一、數(shù)據(jù)倉庫的架構(gòu)

　　數(shù)據(jù)倉庫（Data Warehouse DW）是為了便于多維分析和多角度展現(xiàn)而將數(shù)據(jù)按特定的模式進行存儲所建立起來的關(guān)系型數(shù)據(jù)庫，它的數(shù)據(jù)基于OLTP源系統(tǒng)。數(shù)據(jù)倉庫中的數(shù)據(jù)是細節(jié)的、集成的、面向主題的，以OLAP系統(tǒng)的分析需求為目的。

　　數(shù)據(jù)倉庫的架構(gòu)模型包括了星型架構(gòu)（圖二：pic2.bmp）與雪花型架構(gòu)（圖三：pic3.bmp）兩種模式。如圖所示，星型架構(gòu)的中間為事實表，四周為維度表，類似星星；而相比較而言，雪花型架構(gòu)的中間為事實表，兩邊的維度表可以再有其關(guān)聯(lián)子表，從而表達了清晰的維度層次關(guān)系。

　　從OLAP系統(tǒng)的分析需求和ETL的處理效率兩方面來考慮：星型結(jié)構(gòu)聚合快，分析效率高；而雪花型結(jié)構(gòu)明確，便于與OLTP系統(tǒng)交互。因此，在實際項目中，我們將綜合運用星型架構(gòu)與雪花型架構(gòu)來設計數(shù)據(jù)倉庫。

　　那么，下面我們就來看一看，構(gòu)建企業(yè)級數(shù)據(jù)倉庫的流程。

　　二、構(gòu)建企業(yè)級數(shù)據(jù)倉庫五步法

　　（一）、確定主題

　　即確定數(shù)據(jù)分析或前端展現(xiàn)的主題。例如：我們希望分析某年某月某一地區(qū)的啤酒銷售情況，這就是一個主題。主題要體現(xiàn)出某一方面的各分析角度（維度）和統(tǒng)計數(shù)值型數(shù)據(jù)（量度）之間的關(guān)系，確定主題時要綜合考慮。

　　我們可以形象的將一個主題想象為一顆星星：統(tǒng)計數(shù)值型數(shù)據(jù)（量度）存在于星星中間的事實表；分析角度（維度）是星星的各個角；我們將通過維度的組合，來考察量度。那么，“某年某月某一地區(qū)的啤酒銷售情況”這樣一個主題，就要求我們通過時間和地區(qū)兩個維度的組合，來考察銷售情況這個量度。從而，不同的主題來源于數(shù)據(jù)倉庫中的不同子集，我們可以稱之為數(shù)據(jù)集市。數(shù)據(jù)集市體現(xiàn)了數(shù)據(jù)倉庫某一方面的信息，多個數(shù)據(jù)集市構(gòu)成了數(shù)據(jù)倉庫。

　　（二）、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。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。

　　量度是要統(tǒng)計的指標，必須事先選擇恰當，基于不同的量度可以進行復雜關(guān)鍵性能指標（KPI）等的設計和計算。

　　（三）、確定事實數(shù)據(jù)粒度

　　在確定了量度之后，我們要考慮到該量度的匯總情況和不同維度下量度的聚合情況?？紤]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：假設目前的數(shù)據(jù)最小記錄到秒，即數(shù)據(jù)庫中記錄了每一秒的交易額。那么，如果我們可以確認，在將來的分析需求中，時間只需要精確到天就可以的話，我們就可以在ETL處理過程中，按天來匯總數(shù)據(jù)，此時，數(shù)據(jù)倉庫中量度的粒度就是“天”；反過來，如果我們不能確認將來的分析需求在時間上是否需要精確到秒，那么，我們就需要遵循“最小粒度原則”，在數(shù)據(jù)倉庫的事實表中保留每一秒的數(shù)據(jù)，以便日后對“秒”進行分析。

　　在采用“最小粒度原則”的同時，我們不必擔心海量數(shù)據(jù)所帶來的匯總分析效率問題，因為在后續(xù)建立多維分析模型（CUBE）的時候，我們會對數(shù)據(jù)提前進行匯總，從而保障產(chǎn)生分析結(jié)果的效率。關(guān)于建立多維分析模型（CUBE）的相關(guān)問題，我們將在下期欄目中予以闡述。

　　（四）、確定維度

　　維度是指分析的各個角度。例如我們希望按照時間，或者按照地區(qū)，或者按照產(chǎn)品進行分析，那么這里的時間、地區(qū)、產(chǎn)品就是相應的維度?；诓煌木S度，我們可以看到各量度的匯總情況，也可以基于所有的維度進行交叉分析。

　　這里我們首先要確定維度的層次（Hierarchy）和級別（Level）（圖四：pic4.bmp）。如圖所示，我們在時間維度上，按照“年-季度-月”形成了一個層次，其中“年”、“季度”、“月”成為了這個層次的3個級別；同理，當我們建立產(chǎn)品維度時，我們可以將“產(chǎn)品大類-產(chǎn)品子類-產(chǎn)品”劃為一個層次，其中包含“產(chǎn)品大類”、“產(chǎn)品子類”、“產(chǎn)品”三個級別。

　　那么，我們分析中所用到的這些維度，在數(shù)據(jù)倉庫中的存在形式是怎樣的呢？

　　我們可以將3個級別設置成一張數(shù)據(jù)表中的3個字段，比如時間維度；我們也可以使用三張表，分別保存產(chǎn)品大類、產(chǎn)品子類、產(chǎn)品三部分數(shù)據(jù)，比如產(chǎn)品維度。（圖五：pic5.bmp）

　　另外，值得一提的是，我們在建立維度表時要充分使用代理鍵。代理鍵是數(shù)值型的ID號碼（例如圖六中每張表的第一個字段），它唯一標識了每一維度成員。更重要的是，在聚合時，數(shù)值型字段的匹配和比較，JOIN效率高，便于聚合。同時，代理鍵對緩慢變化維度有著重要的意義，在原數(shù)據(jù)主鍵相同的情況下，它起到了對新數(shù)據(jù)與歷史數(shù)據(jù)的標識作用。

　　在此，我們不妨談一談維度表隨時間變化的問題，這是我們經(jīng)常會遇到的情況，我們稱其為緩慢變化維度。

　　比如我們增加了新的產(chǎn)品，或者產(chǎn)品的ID號碼修改了，或者產(chǎn)品增加了一個新的屬性，此時，維度表就會被修改或者增加新的記錄行。這樣，我們在ETL的過程中，就要考慮到緩慢變化維度的處理。對于緩慢變化維度，有三種情況：

　　1、緩慢變化維度第一種類型：

　　歷史數(shù)據(jù)需要修改。這種情況下，我們使用UPDATE方法來修改維度表中的數(shù)據(jù)。例如：產(chǎn)品的ID號碼為123，后來發(fā)現(xiàn)ID號碼錯了，需要改寫成456，那么，我們就在ETL處理時，直接修改維度表中原來的ID號碼為456。

　　2、緩慢變化維度第二種類型：

　　歷史數(shù)據(jù)保留，新增數(shù)據(jù)也要保留。這時，要將原數(shù)據(jù)更新，將新數(shù)據(jù)插入，我們使用UPDATE / INSERT。比如：某一員工2005年在A部門，2006年時他調(diào)到了B部門。那么在統(tǒng)計2005年的數(shù)據(jù)時就應該將該員工定位到A部門；而在統(tǒng)計2006年數(shù)據(jù)時就應該定位到B部門，然后再有新的數(shù)據(jù)插入時，將按照新部門（B部門）進行處理，這樣我們的做法是將該維度成員列表加入標識列，將歷史的數(shù)據(jù)標識為“過期”，將目前的數(shù)據(jù)標識為“當前的”。另一種方法是將該維度打上時間戳，即將歷史數(shù)據(jù)生效的時間段作為它的一個屬性，在與原始表匹配生成事實表時將按照時間段進行關(guān)聯(lián)，這種方法的好處是該維度成員生效時間明確。

　　3、緩慢變化維度第三種類型：

　　新增數(shù)據(jù)維度成員改變了屬性。例如：某一維度成員新加入了一列，該列在歷史數(shù)據(jù)中不能基于它瀏覽，而在目前數(shù)據(jù)和將來數(shù)據(jù)中可以按照它瀏覽，那么此時我們需要改變維度表屬性，即加入新的字段列。那么，我們將使用存儲過程或程序生成新的維度屬性，在后續(xù)的數(shù)據(jù)中將基于新的屬性進行查看。

　　（五）、創(chuàng)建事實表

　　在確定好事實數(shù)據(jù)和維度后，我們將考慮加載事實表。

　　在公司的大量數(shù)據(jù)堆積如山時，我們想看看里面究竟是什么，結(jié)果發(fā)現(xiàn)里面是一筆筆生產(chǎn)記錄，一筆筆交易記錄… 那么這些記錄是我們將要建立的事實表的原始數(shù)據(jù)，即關(guān)于某一主題的事實記錄表。

　　我們的做法是將原始表與維度表進行關(guān)聯(lián)，生成事實表（圖六：pic6.bmp）。注意在關(guān)聯(lián)時有為空的數(shù)據(jù)時（數(shù)據(jù)源臟），需要使用外連接，連接后我們將各維度的代理鍵取出放于事實表中，事實表除了各維度代理鍵外，還有各量度數(shù)據(jù)，這將來自原始表，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。

　　如果考慮到擴展，可以將事實表加一唯一標識列，以為了以后擴展將該事實作為雪花型維度，不過不需要時一般建議不用這樣做。

　　事實數(shù)據(jù)表是數(shù)據(jù)倉庫的核心，需要精心維護，在JOIN后將得到事實數(shù)據(jù)表，一般記錄條數(shù)都比較大，我們需要為其設置復合主鍵和索引，以實現(xiàn)數(shù)據(jù)的完整性和基于數(shù)據(jù)倉庫的查詢性能優(yōu)化。事實數(shù)據(jù)表與維度表一起放于數(shù)據(jù)倉庫中，如果前端需要連接數(shù)據(jù)倉庫進行查詢，我們還需要建立一些相關(guān)的中間匯總表或物化視圖，以方便查詢。

　　三、什么是ETL

　　在數(shù)據(jù)倉庫的構(gòu)建中，ETL貫穿于項目始終，它是整個數(shù)據(jù)倉庫的生命線，包括了數(shù)據(jù)清洗、整合、轉(zhuǎn)換、加載等各個過程。如果說數(shù)據(jù)倉庫是一座大廈，那么ETL就是大廈的根基。ETL抽取整合數(shù)據(jù)的好壞直接影響到最終的結(jié)果展現(xiàn)。所以ETL在整個數(shù)據(jù)倉庫項目中起著十分關(guān)鍵的作用，必須擺到十分重要的位置。

　　ETL是數(shù)據(jù)抽取（Extract）、轉(zhuǎn)換（Transform）、加載（Load ）的簡寫，它是指：將OLTP系統(tǒng)中的數(shù)據(jù)抽取出來，并將不同數(shù)據(jù)源的數(shù)據(jù)進行轉(zhuǎn)換和整合，得出一致性的數(shù)據(jù)，然后加載到數(shù)據(jù)倉庫中。例如：下圖就向我們展示了ETL的數(shù)據(jù)轉(zhuǎn)換效果。（圖七：pic7.bmp）

　　那么，在這一轉(zhuǎn)換過程中，我們就完成了對數(shù)據(jù)格式的更正、對數(shù)據(jù)字段的合并、以及新增指標的計算三項操作。類似地，我們也可以根據(jù)其他需求，完善數(shù)據(jù)倉庫中的數(shù)據(jù)。

　　簡而言之，通過ETL，我們可以基于源系統(tǒng)中的數(shù)據(jù)來生成數(shù)據(jù)倉庫。ETL為我們搭建了OLTP系統(tǒng)和OLAP系統(tǒng)之間的橋梁。

　　五、項目實踐技巧

　　（一）、準備區(qū)的運用

　　在構(gòu)建數(shù)據(jù)倉庫時，如果數(shù)據(jù)源位于一臺服務器上，數(shù)據(jù)倉庫在另一臺服務器端，考慮到數(shù)據(jù)源Server端訪問頻繁，并且數(shù)據(jù)量大，需要不斷更新，所以可以建立準備區(qū)數(shù)據(jù)庫（圖八：pic8.bmp）。先將數(shù)據(jù)抽取到準備區(qū)中，然后基于準備區(qū)中的數(shù)據(jù)進行處理，這樣處理的好處是防止了在原OLTP系統(tǒng)中頻繁訪問，進行數(shù)據(jù)運算或排序等操作。

　　例如我們可以按照天將數(shù)據(jù)抽取到準備區(qū)中，基于數(shù)據(jù)準備區(qū)，我們將進行數(shù)據(jù)的轉(zhuǎn)換、整合、將不同數(shù)據(jù)源的數(shù)據(jù)進行一致性處理。數(shù)據(jù)準備區(qū)中將存在原始抽取表、轉(zhuǎn)換中間表和臨時表以及ETL日志表等。

　　（二）、時間戳的運用

　　時間維度對于某一事實主題來說十分重要，因為不同的時間有不同的統(tǒng)計數(shù)據(jù)信息，那么按照時間記錄的信息將發(fā)揮很重要的作用。在ETL中，時間戳有其特殊的作用，在上面提到的緩慢變化維度中，我們可以使用時間戳標識維度成員；在記錄數(shù)據(jù)庫和數(shù)據(jù)倉庫的操作時，我們也將使用時間戳標識信息。例如：在進行數(shù)據(jù)抽取時，我們將按照時間戳對OLTP系統(tǒng)中的數(shù)據(jù)進行抽取，比如在午夜0：00取前一天的數(shù)據(jù)，我們將按照OLTP系統(tǒng)中的時間戳取GETDATE到GETDATE減一天，這樣得到前一天數(shù)據(jù)。

　　（三）、日志表的運用

　　在對數(shù)據(jù)進行處理時，難免會發(fā)生數(shù)據(jù)處理錯誤，產(chǎn)生出錯信息，那么我們?nèi)绾潍@得出錯信息并及時修正呢? 方法是我們使用一張或多張Log日志表，將出錯信息記錄下來，在日志表中我們將記錄每次抽取的條數(shù)、處理成功的條數(shù)、處理失敗的條數(shù)、處理失敗的數(shù)據(jù)、處理時間等等。這樣，當數(shù)據(jù)發(fā)生錯誤時，我們很容易發(fā)現(xiàn)問題所在，然后對出錯的數(shù)據(jù)進行修正或重新處理。

　　（四）、使用調(diào)度

　　在對數(shù)據(jù)倉庫進行增量更新時必須使用調(diào)度（圖九：pic9.bmp），即對事實數(shù)據(jù)表進行增量更新處理。在使用調(diào)度前要考慮到事實數(shù)據(jù)量，確定需要多長時間更新一次。比如希望按天進行查看，那么我們最好按天進行抽取，如果數(shù)據(jù)量不大，可以按照月或半年對數(shù)據(jù)進行更新。如果有緩慢變化維度情況，調(diào)度時需要考慮到維度表更新情況，在更新事實數(shù)據(jù)表之前要先更新維度表。

　　調(diào)度是數(shù)據(jù)倉庫的關(guān)鍵環(huán)節(jié)，要考慮縝密。在ETL的流程搭建好后，要定期對其運行，所以調(diào)度是執(zhí)行ETL流程的關(guān)鍵步驟。每一次調(diào)度除了寫入Log日志表的數(shù)據(jù)處理信息外，還要使用發(fā)送Email或報警服務等，這樣也方便的技術(shù)人員對ETL流程的把握，增強了安全性和數(shù)據(jù)處理的準確性。

　　五、總結(jié)

　　構(gòu)建企業(yè)級數(shù)據(jù)倉庫需要簡單的五步，掌握了這五步的方法，我們可以構(gòu)建一個強大的數(shù)據(jù)倉庫。然而，每一步都有很深的內(nèi)容需要研究與挖掘，尤其在實際項目中，我們要綜合考慮。例如：如果數(shù)據(jù)源的臟數(shù)據(jù)很多，在搭建數(shù)據(jù)倉庫之前我們首先要進行數(shù)據(jù)清洗，以剔除掉不需要的信息和臟數(shù)據(jù)。

　　ETL是OLTP系統(tǒng)和OLAP系統(tǒng)之間的橋梁，是數(shù)據(jù)從源系統(tǒng)流入數(shù)據(jù)倉庫的通道。在數(shù)據(jù)倉庫的項目實施中，它關(guān)系到整個項目的數(shù)據(jù)質(zhì)量，所以馬虎不得，必須將其擺到重要位置，將數(shù)據(jù)倉庫這一大廈的根基筑牢！

it知識庫：深入探討數(shù)據(jù)倉庫建模與ETL的實踐技巧，轉(zhuǎn)載需保留來源！

鄭重聲明：本文版權(quán)歸原作者所有，轉(zhuǎn)載文章僅為傳播更多信息之目的，如作者信息標記有誤，請第一時間聯(lián)系我們修改或刪除，多謝。