数仓分层架构详解2：ODS、DWD、DWS

一、ODS层（Operational Data Store）

1.1 数据同步策略

同步方式	适用场景	技术实现	延迟	数据一致性
全量同步	初始化/历史数据	DataX全量抽取、Sqoop全表导入	小时级	强一致
增量同步	每日新增数据	时间戳字段过滤（create_time）	天级	最终一致
CDC同步	实时数据（订单/交易）	Flink CDC、Canal、Debezium	秒级	强一致
日志同步	用户行为数据	Kafka日志采集、Flume	分钟级	最终一致

1.2 数据保留策略

• 热数据：最近7天（直接查询）
• 温数据：7-30天（压缩存储）
• 冷数据：30-180天（归档存储）
• 历史数据：180天以上（备份到对象存储）

1.3 典型表结构示例

-- 订单表（ods_order）
CREATE TABLE ods_order (
  id BIGINT COMMENT '订单ID',
  order_no STRING COMMENT '订单号',
  user_id BIGINT COMMENT '用户ID',
  amount DECIMAL(10,2) COMMENT '订单金额',
  create_time TIMESTAMP COMMENT '创建时间',
  update_time TIMESTAMP COMMENT '更新时间',
  dt STRING COMMENT '分区字段',
  op_type STRING COMMENT '操作类型（I/U/D）'
) PARTITIONED BY (dt STRING);

1.4 数据质量监控

• 完整性：记录数波动（±10%告警）
• 准确性：关键字段非空率（如订单ID）
• 一致性：主外键关系（如user_id存在用户表）
• 及时性：数据延迟（超过5分钟告警）

---

二、DWD层（Data Warehouse Detail）

2.1 数据清洗规则

清洗类型	规则示例	处理方式	业务影响
空值	user_id为NULL	丢弃记录/填充默认值	高
异常值	年龄>150或<0	丢弃记录/标记异常	高
重复值	同一订单多次插入	去重（保留最新）	中
格式	手机号非11位	丢弃/标记异常	中
逻辑	订单金额<0	丢弃/人工审核	高

2.2 维度建模技术

2.2.1 星型模型

-- 事实表（dwd_order_fact）
CREATE TABLE dwd_order_fact (
  order_id BIGINT COMMENT '订单ID',
  user_id BIGINT COMMENT '用户ID',
  product_id BIGINT COMMENT '商品ID',
  order_amount DECIMAL(10,2) COMMENT '订单金额',
  order_time TIMESTAMP COMMENT '下单时间',
  user_level STRING COMMENT '用户等级（维度退化）',
  product_category STRING COMMENT '商品类目（维度退化）'
);

-- 维度表（dim_user）
CREATE TABLE dim_user (
  user_id BIGINT COMMENT '用户ID',
  user_name STRING COMMENT '用户名',
  user_level STRING COMMENT '用户等级',
  register_time TIMESTAMP COMMENT '注册时间'
);

2.2.2 拉链表（SCD Type 2）

-- 用户维度拉链表
CREATE TABLE dim_user_zipper (
  user_id BIGINT,
  user_name STRING,
  user_level STRING,
  start_date DATE,
  end_date DATE,
  is_current BOOLEAN
);

2.3 数据标准化规范

• 时间格式 ：统一为YYYY-MM-DD HH:MM:SS
• 金额单位：统一为元（保留2位小数）
• 枚举值 ：
  • 性别：M（男）、F（女）、U（未知）
  • 订单状态：1（待支付）、2（已支付）、3（已发货）
• 编码规范 ：
  • 地区代码：GB/T 2260
  • 行业代码：GB/T 4754

2.4 性能优化技术

• 分区：按日期+业务线双重分区
• 分桶：大表按user_id分桶（Join优化）
• 压缩：使用Snappy压缩（Parquet格式）
• 索引：构建Z-Order索引（多维查询优化）

---

三、DWS层（Data Warehouse Summary）

3.1 指标分层体系

层级	指标类型	示例	计算频率	使用场景
原子指标	基础指标	GMV、UV、订单量	实时	数据建模
派生指标	复合指标	客单价（GMV/订单量）	小时级	业务监控
衍生指标	趋势指标	同比（GMV/去年同期GMV-1）	天级	经营分析
计算指标	复杂指标	复购率（2次购买用户数/总用户）	周级	战略决策

3.2 宽表构建模式

3.2.1 用户行为宽表

-- dws_user_behavior_daily
CREATE TABLE dws_user_behavior_daily (
  user_id BIGINT,
  dt STRING,
  pv_count BIGINT COMMENT '页面浏览量',
  click_count BIGINT COMMENT '点击量',
  order_count BIGINT COMMENT '订单数',
  order_amount DECIMAL(10,2) COMMENT '订单金额',
  last_visit_time TIMESTAMP COMMENT '最后访问时间'
);

3.2.2 商品分析宽表

-- dws_product_analysis_daily
CREATE TABLE dws_product_analysis_daily (
  product_id BIGINT,
  dt STRING,
  sales_count BIGINT COMMENT '销量',
  sales_amount DECIMAL(10,2) COMMENT '销售额',
  uv BIGINT COMMENT '商品浏览量',
  conversion_rate DECIMAL(5,4) COMMENT '转化率',
  avg_price DECIMAL(10,2) COMMENT '平均售价'
);

3.3 数据聚合策略

聚合粒度	时间维度	业务维度	用户维度	典型表名
小时级	按小时	按品类	按会员等级	dws_sales_hourly
日级	按天	按区域	按新老客	dws_sales_daily
周级	按周	按渠道	按用户分群	dws_sales_weekly
月级	按月	按品牌	按RFM模型	dws_sales_monthly

3.4 性能优化技术

• 预计算：提前计算Top100商品
• 物化视图：建立常用查询的物化视图
• 缓存：Redis缓存高频查询结果
• 分片：大表按时间分片（如按月分表）

---

四、各层详细对比（扩展版）

维度	ODS层	DWD层	DWS层
数据量	100TB级（原始数据）	10TB级（清洗后数据）	1TB级（聚合数据）
存储成本	高（原始数据）	中（列存压缩）	低（聚合后数据）
查询性能	慢（全表扫描）	中（分区+分桶）	快（预计算+索引）
数据延迟	1-5分钟（CDC）	1-2小时（批处理）	1天（日批处理）
数据质量	原始质量（可能含脏数据）	高质量（清洗后）	业务可用（指标计算）
数据变更	高频（实时同步）	中频（小时级）	低频（天级）
数据血缘	源系统→ODS	ODS→DWD	DWD→DWS
数据治理	数据同步监控	数据质量监控	指标口径管理
典型工具	DataX、Flink CDC	Spark SQL、Hive SQL	Presto、ClickHouse
使用场景	数据回溯、数据重放	数据探索、数据建模	业务分析、数据服务
技术挑战	数据一致性、数据延迟	数据清洗、维度建模	指标计算、查询性能
团队分工	数据工程师	数据工程师/数据分析师	数据分析师/业务分析师
数据权限	高（敏感数据）	中（清洗后数据）	低（聚合数据）
数据生命周期	30-180天	1-3年	1-5年

---

五、高级实践技巧

5.1 ODS层优化

• 数据分片：大表按业务线分片（如订单、用户、商品）
• 数据压缩：使用ZSTD压缩（压缩比30%）
• 数据校验：MD5校验（确保数据一致性）

5.2 DWD层优化

• 动态清洗：根据业务规则动态调整清洗策略
• 数据版本：保留多个版本的数据（支持回溯）
• 数据标注：添加数据质量标签（如"高置信度"）

5.3 DWS层优化

• 指标分层：建立指标分层体系（原子→派生→衍生）
• 指标管理：建立指标口径文档（避免口径不一致）
• 数据服务：提供API接口（支持自助查询）

5.4 跨层优化

• 数据血缘：建立完整的数据血缘关系
• 数据地图：构建数据地图（支持数据发现）
• 数据治理：建立数据治理规范（数据质量、数据安全）

---

六、典型数据流示例

6.1 实时数据流

MySQL → Flink CDC → Kafka → Flink SQL → ODS → Flink SQL → DWD → Flink SQL → DWS

6.2 批处理数据流

MySQL → DataX → HDFS → Spark SQL → ODS → Spark SQL → DWD → Spark SQL → DWS

6.3 混合数据流

MySQL → Flink CDC → Kafka → Flink SQL → ODS → Spark SQL → DWD → Presto → DWS

---

七、常见问题与解决方案

7.1 ODS层问题

• 问题：数据延迟

  • 解决方案：优化CDC配置、增加Kafka分区

• 问题：数据不一致

  • 解决方案：增加数据校验、建立重试机制

7.2 DWD层问题

• 问题：数据清洗规则复杂

  • 解决方案：建立清洗规则库、使用UDF

• 问题：维度建模困难

  • 解决方案：参考Kimball维度建模理论

7.3 DWS层问题

• 问题：指标计算慢

  • 解决方案：预计算、物化视图

• 问题：查询性能差

  • 解决方案：优化SQL、使用索引

---