浅谈数仓建设中的分层
ccwgpt 2024-12-25 10:07 46 浏览 0 评论
编辑导语:数仓是我们用来保存大量历史数据的重要工具。那么,数仓为什么要分层?又该怎么进行分层?本文从数仓分层的原因、常见的数仓分层模型、数仓分层的做法三个方面,来详细地介绍数仓分层。快来阅读一下吧。
一、数仓为什么要分层
数仓分层的原因也即是分层的好处体现在下面几个方面:
1. 分层是一种空间换时间的操作
我们知道数仓一般都是用来保存大量的历史数据的,这些数据可能是业务数据也可能是日志数据。
由于数据量级很大,如果直接查询数仓中的原始数据需要访问的表的数量和底层文件的数量都较多,体现在我们日常工作中就是SQL异常复杂,甚至join和union加一起都不够用,造成的直接后果就是SQL运行很慢,甚至跑不出来结果或者报错。
而分层要做的就是对原始数据重新做归纳整理,在不同层级对数据或者指标做不同粒度的抽象。
经过分层后,同一个指标可能在不同层的数据中都有体现,似乎是“重复”了,但这种重复是一种“不完全”的重复,因为每个层级中指标的粒度是不完全一致的。
这种不是完全重复的重复给我们带来的直接好处就是SQL写起来大大简化了,SQL计算耗时大大降低了。
有人可能会质疑这样会造成存储成本的提高,但是相比带来的直接收益,这一点成本是可接受的,毕竟谁也不想被老板一遍又一遍的dis:我要的数怎么还没有跑出来?
2. 分层有利于减少重复开发
分层把大部分常用的、通用的数据模型和指标进行抽象和汇总,经过这样的处理后生成可满足大部分业务场景使用的数据表和指标。
这些表和指标就类似于程序开发中的公共模块和接口,下游的使用方在使用的时候就不需要再从头开发了,直接拿来用即可。
这样不仅减少了重复开发而且做到了数据和指标的统一。
3. 分层可以把复杂的问题简单化
举个例子,大多数分析师刚到一个新公司的时候常常会被迫接手一个甚至是几个长达上千行的祖传SQL代码,里面join、uoion数不过来,一层又一层嵌套的子查询更是剪不断、理还乱。
遇到这样的情况不知道的小白会认为这个前辈很牛逼,能写出这么长的SQL,甚至窃认为自己很幸运学习到了一个这么牛逼的SQL。
但实际情况往往是数仓分层不合理或者刚开始的时候没有数仓,所有的逻辑都要从最底层的表中来计算,这个时候不复杂都难。
而数仓分层要做的一部分工作就是把这个又臭又长的SQL进行拆解和预处理,一方面就是上面提到的把通用的数据和指标进行归类和预计算,另外一方面就是把JOIN和UNION这些复杂的操作拆解放在数仓的ETL中来处理。
这就是所谓的把复杂的问题简单化。
4. 分层带来更高的数据安全
数据经过分层以后,每层的表的宽度和指标的粒度都不同,这样就可以针对不同的使用的对象开放不同层级的数据。
不需要关心明细数据的对方直接开放聚合度高的数据即可,这样就避免了底层明细、敏感数据的泄漏。
另外在分层处理的时候也可以对一些敏感的字段做删除、脱敏加密的处理,避免因安全控制精细化不够带来的数据使用权限大于申请的权限。
分层的其他好处还包括,数据更加规范有条理,数据血缘更加清晰,数据表和指标的统一等等。
二、常用的数仓分层模型
我们以阿里的数仓架构图为例来说明数仓常用的分层模型。
阿里整体数据分了5层,分别是ODS,DWD, DIM,DWS,ADS,下面我们分别介绍一下。
ODS(Operation Data Store)层,中文通常有两种叫法,分别是贴源数据层和操作数据层。
前者是站在与数据源的关系层面来说的,也就是说这一层的数据是跟数据源的数据是一致的,所以称其为贴源数据层。
后者是站在数据产生的层面来说的,也就是说这一层的数据是公司发生的一系列业务动作产生形成的,所以叫操作数据层。
我们可以看到不论是哪一种叫法都体现了与源数据的一致性。
所以这一层的数据一般来说是与业务库中中的数据保持一致的,也即是说这一层的数据来源于业务mysql、oracle等库中或者日志中,在同步的过程中不对数据做任何处理,保证与源数据的一致。
这一层是最基础也是最重要的一层,就像大厦的地基一样,地基不牢,越是高层越是不稳定。
DWD(Data Warehouse Detail),中文称之为明细数据层。
这一层在与原表保持同一粒度的基础上根据业务过程对ODS的数据进行去除脏数据,按照业务过程对表进行归类和关联,经过ETL得到与业务过程相对应的事实表。
通常是实际业务中按照维度建模的方式把一些常用的维度也会冗余的到这一层的表中以降低数据查询的成本。
需要特别提醒的是这一层的数据在粒度上仍然是明细数据,是没有进行聚合的,只是表变得更宽了些。
DIM(Dimension),中文称之为维度数据层。
这一层其实是与DWD平行的一个层级,是对业务中常用维度的建模和抽象,例如常见的地域维度,日期维度,商品品类SKU等维度。所谓的维度也即是我们看数据和分析数据的一种习惯和视角。
这一层通常存储的是完整的维度key和维度的名称,而事实表中通常存储的是维度key的字段。
DWS(Data Warehouse Service),直译为数据服务层,我们通常称其为汇总数据层。
这一层的数据来源基本上都是DWD和DIM,通常是把DWD中的事实表的key和DIM中的维度key关联,然后对事实按照更高的维度进行上卷的聚合操作,得到在某一维度或者多个维度上的汇总数据或指标。
需要提醒的是数据在这一层发生了粒度变化,不再是明细的数据,而是聚合后的数据,这也是这一层别称之为汇总数据层的原因。
ADS(Application Data Service),直译应用数据服务层,也就是我们通常说的应用层或者指标层。
这一层的数据来源可以是DWD层,也可以是DWS层,或者是二者的混合计算。
这一层的数据也是聚合后的数据。
那么它与DWS层的区别是什么呢?
DWS通常是对明细数据按照常用的维度所做的较低维度的聚合汇总,而ADS层通常是面向具体应用(报表、接口等)的较高维度的数据指标的聚合汇总。
举一个不是特别恰当但是很能说明问题的栗子,DWD的10条数据可能在DWS中聚合成了5条,但是在ADS中可能被聚合成了1条,所以二者的聚合度是不一致的。
不过也可能存在二者的聚合度一致,但此时ADS层的表中的字段更多或者更少,这也是体现了其面向具体应用的含义。
以上是阿里数仓的主要分层,抛开具体的层次名称,一般意义上数仓可分为三个大的层次,分别是原始数据层,也就是数仓中数据的来源。
清洗处理层,也就是对原始数据经过各种操作后形成的数据。
面向应用层,也就是说是针对单个特定的数据需求清洗而形成的数据。
明白了这层含义,我也就不用再解释其他一些诸如DWM,FACT,DW,DM等的写法和叫法了,这些都只是表象,核心还是上面说的三层的本质。
三、你的数仓该怎么分层
好多同学可能看了上面的分层介绍后觉得分层不就是那么回事吗?
可是一到实际的场景中就犯了难,ODS中还好说,可是后面要分几层,每一层的原则和依赖怎么定义?
针对一个具体表是放在ADS层合适呢还是放在DWS层合适呢?
下面就来跟大家说说如何对你的数仓分层。
首先我们要记住一个原则:
不要为了分层而去分层,盲目的分层不但会造成数仓中表的混乱而且造成很大的资源浪费更是给后面的数据治理留下的无穷的隐患。
分层的目的是让数据更规范、清晰更易用而不是为了让层次更多。
两点要牢记的是越是往上层数据的粒度就越粗,所表达的内容就越有限,所以不是层级越多越好。
本层的表一般只允许依赖他紧邻的上一层,应严格避免同层依赖,否则极易产生循环依赖。
知道了上面的原则和要点,我的建议是如果业务场景比较简单且数据表也不是很多,三层就足够了。
如果业务场景和过程比较复杂,指标口径需要很多表关联才能计算的话建议四层或者更多的层。
不要为了分层而分层也不要被这个层所层层困住。
一千个读者可能有一千种分层的想法,一千个公司可能也有一千种分层的方法,适合自己的就是最好的。
作者:数据仓库@唐刚,“数据人创作者联盟”成员。
本文由@一个数据人的自留地 原创发布于人人都是产品经理,未经许可,禁止转载。
题图来自 Pexels,基于CC0协议。
相关推荐
- 自己动手写Android数据库框架_android开发数据库搭建
-
http://blog.csdn.net/feiduclear_up/article/details/50557590推荐理由关于Android数据库操作,由于每次都要自己写数据库操作,每次还得去...
- 谷歌开源大模型评测工具LMEval,打通谷歌、OpenAI、Anthropic
-
智东西编译|金碧辉编辑|程茜智东西5月28日消息,据科技媒体TheDecoder5月26日报道,当天,谷歌正式发布开源大模型评测框架LMEval,支持对GPT-4o、Claude3.7...
- 工信部:着力推动大模型算法、框架等基础性原创性的技术突破
-
工信部新闻发言人今日在发布会上表示,下一步,我们将坚持突出重点领域,大力推动制造业数字化转型,推动人工智能创新应用。主要从以下四个方面着力。一是夯实人工智能技术底座。通过科技创新重大项目,着力推动大模...
- 乒乓反复纠结“框架不稳定”的三个小误区
-
很多球友由于对框架的认知不清晰,往往会把“框架不稳定”当成一种心理负担,从而影响学球进度,其典型状态就是训练中有模有样,一旦进入实战,就像被捆住了手脚。通过训练和学习,结合“基本功打卡群”球友们交流发...
- 前AMD、英特尔显卡架构师Raja再战GPU,号称要全面重构堆栈
-
IT之家8月5日消息,知名GPU架构师拉贾科杜里(RajaKoduri)此前曾先后在AMD和英特尔的显卡部门担任要职。而在今日,由Raja创立的GPU软件与IP初创企...
- 三种必须掌握的嵌入式开发程序架构
-
前言在嵌入式软件开发,包括单片机开发中,软件架构对于开发人员是一个必须认真考虑的问题。软件架构对于系统整体的稳定性和可靠性是非常重要的,一个合适的软件架构不仅结构清晰,并且便于开发。我相...
- 怪不得别人3秒就知道软考案例怎么做能50+
-
软考高级统一合格标准必须三科都达到45分,案例分析也一直是考生头疼的一门,但是掌握到得分点,案例能不能50+还不是你们说了算吗?今天就结合架构案例考点,分享实用的备考攻略~一、吃透考点,搭建知识框架从...
- UML统一建模常用图有哪些,各自的作用是什么?一篇文章彻底讲透
-
10万+爆款解析:9大UML图实战案例,小白也能秒懂!为什么需要UML?UML(统一建模语言)是软件开发的“蓝图”,用图形化语言描述系统结构、行为和交互,让复杂需求一目了然。它能:降低沟通成本避...
- 勒索软件转向云原生架构,直指备份基础设施
-
勒索软件组织和其他网络犯罪分子正越来越多地将目标对准基于云的备份系统,对久已确立的灾难恢复方法构成了挑战。谷歌安全研究人员在一份关于云安全威胁演变的报告中警告称,随着攻击者不断改进数据窃取、身份泄露和...
- ConceptDraw DIAGRAM:释放创意,绘就高效办公新未来
-
在当今数字化时代,可视化工具已成为提升工作效率和激发创意的关键。ConceptDrawDIAGRAM,作为一款世界顶级的商业绘图软件,凭借其强大的功能和用户友好的界面,正逐渐成为众多专业人士的首选绘...
- APP 制作界面设计教程:一步到位_app界面设计模板一套
-
想让APP界面设计高效落地,无需繁琐流程,掌握“框架搭建—细节填充—体验优化”三步法,即可一步到位完成专业级设计。黄金框架搭建是基础。采用“三三制布局”:将屏幕横向三等分,纵向保留三...
- MCP 的工作原理:关键组件_mcp部件
-
以下是MCP架构的关键组件:MCP主机:像ClaudeDesktop、GitHubCopilot或旅行助手这样的AI智能体,它们希望通过MCP协议访问工具、资源等。MCP主机会...
- 软件架构_软件架构师工资一般多少
-
软件架构师自身需要是程序员,并且必须一直坚持做一线程序员。软件架构应该是能力最强的一群程序员,他们通常会在自身承接编程任务的同时,逐渐引导整个团队向一个能够最大化生产力的系统设计方向前进。软件系统的架...
- 不知不觉将手机字体调大!老花眼是因为“老了吗”?
-
现在不管是联系、交友,还是购物,都离不开手机。中老年人使用手机的时间也在逐渐加长,刷抖音、看短视频、发朋友圈……看手机的同时,人们也不得不面对“视力危机”——老花眼,习惯眯眼看、凑近看、瞪眼看,不少人...
- 8000通用汉字学习系列讲座(第046讲)
-
[表声母字]加(续)[从声汉字]伽茄泇迦枷痂袈笳嘉驾架咖贺瘸(计14字)嘉[正音]标准音读jiā。[辨形]上下结构,十四画。会意形声字,从壴从加,加也表声。注:从壴,字义与鼓乐有关;从加,字义与...
你 发表评论:
欢迎- 一周热门
- 最近发表
- 标签列表
-
- 框架图 (58)
- flask框架 (53)
- quartz框架 (51)
- abp框架 (47)
- springmvc框架 (49)
- 分布式事务框架 (65)
- scrapy框架 (56)
- shiro框架 (61)
- 定时任务框架 (56)
- java日志框架 (61)
- mfc框架 (52)
- abb框架断路器 (48)
- beego框架 (52)
- java框架spring (58)
- grpc框架 (65)
- tornado框架 (48)
- 前端框架bootstrap (54)
- orm框架有哪些 (51)
- 知识框架图 (52)
- ppt框架 (55)
- 框架图模板 (59)
- 内联框架 (52)
- cad怎么画框架 (58)
- ssm框架实现登录注册 (49)
- oracle字符串长度 (48)