数据仓库【4】:最佳实践
1、表的分类
维度建模中的表类型
- 事实表
- 维度表
- 事务事实表
- 周期快照事实表
- 累积快照事实表
- 拉链表
1.1、事实表
- 一般是指一个现实存在的业务对象,比如用户,商品,商家,销售员等等
1.2、维度表
- 一般是指对应一些业务状态,代码的解释表。也可以称之为码表
- 通常使用维度对事实表中的数据进行统计、聚合运算
1.3、事务事实表
- 随着业务不断产生的数据,一旦产生不会再变化,如交易流水、操作日志、出库入库记录
1.4、周期快照事实表
- 随着业务周期型的推进而变化,完成间隔周期内的度量统计,如年、季度累计
- 使用周期+状态度量的组合,如年累计订单数,年是周期,订单总数是量度
1.5、累积快照事实表
- 记录不确定周期的度量统计,完全覆盖一个事实的生命周期,如订单状态表
- 通常有多个时间字段,用于记录生命周期中的关键时间点
- 只有一条记录,针对此记录不断更新
1.6、拉链表
- 拉链表记录每条信息的生命周期,用于保留数据的所有历史(变更)状态
- 拉链表将表数据的随机修改方式,变为顺序追加
实现方式一
- 使用日期分区表,全量数据记录,每天的分区存储昨天全量数据与当天增量数据合并的结果
- 数据量大会导致全量表膨胀,存储大量永远不更新的冷数据,对性能影响较大
- 适用于数据量少的情况
实现方式二 - 使用日期分区表,推测数据最长生命周期,存储周期内数据;周期外的冷数据存储到归档表
- 需要保留多天的分区数据,存储消耗依然很大
实现方式三 - 使用日期分区表,以业务实体的结束时间分区,每天的分区存放当天结束的数据;设计一个
时间非常大的分区,如9999-12-31,存放截止当前未结束的数据 - 已结束的数据存放到相应分区,存放未结束数据的分区,数据量也不会很大,ETL性能好
- 无存储浪费,数据全局唯一
- 业务系统可能无法标识业务实体的结束时间,可以使用其它相关业务系统的结束标志作为此
业务系统的结束,也可以使用最长生命周期时间或前端系统的数据归档时间
2、ETL策略
2.1、全量同步
- 数据初始化装载一定使用全量同步的方式
- 因为业务、技术原因,使用全量同步的方式做周期数据更新,直接覆盖原有数据即可
2.2、增量同步
- 传统数据整合方案中,大多采用merge方式(update+insert)
- 主流大数据平台不支持update操作,可采用全外连接+数据全量覆盖方式
- 如果担心数据更新出错,可以采用分区方式,每天保存最新的全量版本,保留较短周期
- 如果担心数据更新出错,可以采用分区方式,每天保存最新的全量版本,保留较短周期
3、任务调度
3.1、为什么需要任务调度?
- 解决任务单元间的依赖关系
- 自动化完成任务的定时执行
3.2、常见任务类型
- Shell
- Java程序
- Mapreduce程序
- SQL脚本
3.3、常见调度工具
- Azkaban
- Oozie