大数据开发实战：数据仓库技术

　　1、OLTP和OLAP

　　　　　　OLTP的全称是 Online Transaction Processing, OLTP主要用传统的关系型数据库来进行事务处理。OLTP最核心的需求是单条记录的高效快速处理，索引技术、

　　　　分库分表等最根本的诉求就是解决此问题。

　　　　　　OLAP的全称是 Online Analytical Processing，OLAP能够处理和统计大量的数据，不像OLTP数据库需要考虑数据的增删改查和并发控制等，OLAP数据一般只需要处理数据查询请求，

　　　　数据导入批量导入的，因此通过列存储，列压缩和位图索引等技术可以大大加快响应请求的速度。

　　2、OLTP和OLAP数据的简单对比

　　3、数据仓库逻辑架构设计

　　　　离线数据仓库通常基于维度建模理论来构建，离线数据仓库通常从逻辑上进行分层，分词主要出于以下考虑：

　　　　1、隔离性：用户使用的应该是数据团队精心加工后的数据，而不是来自于业务系统的原始数据，这样做的好处一是，用户使用的是精心准备过的、规范的、干净的、从业务视角的数据。

　　　　　　　　　　非常容易理解和使用。二是如果上游业务系统发生变革甚至重构（比如表结构、字段、业务含义等），数据团队会负责处理所有这些变化，最小化对下游用户的影响。

　　　　2、性能和可为维护性： 专业的人做专业的事，数据分层使得数据的加工基本都在数据团队，从而相同的业务逻辑不用重复执行，节省了相应的存储和计算开销。

　　　　　　　　　　此外数据分层也使得数据仓库的维护变得清晰和便捷，每层只负责各自的任务，某层的数据加工出现问题，只需要修改该层即可。

　　　　3、规范性：对于一个公司和组织来说，数据的口径非常重要，大家谈论一个指标的时候，必须基于一个明确的、公认i的口径，此外表、字段以及指标必须进行规范。

　　　　4、ODS层：数据仓库源头系统的数据表通常会原封不动地存储一份，这称为ODS（Operation Data Store）层, ODS层也经常会被称为准备区（Staging area）,

　　　　　　　　　　它们是后续数据仓库层（即基于Kimball维度建模生成的事实表和维度表层，以及基于这些事实表和明细表加工的汇总层数据）加工数据的来源，

　　　　　　　　　　同时ODS层也存储着历史的增量数据或全量数据。

　　　　5、DWD和DWS层：数据仓库明细层（Data Warehouse Detail ， DWD）和数据仓库汇总层（Data Warehouse Summary, DWS）是数据仓库的主题内容。

　　　　　　　　　　DWD和DWS层的数据是ODS层经过ETL清洗、转换、加载生成的，而且它们通常都是基于Kimball的维度建模理论来构建的，并通过一致性维度和数据总线来保证各个子主题的维度一致性。

　　　　6、应用层（ADS）：应用层主要是各个业务放或者部门基于DWD和DWS建立的数据集市(Data Mart，DM)，数据集市DM是相对于DWD和DWS的数据仓库（Data Warehouse, DW）

　　　　　　　　　　来说的。一般来说，应用层的数据来源于DW层，但原则上不允许直接访问ODS层。此外，相比DW层，应用层只包含部门或因为方自己关心的明细层和汇总层数据。

　　　　参考资料：《离线和实时大数据开发实战》

转载于:https://www.cnblogs.com/shaosks/p/9436653.html