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）

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。

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

• 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）。

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。

dwd 主要是对 ods 层做一些数据清洗和规范化的操作，dws 主要是对 ods 层数据做一些轻度的汇总。

11、app/ads层的作用

11.1、感觉数据集市层是不是没地方放了，各个业务的数据集市表是应该在dwd 还是在 app

答： 主要就是明确一下数据集市层是干什么的，如果数据集市层放的就是一些可以供业务方使用的宽表表，放在 app 层就行。如果数据集市层是一个比较泛一点的概念，那么其实 dws、dwd、app 这些合起来都算是数据集市的内容。

11.2、存到 Redis、ES 中的数据算是 app层吗？

答： 是的，因为app 层主要存放一些相对成熟的表，能供业务侧使用的。这些表可以在 Hive 中，也可以是从 Hive 导入 Redis 或者 ES 这种查询性能比较好的系统中。

12、图解分层

代码007普通

打赏 收藏 海报 链接