数据仓库那些事儿

来自:哈尔的数据城堡(微信号:data_dev),作者:蕉爷

在文章开始前,各位读者大人如果听过数据仓库或者知道数据仓库,可以思考下数据仓库跟数据库有什么区别。如果未听过数据仓库,我猜你也想知道为什么有数据库了,还要数据仓库。

思考过后,我们来开始吧。

一、什么是数据仓库?

简单讲,数据仓库是一种特殊的数据库。数据仓库一般以主题为出发点进行的,也就是业务核心,集成多种数据源的数据,会随着时间的变化而变化,因为随着时间数据的量会改变,而且以读操作为主,所以基本不会丢失,总结成4个特点可以说,数据仓库是一个面向主题的,集成的,时变的,非易失的数据集合,支持管理者的决策过程。 它是由企业进行的大量信息的电子存储,它的设计用于查询而不是事务处理。这也就是它跟数据库的区别。数据仓库一个将数据转换为信息并及时向用户提供的过程,传统数据库大多表示数据而已。

数据仓库的特点,如图 

二、数据仓库的组成

数据仓库不是一个product,而是一个environment。这么说是因为它不是单纯的存储数据的地方,而是一个信息系统的架构构造,是为数据分析和报告而构建。主要由以下三部分组成的

1、底层是仓库数据库服务器:几乎是一个关系数据库系统,使用后端工具和实用程序,由操作数据库或其它外部数据源,提取数据,放入底层

2、中间层是OLAP服务器

3、顶层是前端客户层,也叫应用层。包括查询和报告工具,分析工具和数据挖掘工具。

具体组成,如图所示


三、数据仓库模型

根据结构来说,数据仓库有三种数据仓库模型。

企业仓库是一个集中式仓库,包括细节数据和汇总数据,为整个企业提供决策支持服务,提供统一的方法来组织和表示数据,还根据主题对数据进行分类以及访问的能力

数据集市是数据仓库的子集。专门针对特定业务部门而设计,例如销售,财务。在独立的数据集市中,数据可以直接从源收集。

虚拟仓库操作数据库上视图的集合。

四、开发数据仓库系统需要注意什么。

开发数据仓库有比较普遍的两种方法,分别是自顶向下以及自底向上

顶向下:是一种比较系统的解决方案,并能最大限度得减少集成问题。但是它费用高,开发周期长,而且缺乏灵活性,因为整个组织就共同数据模型达成一致是比较困难得

自底向上:灵活,低花费,并能快速汇报投资,但是将分散得数据集市集成,形成一个一致得企业数据仓库,可能导致问题。

因此如果能结合二者,以递增,进化的方式实现数据仓库。例如在一个合理短得时间里,在不同得主题和应用之间,提供企业范围得,一致的,集成得数据视图。

设计步骤一般为

(1)选取待建模的业务处理(例如订单,销售)。如果一个商务过程是整个组织的,并涉及多个复杂的对象,应该选用我们上面说的数据仓库模型。如果处理是部门的,而且关注的是某一业务处理的分析,就应该选择数据集市。

(2)选取业务处理的粒度(例如一个事务)。

(3)选取用于每个事实表记录的维例如(时间,商品)。

(4)选取将安放在每个事实表记录中的度量。例如销售量。 

实施步骤一般为

1、企业战略:确定技术,事实,维度和属性。包括数据映射以及转换。

2、分阶段交付:根据主题分阶段实施数据仓库。比如销售系统,应先实施预定和计费等相关业务实体,然后相互集成。

3、迭代原型:应该迭代开发和测试,而不是一个大爆炸的实现方法 。

设计数据仓库是一件比较困难以及长期的事情,所以我们一开始应该清楚得定义它的实现范围,也就是要明确实现目的,而且需求应该是详细,业务是可实现的,可量化的。

五、数据仓库 vs 数据库

通过上面我们了解了数据仓库,那么现在可以来回答文中一开始的问题。

传统数据库是为存储而生,而数据仓库很明显,是为分析而生。实现目的的不同一开始就注定它们的差异。传统数据库包括增删改查,但数据仓库注重查询。 传统数据库的主要任务是执行联机事务处理,简称 OLTP ( Online Transaction Processing)。主要负责日常操作,如购物,制造。

数据仓库系统在数据分析和决策方面为用户或“知识工人”提供服务,可以以不同的格式组织和提供数据,以便应付不同的需求,这种系统称作联机分析处理,简称 OLAP ( Online Analytical Processing )。

下面我们通过对比 OLAP 和 OLTP 的区别,就能详细知道数据仓库和数据库的区别。 首先考虑用户和系统的面向对象,OLTP 是面向顾客的,用户操作员,客户和信息技术人员的事务和查询处理。OLAP 是面向市场的,用于知识工人的数据分析。

数据内容OLTP 管理当前数据。但是一般这种数据比较琐碎,很难用于决策。OLAP系统管理大量历史数据,提供汇总和聚集机制,而且在不同的粒度层上存储和管理信息。

数据库设计OLTP 系统采用实体-联系(ER)数据模型和面向应用的数据库设计。而 OLAP 系统采用星形或雪花模型和面向主题的数据库设计。

视图OLTP 关注一个企业或部门内部的当前数据,不涉及历史数据或不同单位的数据。OLAP 经常需要跨域数据库模式的不同版本。

访问模式: OLTP 系统主要由短的原子事务组成,一般需要并发控制和恢复机制。而 OLAP 系统的访问大部分是只读操作。

下面用个表格总结看起来比较明朗

特征

OLTP

OLAP

特性

操作处理

信息处理

面向

事务

分析

用户

办事员、DBA、数据库专业人员

知识工人(如经理,主管,分析人员)

功能

日常操作

长期信息需求,决策支持

DB设计

基于E-R,面向应用

星形/雪花、面向主题

数据

当前的,确保最新的

历史的,跨时间维护

汇总

原始的、高度详细

汇总的、统一的

视图

详细、一般关系

汇总的、多维的

工作单元

短的,简单事务

复杂查询

访问

读/写

大多为读

关注

数据进入

信息输出

操作

主码上索引/散列

大量扫描

访问记录数量

数十

数百万

用户数

数千

数百

DB规模

GB到高达GB

≥TB

优先

高性能、高可用性

高灵活性、终端用户自治

度量

事务吞吐量

查询吞吐量、响应时间

六、数据仓库有什么用

那么说了这么多,数据仓库有什么过人之处呢。 个人总结了两点。一个是提高生产力,一个是有利于关系管理。在于它的实时性以及数据丰富性。

七、小结

数据仓库更像是一个系统工具,比如Hive,就是基于 Hadoop 的开源数据仓库,可以对存储在HDFS的文件数据进行查询,分析。篇幅所限,这里不对Hive的架构做过多解释。数据仓库在大数据架构中起着至关重要的作用,其实上面的数据仓库架构可以说是基本涵盖了大数据的流程了,里面的每一层每一个组件都足以让我们研究很久了。

推荐↓↓↓
人工智能与大数据
上一篇:北大开源中文分词工具pkuseg-python,我用张小龙的3万字演讲做了统计 下一篇:机器学习判别式与生成式