数据仓库·简介（一）
链接: 学习笔记来自哔哩哔哩视频
一、数据仓库诞生背景
1、诞生背景： 各系统自的业务数据库，个数据库没有统一规范
- 各自拥有的抽取系统（资源浪费）
- 抽取的数据不一致（权限）
- 各部门的分析结果不一致（比如：各个的取数口径不一致，A系统早上9点抽数分析，B系统下午5点抽数分析导致结果不一致）
2、数据仓库面向分析，业务数据库面向业务系统（作用的类型各不相同，各司其职）
二、数据仓库基本概述
1、数据仓库之父是：比尔·恩门（Bill Inmon）
2、数据仓库是一个面向主题的 ，集成的 ，非易失的 且随时间变化的数据集合。
- 面向主题：为数据分析提供服务，根据主题将原始数据集合在一起。
根据主题将业务数据抽取，形成一张宽表。 - 集成：将不同业务系统中，各种数据抽取，清洗，转换整合成最终的数据。（因为各业务系统，各厂商的库表数据，数据字段，字典类型的各不相同）
- 非易失：保存数据的一系列历史快照，定期从业务库同步数据，各个时间段的数据记录，不可修改只可查询分析。
- 时变性：数据仓库定期抽取集成新数据，反映数据的最新变化。（因业务库的数据每天都会存在变化，将数据存放到数据仓库使用时间戳标记，老旧数据也可以删除，但是不建议这么干）
作用：用于组织积累的历史数据，并使用分析法（OLPAP，数据分析） 进行分析整理，进而辅助决策，为管理者，企业系统提供数据支持，构建商业智能。
3、数据仓库和数据库对比
- 数据库面向事务设计，属于OLTP（在线事务处理）系统，主要操作随机读写，避免冗余，采用符合范式规范设计。
- 数据仓库面向主题设计，属于OLAP（在线分析处理）系统，主要操作批量读写，关注数据整合，以及分析处理性能，会有意引入冗余，采用反范式规范设计。
| 数据库 | 数据仓库 | |
|---|---|---|
| 面向 | 事务 | 分析 |
| 数据类型 | 细节，业务 | 综合，清洗过的数据 |
| 数据特点 | 当前的，最新的 | 历史的，跨时间维护 |
| 目的 | 日常操作 | 长期信息需求，决策支持 |
| 设计模型 | 基于R-R模型，面向应用 | 星形/雪花模型，面向主题 |
| 操作 | 读/写 | 大多为读 |
| 数据规模 | GB到TB | TB以上 |
三、技术实现
1、传统数据仓库：由关系型数据库组成的MPP（大规模并行处理）集群，早期的考虑也是由关系型数据来做数据仓库，方便数据迁移整合，但数据大了，单机就不够，就来个集群，完全兼容SQL，但是数据持续曾涨就出现了问题
- 扩展有限：即使使用集群始终还是关系型数据库（使用数据仓库就是关系型数据库出现瓶颈）
- 热点问题：假如有100万行数据，集群有十个库，每个库存放10万，恰巧第一个十万就是热点数据，该节点就出现了压力过大崩溃，就影响了整体。（虽然有一种数据加盐的技术可以分散到各个库，但依旧存在问题）
2、大数据仓库 - 利用大数据天然扩展性，完成海量数据的存储。
- 将SQL转换成大数据计算引擎任务，完成数据分析 。
易用性差，一般的数据存储在业务数据库，使用大数据需要大量数据迁移。
问：会不会同样有热点问题？
分布式数据仓库通常会有备份，备份三份，降低热点。
缺点：缺少事务支持，数据仓库主要关注分析
数据少时会很慢，浪费在调度上。
四、MPP与分布式架构
1、MPP架构（中等规模）
- 传统数据仓库技术架构，将单机数据库组成集群，提升整体处理性能。
- 节点间非共享，每个节点有独立磁盘和内存系统。
- 每台数据节点通过专网或者商业网络互连，彼此协同计算，为整体提供服务。
- 设计上优先考虑C（一致性），其次A（可用性），最后P（分区容错性）。
优点：
- 运算方式精细，延迟低，吞吐低。
- 适合中等规模结构化数据处理。数据量大因为太精细，吞吐查性能差。
缺点：
- 位置不透明，通过Hash确认物理节点，查询在所有节点均会执行。
- 并行计算：单节点瓶颈会成为整个系统短板，容错性差。
- 分布式事务实现导致扩展降低。
2、分布式架构（海量数据）
- 大数据中常见架构，也称为Hadoop架构/批处理架构。
- 各节点实现场地自治（可单独运行局部应用），数据在集群中透明共享。
- 各节点通过局域网或者广域网相连，节点通信开销大，运算致力减少数据移动。
- 先考虑P（分区容错性），其次A（可用性），最后C（一致性）。
五、常见产品
传统数据仓库 ：Oracle RAC， DB2， Teradata, Greenplum
大数据数据仓库：Hive(Hadoop)，Spark SQL (Spark)，Hbass（大数据NoSQL，高并发读），Impala，HAWQ， TIDB。