1、1、數(shù)據(jù)倉庫基本概念1.1、主題(Subject )主題就是指我們所要分析的具體方面。例如：某年某月某地區(qū)某機型某款App的安裝情況。主題有兩個元素：一是各個分析角度(維度)，如時間位置；二是要分析的具體量度，該量度一般通過數(shù)值體現(xiàn)，如 App安裝量。1.2、維(Dimension )維是用于從不同角度描述事物特征的，一般維都會有多層(Level:級別)，每個Level都會包含一些共有的或特有的屬性(Attribute)，可以用下圖來展示下維的結(jié)構(gòu)和組成：以時間維為例，時間維一般會包含年、季、月、日這幾個Level，每個Level 一般都會有ID、NAME、DESCRIPTION這幾個公共屬性

2、，這幾個公共屬性不僅適用于時間維，也同 樣表現(xiàn)在其它各種不同類型的維。1.3、分層(Hierarchy )OLAP需要基于有層級的自上而下的鉆取，或者自下而上地聚合。所以我們一般會在維 的基礎上再次進行分層，維、分層、層級的關系如下圖：1.4、量度量度就是我們要分析的具體的技術(shù)指標，諸如年銷售額之類。它們一般為數(shù)值型數(shù)據(jù)。我們或者將該數(shù)據(jù)匯總，或者將該數(shù)據(jù)取次數(shù)、獨立次數(shù)或取最大最小值等，這樣的數(shù)據(jù)稱為量 度。1.5、粒度數(shù)據(jù)的細分層度，例如按天分按小時分。1.6、事實表和維表事實表是用來記錄分析的容的全量信息的，包含了每個事件的具體要素，以及具體發(fā)生的事情。事實表中存儲數(shù)字型ID以及度量信息

3、。維表則是對事實表中事件的要素的描述信息，就是你觀察該事務的角度，是從哪個角度去觀察這個容的。事實表和維表通過ID相關聯(lián)，如圖所示：HK.FK1PKrFK2PKJK3PK.FK，PK.FK51.7、星形/雪花形/事實星座這三者就是數(shù)據(jù)倉庫多維數(shù)據(jù)模型建模的模式上圖所示就是一個標準的星形模型。雪花形就是在維度下面又細分出維度，這樣切分是為了使表結(jié)構(gòu)更加規(guī)化。雪花模式可以減少冗余，但是減少的那點空間和事實表的容量相比實在是微不足道，而且多個表聯(lián)結(jié)操作會 降低性能，所以一般不用雪花模式設計數(shù)據(jù)倉庫。事實星座模式就是星形模式的集合，包含星形模式，也就包含多個事實表。1.8、企業(yè)級數(shù)據(jù)倉庫/數(shù)據(jù)集市企業(yè)

4、級數(shù)據(jù)倉庫：突出大而全，不論是細致數(shù)據(jù)和聚合數(shù)據(jù)它全都有，設計時使用事實星座模式數(shù)據(jù)集市：可以看做是企業(yè)級數(shù)據(jù)倉庫的一個子集，它是針對某一方面的數(shù)據(jù)設計的數(shù)據(jù)倉庫，例如為公司的支付業(yè)務設計一個單獨的數(shù)據(jù)集市。由于數(shù)據(jù)集市沒有進行企業(yè)級的設計和規(guī)劃，所以長期來看，它本身的集成將會極其復雜。其數(shù)據(jù)來源有兩種，一種是直接 從原生數(shù)據(jù)源得到，另一種是從企業(yè)數(shù)據(jù)倉庫得到。設計時使用星形模型2、數(shù)據(jù)倉庫設計步驟2.1、確定主題主題與業(yè)務密切相關，所以設計數(shù)倉之前應當充分了解業(yè)務有哪些方面的需求，據(jù)此確定主 題。2.2、確定量度在確定了主題以后，我們將考慮要分析的技術(shù)指標，諸如年銷售額之類。量度是要統(tǒng)計的指

5、 標，必須事先選擇恰當，基于不同的量度將直接產(chǎn)生不同的決策結(jié)果。2.3、確定數(shù)據(jù)粒度考慮到量度的聚合程度不同，我們將采用“最小粒度原則”，即將量度的粒度設置到最小。例如如果知道某些數(shù)據(jù)細分到天就好了，那么設置其粒度到天；但是如果不確定的話，就將粒度 設置為最小，即毫秒級別的。2.4、確定維度設計各個維度的主鍵、層次、層級，盡量減少冗余。2.5、創(chuàng)建事實表事實表中將存在維度代理鍵和各量度，而不應該存在描述性信息，即符合“瘦高原則”， 即要求事實表數(shù)據(jù)條數(shù)盡量多（粒度最?。?，而描述性信息盡量少。3、數(shù)據(jù)倉庫-全量表全量表：保存用戶所有的數(shù)據(jù)（包括新增與歷史數(shù)據(jù)）增量表：只保留當前新增的數(shù)據(jù)快照表：

6、按日分區(qū)，記錄截止數(shù)據(jù)日期的全量數(shù)據(jù)切片表：切片表根據(jù)基礎表，往往只反映某一個維度的相應數(shù)據(jù)。其表結(jié)構(gòu)與基礎表結(jié)構(gòu) 相同，但數(shù)據(jù)往往只有某一維度，或者某一個事實條件的數(shù)據(jù)3.1、更新插入算法更新插入（主表）算法適用于保留最新狀態(tài)表的處理。案例：銀行賬戶余額表，全表表大約8000萬，非結(jié)息日每日變動100萬，結(jié)息日變動2000 萬。非結(jié)息日：它是指根據(jù)主鍵（或指定字段）進行數(shù)據(jù)對比，如果增量表存在記錄，則更新 原全量表，否則插入數(shù)據(jù)。ETL更新的優(yōu)化？ Merge?結(jié)息日：新建空表，它是指根據(jù)主鍵（或指定字段）進行數(shù)據(jù)對比，首先插入原全量表與增量表無法匹配的非變更數(shù)據(jù)，再次插入可以匹配的增量表數(shù)

7、據(jù)，最后補齊增量表與全量表無法 匹配的增量數(shù)據(jù)。3.2、直接追加算法直接追加算法是指增量數(shù)據(jù)直接追加到目標表中，此算法適合流水、交易、事件、話單等增量且不修改的數(shù)據(jù)。由于歷史信息表數(shù)據(jù)量過于龐大，往往在數(shù)據(jù)庫設計中將引入分區(qū)表的邏輯來處理，具體實現(xiàn)邏輯自查。3.3、全量歷史表算法拉鏈表。拉鏈表：數(shù)據(jù)倉庫設計中表存儲數(shù)據(jù)的方式而定義的，顧名思義，所謂拉鏈，就是記錄歷史。記錄一個事物從開始，一直到當前狀態(tài)的所有變化的信息。我們先看一個示例，這就是一拉鏈表，存儲的是用戶的最基本信息以及每條記錄的生命 周期。我們可以使用這表拿到最新的當天的最新數(shù)據(jù)以及之前的歷史數(shù)據(jù)。20：SJB17-0壯1-C用廣抓

8、號碼1111t jtoil17 01tdatt-Q1:end di59U S3tt2017-01-01w2Q117-0120：Idriq：L 12017-017 01-Cn11u01)2)51 J _ 1 11J J _ii 工l| J j JJ20117-01117-01-QJQJ99Ct M娘IT 1j.L2017-01-frtMAdj r r i44417-01-01in ma L7-Cl-0L20：175I rnCMTn43220117-01L7C11-0,1201-CDI4522DH7-01l|Qh Jr_JLI2o17-0)2Cm0555520117-01-02201.7-C11-

9、020P 04-CHas1151152017-01039q_ 1L20：il-C%20117-01*99*gg 1 1在數(shù)據(jù)倉庫的數(shù)據(jù)模型設計過程中，經(jīng)常會遇到下面這種表的設計：1、有一些表的數(shù)據(jù)量很大，比如一用戶表，大約10億條記錄，50個字段，這種表，即使使用ORC壓縮，單表的存儲也會超過100G （在HDFS使用雙備份或者三備份的話就更大一些）。2、 表中的部分字段會被 update 更新操作，如用戶聯(lián)系方式，產(chǎn)品的描述信息，訂單 的狀態(tài)等等。3、需要查看某一個時間點或者時間段的歷史快照信息，比如，查看某一個訂單在歷史 某一個時間點的狀態(tài)。4、表中的記錄變化的比例和頻率不是很大，比如，總

10、共有10億的用戶，每天新增和發(fā)生變 化的有200萬左右，變化的比例占的很小。那么對于這種表我該如何設計呢？下面有幾種方案可選：方案一：每天只留最新的一份（比如我們每天用Sqoop抽取最新的一份全量數(shù)據(jù)到Hive中）。方案二：每天保留一份全量的切片數(shù)據(jù)。方案三：使用拉鏈表。4.1、為什么使用拉鏈表現(xiàn)在我們對前面提到的三種進行逐個的分析。方案一這種方案就不用多說了，實現(xiàn)起來很簡單，每天drop掉前一天的數(shù)據(jù)，重新抽一份最新的。優(yōu)點很明顯，節(jié)省空間，一些普通的使用也很方便，不用在選擇表的時候加一個時間分區(qū)什么的。缺點同樣明顯，沒有歷史數(shù)據(jù)，先翻翻舊賬只能通過其它方式，比如從流水表里面抽。方案二每天一

11、份全量的切片是一種比較穩(wěn)妥的方案，而且歷史數(shù)據(jù)也在。缺點就是存儲空間占用量太大了，如果對這邊表每天都保留一份全量，那么每次全量中會保存很多不變的信息，對存儲是極大的浪費。當然我們也可以做一些取舍，比如只保留近一個月的數(shù)據(jù)？但是，需無恥的，數(shù)據(jù)的生命周期不是我們能完全左右的。拉鏈表在使用上基本兼顧了我們的需求。首先它在空間上做了一個取舍，雖說不像方案一那樣占用量那么小，但是它每日的增量可能 只有方案二的千分之一甚至是萬分之一。其實它能滿足方案二所能滿足的需求，既能獲取最新的數(shù)據(jù)，也能添加篩選條件也獲取歷 史的數(shù)據(jù)。所以我們還是很有必要來使用拉鏈表的。4.2、拉鏈表的實現(xiàn)下面我們來舉個栗子詳細看一

12、下拉鏈表。我們先看一下在Mysql關系型數(shù)據(jù)庫里的user表息變化。在2017-01-01這一天表中的數(shù)據(jù)是：i-Ol144在2017-01-02這一天表中的數(shù)據(jù)是，用戶002和004資料進行了修改，005是新增用戶:anon犒號手機號嗎-EJPIBlJ017 0101002(22222| Th j j 2017-C11.-Q19999- L2jj_0*0443243*2ZBL701*022017-()| Q01004654M2120】L-01-039995T，Ti02QOS5&S5W201L7- 1-0-22017-()L-0.200SHSUS20L7-

13、01-0399g4-1Li m(J3006666666201LXJLQS9999 11 J L添說明t_start_date 表示該條記錄的生命周期開始時間，t_end_date 表示該條記錄的生命周期結(jié)束時間。t_end_date =9999-12-31 表示該條記錄目前處于有效狀態(tài)。如果查詢當前所有有效的記錄，則 select * from user where t_end_date =9999-12-31如果查詢 2017-01-02 的歷史快照，貝I select from user where t_start_date =2017-01-02 。(*此處要好好理解，是拉鏈表比較重要的

14、一塊。*)4.3、拉鏈表在Hive中的實現(xiàn)在現(xiàn)在的大數(shù)據(jù)場景下，大部分的公司都會選擇以Hdfs和Hive為主的數(shù)據(jù)倉庫架構(gòu)。目前的Hdfs版本來講，其文件系統(tǒng)中的文件是不能做改變的，也就是說Hive的表智能進行刪除和添加操作，而不能進行update。基于這個前提，我們來實現(xiàn)拉鏈表。還是以上面的用戶表為例，我們要實現(xiàn)用戶的拉鏈表。在實現(xiàn)它之前，我們需要先確定一下我們有哪些數(shù)據(jù)源可以用。我們需要一 ODS層的用戶全量表。至少需要用它來初始化。每日的用戶更新表。而且我們要確定拉鏈表的時間粒度，比如說拉鏈表每天只取一個狀態(tài)，也就是說如果一天有3個狀態(tài)變更，我們只取最后一個狀態(tài)，這種天粒度的表其實已經(jīng)能

15、解決大部分的問題 了。ods 層的 user 表現(xiàn)在我們來看一下我們 ods層的用戶資料切片表的結(jié)構(gòu)：CREATEEXTERNALTABLEods.user (user_num STRINGCOMMENT 用戶編號，mobile STRING COMMENT 手機，reg_date STRING COMMENT 注冊日期COMMENT 用戶資料表PARTITIONED BY (dt string)ROW FORMAT DELIMITED FIELDSTERMINATED BY t LINESTERMINATED BY nSTOREDAS ORCLOCATION /ods/user;)ods 層

16、的 user_update 表然后我們還需要一用戶每日更新表，前面已經(jīng)分析過該如果得到這表，現(xiàn)在我們假設它已經(jīng) 存在。CREATEEXTERNALTABLEods.user_update (user_num STRINGCOMMENT 用戶編號，mobile STRING COMMENT 手機，reg_date STRING COMMENT 注冊日期COMMENT 每日用戶資料更新表PARTITIONED BY (dt string)ROW FORMAT DELIMITED FIELDSTERMINATED BY t LINESTERMINATED BY nSTOREDAS ORCLOCATI

17、ON /ods/user_update;)拉鏈表現(xiàn)在我們創(chuàng)建一拉鏈表：CREATEEXTERNALTABLEdws.user_his (user_num STRINGCOMMENT 用戶編號，mobile STRING COMMENT 手機，reg_date STRING COMMENT 用戶編號，t_start_date ,t_end_dateCOMMENT 用戶資料拉鏈表ROW FORMAT DELIMITED FIELDSTERMINATED BY t LINESTERMINATED BY nSTOREDAS ORCLOCATION /dws/user_his;)實現(xiàn)sql語句然后初始化

18、的sql就不寫了，其實就相當于是拿一天的ods層用戶表過來就行，我們寫一下每日的更新語句?，F(xiàn)在我們假設我們已經(jīng)已經(jīng)初始化了2017-01-01的日期，然后需要更新2017-01-02那一天的數(shù)據(jù)，我們有了下面的Sql。然后把兩個日期設置為變量就可以了。INSERTOVERWRITE TABLEdws.user_hisSELECT* FROM(SELECTA.user_num,A.mobile,A.reg_date,A.t_start_time,CASEWHEN A.t_end_time = 9999-12-31AND B.user_num IS NOT NULL THEN 2017-01-01ELSEA.t_end_timeEND AS t_end_timeFROM dws.user_his ALEFTJOIN ods.user_update BON A.user_num = B.user_numUNIONSELECTC.user_num,C.mobile,C.reg_date,2017-01-02 AS t_start_time,9999-12-31 AS t_end_timeFROM ods.user_update AS C)AST好了，我們分析了拉鏈表的原理、設計思路、