1.數(shù)據(jù)倉庫簡介

數(shù)據(jù)倉庫是一個面向主題的（Subject Oriented）、集成的（Integrate）、相對穩(wěn)定的（Non-Volatile）、反映歷史變化（Time Variant）的數(shù)據(jù)集合，用于支持管理決策。

數(shù)據(jù)倉庫是伴隨著企業(yè)信息化發(fā)展起來的，在企業(yè)信息化的過程中，隨著信息化工具的升級和新工具的應用，數(shù)據(jù)量變的越來越大，數(shù)據(jù)格式越來越多，決策要求越來越苛刻，數(shù)據(jù)倉庫技術(shù)也在不停的發(fā)展。

數(shù)據(jù)倉庫的趨勢：

• 實時數(shù)據(jù)倉庫以滿足實時化&自動化決策需求；
• 大數(shù)據(jù)&數(shù)據(jù)湖以支持大量&復雜數(shù)據(jù)類型（文本、圖像、視頻、音頻）；

2.數(shù)據(jù)倉庫的發(fā)展

數(shù)據(jù)倉庫有兩個環(huán)節(jié)：數(shù)據(jù)倉庫的構(gòu)建與數(shù)據(jù)倉庫的應用。

早期數(shù)據(jù)倉庫構(gòu)建主要指的是把企業(yè)的業(yè)務數(shù)據(jù)庫如ERP、CRM、SCM等數(shù)據(jù)按照決策分析的要求建模并匯總到數(shù)據(jù)倉庫引擎中，其應用以報表為主，目的是支持管理層和業(yè)務人員決策（中長期策略型決策）。

隨著業(yè)務和環(huán)境的發(fā)展，這兩方面都在發(fā)生著劇烈變化。

• 隨著IT技術(shù)走向互聯(lián)網(wǎng)、移動化，數(shù)據(jù)源變得越來越豐富，在原來業(yè)務數(shù)據(jù)庫的基礎(chǔ)上出現(xiàn)了非結(jié)構(gòu)化數(shù)據(jù)，比如網(wǎng)站log，IoT設(shè)備數(shù)據(jù)，APP埋點數(shù)據(jù)等，這些數(shù)據(jù)量比以往結(jié)構(gòu)化的數(shù)據(jù)大了幾個量級，對ETL過程、存儲都提出了更高的要求；
• 互聯(lián)網(wǎng)的在線特性也將業(yè)務需求推向了實時化，隨時根據(jù)當前客戶行為而調(diào)整策略變得越來越常見，比如大促過程中庫存管理，運營管理等（即既有中遠期策略型，也有短期操作型）；同時公司業(yè)務互聯(lián)網(wǎng)化之后導致同時服務的客戶劇增，有些情況人工難以完全處理，這就需要機器自動決策。比如欺詐檢測和用戶審核。

總結(jié)來看，對數(shù)據(jù)倉庫的需求可以抽象成兩方面：實時產(chǎn)生結(jié)果、處理和保存大量異構(gòu)數(shù)據(jù)。

注：這里不討論數(shù)據(jù)湖技術(shù)。

3.數(shù)據(jù)倉庫建設(shè)方法論

1）面向主題

從公司業(yè)務出發(fā)，是分析的宏觀領(lǐng)域，比如供應商主題、商品主題、客戶主題和倉庫主題

2）為多維數(shù)據(jù)分析服務

數(shù)據(jù)報表；數(shù)據(jù)立方體，上卷、下鉆、切片、旋轉(zhuǎn)等分析功能。

3）反范式數(shù)據(jù)模型

以事實表和維度表組成的星型數(shù)據(jù)模型

注：圖片來自51CTO

4.數(shù)據(jù)倉庫架構(gòu)的演變

數(shù)據(jù)倉庫概念是Inmon于1990年提出并給出了完整的建設(shè)方法。隨著互聯(lián)網(wǎng)時代來臨，數(shù)據(jù)量暴增，開始使用大數(shù)據(jù)工具來替代經(jīng)典數(shù)倉中的傳統(tǒng)工具。此時僅僅是工具的取代，架構(gòu)上并沒有根本的區(qū)別，可以把這個架構(gòu)叫做離線大數(shù)據(jù)架構(gòu)。

后來隨著業(yè)務實時性要求的不斷提高，人們開始在離線大數(shù)據(jù)架構(gòu)基礎(chǔ)上加了一個加速層，使用流處理技術(shù)直接完成那些實時性要求較高的指標計算，這便是Lambda架構(gòu)。

再后來，實時的業(yè)務越來越多，事件化的數(shù)據(jù)源也越來越多，實時處理從次要部分變成了主要部分，架構(gòu)也做了相應調(diào)整，出現(xiàn)了以實時事件處理為核心的Kappa架構(gòu)。

4.1離線大數(shù)據(jù)架構(gòu)

數(shù)據(jù)源通過離線的方式導入到離線數(shù)倉中。

下游應用根據(jù)業(yè)務需求選擇直接讀取DM或加一層數(shù)據(jù)服務，比如mysql 或 redis。

數(shù)據(jù)倉庫從模型層面分為三層：

• ODS，操作數(shù)據(jù)層，保存原始數(shù)據(jù)；
• DWD，數(shù)據(jù)倉庫明細層，根據(jù)主題定義好事實與維度表，保存最細粒度的事實數(shù)據(jù)；
• DM，數(shù)據(jù)集市/輕度匯總層，在DWD層的基礎(chǔ)之上根據(jù)不同的業(yè)務需求做輕度匯總；

典型的數(shù)倉存儲是HDFS/Hive，ETL可以是MapReduce腳本或HiveSQL。

4.2 Lambda架構(gòu)

隨著大數(shù)據(jù)應用的發(fā)展，人們逐漸對系統(tǒng)的實時性提出了要求，為了計算一些實時指標，就在原來離線數(shù)倉的基礎(chǔ)上增加了一個實時計算的鏈路，并對數(shù)據(jù)源做流式改造（即把數(shù)據(jù)發(fā)送到消息隊列），實時計算去訂閱消息隊列，直接完成指標增量的計算，推送到下游的數(shù)據(jù)服務中去，由數(shù)據(jù)服務層完成離線&實時結(jié)果的合并。

注：流處理計算的指標批處理依然計算，最終以批處理為準，即每次批處理計算后會覆蓋流處理的結(jié)果。（這僅僅是流處理引擎不完善做的折中）

Lambda架構(gòu)問題：

• 1.同樣的需求需要開發(fā)兩套一樣的代碼
  這是Lambda架構(gòu)最大的問題，兩套代碼不僅僅意味著開發(fā)困難（同樣的需求，一個在批處理引擎上實現(xiàn)，一個在流處理引擎上實現(xiàn)，還要分別構(gòu)造數(shù)據(jù)測試保證兩者結(jié)果一致），后期維護更加困難，比如需求變更后需要分別更改兩套代碼，獨立測試結(jié)果，且兩個作業(yè)需要同步上線。
• 2.資源占用增多：同樣的邏輯計算兩次，整體資源占用會增多（多出實時計算這部分）

4.3 Kappa架構(gòu)

Lambda架構(gòu)雖然滿足了實時的需求，但帶來了更多的開發(fā)與運維工作，其架構(gòu)背景是流處理引擎還不完善，流處理的結(jié)果只作為臨時的、近似的值提供參考。后來隨著Flink等流處理引擎的出現(xiàn)，流處理技術(shù)很成熟了，這時為了解決兩套代碼的問題，LickedIn 的Jay Kreps提出了Kappa架構(gòu)

Kappa架構(gòu)可以認為是Lambda架構(gòu)的簡化版（只要移除lambda架構(gòu)中的批處理部分即可）。

在Kappa架構(gòu)中，需求修改或歷史數(shù)據(jù)重新處理都通過上游重放完成。

Kappa架構(gòu)最大的問題是流式重新處理歷史的吞吐能力會低于批處理，但這個可以通過增加計算資源來彌補。

Kappa架構(gòu)的重新處理過程

重新處理是人們對Kappa架構(gòu)最擔心的點，但實際上并不復雜：

• 1.選擇一個具有重放功能的、能夠保存歷史數(shù)據(jù)并支持多消費者的消息隊列，根據(jù)需求設(shè)置歷史數(shù)據(jù)保存的時長，比如Kafka，可以保存全部歷史數(shù)據(jù)。
• 2.當某個或某些指標有重新處理的需求時，按照新邏輯寫一個新作業(yè)，然后從上游消息隊列的最開始重新消費，把結(jié)果寫到一個新的下游表中。
• 3.當新作業(yè)趕上進度后，應用切換數(shù)據(jù)源，讀取2中產(chǎn)生的新結(jié)果表。
• 4.停止老的作業(yè)，刪除老的結(jié)果表。

4.4 Lambda架構(gòu)與Kappa架構(gòu)的對比

對比項	Lambda架構(gòu)	Kappa架構(gòu)
實時性	實時	實時
計算資源	批和流同時運行，資源開銷大	只有流處理，僅針對新需求開發(fā)階段運行兩個作業(yè)，資源開銷小
重新計算時吞吐	批式全量處理，吞吐較高	流式全量處理，吞吐較批處理低
開發(fā)、測試	每個需求都需要兩套不同代碼，開發(fā)、測試、上線難度較大	只需實現(xiàn)一套代碼，開發(fā)、測試、上線難度相對較小
運維成本	維護兩套系統(tǒng)（引擎），運維成本大	只需維護一套系統(tǒng)（引擎），運維成本小

在真實的場景中，很多時候并不是完全規(guī)范的Lambda架構(gòu)或Kappa架構(gòu)，可以是兩者的混合，比如大部分實時指標使用Kappa架構(gòu)完成計算，少量關(guān)鍵指標（比如金額相關(guān)）使用Lambda架構(gòu)用批處理重新計算，增加一次校對過程。（1）

Kappa架構(gòu)并不是中間結(jié)果完全不落地，現(xiàn)在很多大數(shù)據(jù)系統(tǒng)都需要支持機器學習（離線訓練），所以實時中間結(jié)果需要落地對應的存儲引擎供機器學習使用，另外有時候還需要對明細數(shù)據(jù)查詢，這種場景也需要把實時明細層寫出到對應的引擎中。（2）參考后面的案例

另外，隨著數(shù)據(jù)多樣性的發(fā)展，數(shù)據(jù)倉庫這種提前規(guī)定schema的模式顯得越來難以支持靈活的探索&分析需求，這時候便出現(xiàn)了一種數(shù)據(jù)湖技術(shù)，即把原始數(shù)據(jù)全部緩存到某個大數(shù)據(jù)存儲上，后續(xù)分析時再根據(jù)需求去解析原始數(shù)據(jù)。簡單的說，數(shù)據(jù)倉庫模式是schema on write，數(shù)據(jù)湖模式是schema on read。（3）

5.實時數(shù)倉案例

菜鳥倉配實時數(shù)據(jù)倉庫

本案例參考自菜鳥倉配團隊的分享，涉及全局設(shè)計、數(shù)據(jù)模型、數(shù)據(jù)保障等幾個方面。

注：特別感謝緣橋同學的無私分享。

5.1 整體設(shè)計

整體設(shè)計如右圖，基于業(yè)務系統(tǒng)的數(shù)據(jù)，數(shù)據(jù)模型采用中間層的設(shè)計理念，建設(shè)倉配實時數(shù)倉；計算引擎，選擇更易用、性能表現(xiàn)更佳的實時計算作為主要的計算引擎；數(shù)據(jù)服務，選擇天工數(shù)據(jù)服務中間件，避免直連數(shù)據(jù)庫，且基于天工可以做到主備鏈路靈活配置秒級切換；數(shù)據(jù)應用，圍繞大促全鏈路，從活動計劃、活動備貨、活動直播、活動售后、活動復盤五個維度，建設(shè)倉配大促數(shù)據(jù)體系。

5.2 數(shù)據(jù)模型

不管是從計算成本，還是從易用性，還是從復用性，還是從一致性……，我們都必須避免煙囪式的開發(fā)模式，而是以中間層的方式建設(shè)倉配實時數(shù)倉。與離線中間層基本一致，我們將實時中間層分為兩層。

第一層DWD公共實時明細層

實時計算訂閱業(yè)務數(shù)據(jù)消息隊列，然后通過數(shù)據(jù)清洗、多數(shù)據(jù)源join、流式數(shù)據(jù)與離線維度信息等的組合，將一些相同粒度的業(yè)務系統(tǒng)、維表中的維度屬性全部關(guān)聯(lián)到一起，增加數(shù)據(jù)易用性和復用性，得到最終的實時明細數(shù)據(jù)。這部分數(shù)據(jù)有兩個分支，一部分直接落地到ADS，供實時明細查詢使用，一部分再發(fā)送到消息隊列中，供下層計算使用；

第二層DWS公共實時匯總層

以數(shù)據(jù)域+業(yè)務域的理念建設(shè)公共匯總層，與離線數(shù)倉不同的是，這里匯總層分為輕度匯總層和高度匯總層，并同時產(chǎn)出，輕度匯總層寫入ADS，用于前端產(chǎn)品復雜的olap查詢場景，滿足自助分析和產(chǎn)出報表的需求；高度匯總層寫入Hbase，用于前端比較簡單的kv查詢場景，提升查詢性能，比如實時大屏等；

注：

1.ADS是一款提供OLAP分析服務的引擎。開源提供類似功能的有，Elastic Search、Kylin、Druid等；
2.案例中選擇把數(shù)據(jù)寫入到Hbase供KV查詢，也可根據(jù)情況選擇其他引擎，比如數(shù)據(jù)量不多，查詢壓力也不大的話，可以用mysql
3.因主題建模與業(yè)務關(guān)系較大，這里不做描述

5.3 數(shù)據(jù)保障

集團每年都有雙十一等大促，大促期間流量與數(shù)據(jù)量都會暴增。

實時系統(tǒng)要保證實時性，相對離線系統(tǒng)對數(shù)據(jù)量要更敏感，對穩(wěn)定性要求更高。

所以為了應對這種場景，還需要在這種場景下做兩種準備：

• 大促前的系統(tǒng)壓測；
• 大促中的主備鏈路保障；

6. 實時數(shù)倉與離線數(shù)倉的對比

在看過前面的敘述與菜鳥案例之后，我們看一下實時數(shù)倉與離線數(shù)倉在幾方面的對比：

首先，從架構(gòu)上，實時數(shù)倉與離線數(shù)倉有比較明顯的區(qū)別，實時數(shù)倉以Kappa架構(gòu)為主，而離線數(shù)倉以傳統(tǒng)大數(shù)據(jù)架構(gòu)為主。Lambda架構(gòu)可以認為是兩者的中間態(tài)。

其次，從建設(shè)方法上，實時數(shù)倉和離線數(shù)倉基本還是沿用傳統(tǒng)的數(shù)倉主題建模理論，產(chǎn)出事實寬表。另外實時數(shù)倉中實時流數(shù)據(jù)的join有隱藏時間語義，在建設(shè)中需注意。

最后，從數(shù)據(jù)保障看，實時數(shù)倉因為要保證實時性，所以對數(shù)據(jù)量的變化較為敏感。在大促等場景下需要提前做好壓測和主備保障工作，這是與離線數(shù)據(jù)的一個較為明顯的區(qū)別。

原文鏈接
本文為云棲社區(qū)原創(chuàng)內(nèi)容，未經(jīng)允許不得轉(zhuǎn)載。

總結(jié)

以上是生活随笔為你收集整理的数据仓库介绍与实时数仓案例的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。