那种大宽表，一般就放在这里。

应用层

概念： 应用层是根据业务需要，由前面三层数据统计而出的结果，可以直接提供查询展现，或导入至MySQL中使用。
数据生成方式： 由明细层、轻度汇总层，数据集市层生成，一般要求数据主要来源于集市层。
日志存储方式： 使用impala内表，parquet文件格式。
日志删除方式： 长久存储。
表 schema ：一般按天创建分区，没有时间概念的按具体业务选择分区字段。
库与表命名。库名：暂定apl，另外根据业务不同，不限定一定要一个库。(其实就叫app_)就好了
旧数据更新方式： 直接覆盖。

在这里插入图片描述

4、数据来源

数据主要会有两个大的来源：

业务库，这里经常会使用 Sqoop 来抽取

我们业务库用的是databus来进行接收，处理kafka就好了。

在实时方面，可以考虑用Canal 监听 MySQL 的 Binlog，实时接入即可。(有机会补一下这个canal)

埋点日志，线上系统会打入各种日志，这些日志一般以文件的形式保存，我们可以选择用 Flume 定时抽取，也可以用用 Spark Streaming 或者 Storm来实时接入，当然，Kafka也会是一个关键的角色。

还有使用filebeat收集日志，打到kafka，然后处理日志

在这层，理应不是简单的数据接入，而是要考虑一定的数据清洗，比如异常字段的处理、字段命名规范化、时间字段的统一等，一般这些很容易会被忽略，但是却至关重要。特别是后期我们做各种特征自动生成的时候，会十分有用。

5、`ods`、`dw`、 `dim` ⇒ `App` 层

在这里插入图片描述

每日定时任务型： 比如我们典型的日计算任务，每天凌晨算前一天的数据，早上起来看报表。这种任务经常使用 Hive、Spark 或者生撸 MR程序来计算，最终结果写入 Hive、Hbase、MySQL、Es或者 Redis 中。
实时数据： 这部分主要是各种实时的系统使用，比如我们的实时推荐、实时用户画像，一般我们会用 Spark Streaming、Storm或者 Flink 来计算，最后会落入 Es、Hbase 或者 Redis 中。

6、维表层`dim`

维表层主要包含两部分数据：

高基数维度数据：一般是用户资料表、商品资料表类似的资料表。数据量可能是千万级或者上亿级别。
低基数维度数据：一般是配置表，比如枚举值对应的中文含义，或者日期维表。 数据量可能是个位数或者几千几万。

7、层级的简单分层图

见下图，对dwd层在进行加工的话，就是DWM层（MID层）（我们的数仓还是有很多dwm层的）。

在这里插入图片描述

`dws`、`dwd`、`dim`和`tmp`的作用

dws ：轻度汇总层，从ods层中对用户的行为做一个初步的汇总，抽象出来一些通用的维度：时间、ip、id，并根据这些维度做一些统计值，比如用户每个时间段在不同登录ip购买的商品数等。这里做一层轻度的汇总会让计算更加的高效，在此基础上如果计算仅7天、30天、90天的行为的话会快很多。我们希望80%的业务都能通过我们的dws层计算，而不是ods。
dwd ：这一层主要解决一些数据质量问题和数据的完整度问题。比如用户的资料信息来自于很多不同表，而且经常出现延迟丢数据等问题，为了方便各个使用方更好的使用数据，我们可以在这一层做一个屏蔽。（汇总多个表）
dim ：这一层比较单纯，举个例子就明白，比如国家代码和国家名、地理位置、中文名、国旗图片等信息就存在dim层中。
tmp ：每一层的计算都会有很多临时表，专设一个DWTMP层来存储我们数据仓库的临时表。

8、主题

主题（Subject）是在较高层次上将企业信息系统中的数据进行综合、归类和分析利用的一个抽象概念，每一个主题基本对应一个宏观的分析领域。在逻辑意义上，它是对应企业中某一宏观分析领域所涉及的分析对象。例如“销售分析”就是一个分析领域，因此这个数据仓库应用的主题就是“销售分析”。

9、`dws`和`dwd`的关系

9.1、`dws` 和`dwd` 是并行而不是先后顺序?

答：dws和dwd是并行的，都是数据dw层。

9.2、那其实对于同一个数据，这两个过程是串行的

答：dws 会做汇总，dwd 和 ods 的粒度相同，但是这两层之间也没有依赖的关系。

9.3、 `dws` 里面的汇总没有经过数据质量和完整度的处理，或者单独做了这种质量相关的处理，为什么不在 `dwd` 之上再做汇总呢？我的疑问其实就是，`dws`的轻度汇总数据结果，有没有做数据质量的处理？

答：ods 直接到 dws 就好，没必要过dwd，我举个例子，你的浏览商品行为，我做一层轻度汇总，就直接放在 dws了。但是你的资料表，要从好多表凑成一份，我们从四五份个人资料表中凑出来了一份完整的资料表放在了 dwd 中。然后在 app 层，我们要出一张画像表，包含用户资料和用户近一年的行为，我们就直接从dwd中拿资料，然后再在 dws 的基础上做一层统计，就成一个app表了。当然，这不是绝对，dws 和 dwd 有没有依赖关系主要看有没有这种需求。

10、`ods` 与 `dwd` 区别，有了 `ods` 层后感觉 `dwd` 没有什么用了？

答：嗯，我是这样理解的，站在一个理想的角度来讲，如果 ods 层的数据就非常规整，基本能满足我们绝大部分的需求，这当然是好的，这时候 dwd 层其实也没太大必要。但是现实中接触的情况是 ods 层的数据很难保证质量，毕竟数据的来源多种多样，推送方也会有自己的推送逻辑，在这种情况下，我们就需要通过额外的一层 dwd来屏蔽一些底层的差异。