一、文章主題

本文主要講解數(shù)據(jù)倉庫的一個重要環(huán)節(jié)：如何設(shè)計數(shù)據(jù)分層!其它關(guān)于數(shù)據(jù)倉庫的內(nèi)容可參考之前的文章。

[[207075]]

本文對數(shù)據(jù)分層的討論適合下面一些場景，超過該范圍場景 or 數(shù)據(jù)倉庫經(jīng)驗豐富的大神就不必浪費時間看了。

• 數(shù)據(jù)建設(shè)剛起步，大部分的數(shù)據(jù)經(jīng)過粗暴的數(shù)據(jù)接入后就直接對接業(yè)務(wù)。
• 數(shù)據(jù)建設(shè)發(fā)展到一定階段，發(fā)現(xiàn)數(shù)據(jù)的使用雜亂無章，各種業(yè)務(wù)都是從原始數(shù)據(jù)直接計算而得。
• 各種重復(fù)計算，嚴重浪費了計算資源，需要優(yōu)化性能。

二、文章結(jié)構(gòu)

最初在做數(shù)據(jù)倉庫的時候遇到了很多坑，由于自身資源有限，接觸數(shù)據(jù)倉庫的時候，感覺在互聯(lián)網(wǎng)行業(yè)里面的數(shù)據(jù)倉庫成功經(jīng)驗很少，網(wǎng)上很難找到實踐性比較強的資料。而那幾本經(jīng)典書籍里面又過于理論，折騰起來真是生不如死。還好現(xiàn)在過去了那個坎，因此多花一些時間整理自己的思路，幫助其他的小伙伴少踩一些坑。文章的結(jié)構(gòu)如下：

• 為什么要分層?這個問題被好幾個同學質(zhì)疑過。因此分層的價值還是要說清楚的。
• 分享一下經(jīng)典的數(shù)據(jù)分層模型，以及每一層的數(shù)據(jù)的作用和如何加工得來。
• 分享兩個數(shù)據(jù)分層的設(shè)計，通過這兩個實際的例子來說明每一層該怎么存數(shù)據(jù)。
• 給出一些建議，不是***的，但是可以做參考。

0x01 為什么要分層

我們對數(shù)據(jù)進行分層的一個主要原因就是希望在管理數(shù)據(jù)的時候，能對數(shù)據(jù)有一個更加清晰的掌控，詳細來講，主要有下面幾個原因：

• 清晰數(shù)據(jù)結(jié)構(gòu)：每一個數(shù)據(jù)分層都有它的作用域，這樣我們在使用表的時候能更方便地定位和理解。
• 數(shù)據(jù)血緣追蹤：簡單來講可以這樣理解，我們最終給業(yè)務(wù)誠信的是一能直接使用的張業(yè)務(wù)表，但是它的來源有很多，如果有一張來源表出問題了，我們希望能夠快速準確地定位到問題，并清楚它的危害范圍。
• 減少重復(fù)開發(fā)：規(guī)范數(shù)據(jù)分層，開發(fā)一些通用的中間層數(shù)據(jù)，能夠減少極大的重復(fù)計算。
• 把復(fù)雜問題簡單化。講一個復(fù)雜的任務(wù)分解成多個步驟來完成，每一層只處理單一的步驟，比較簡單和容易理解。而且便于維護數(shù)據(jù)的準確性，當數(shù)據(jù)出現(xiàn)問題之后，可以不用修復(fù)所有的數(shù)據(jù)，只需要從有問題的步驟開始修復(fù)。
• 屏蔽原始數(shù)據(jù)的異常。
• 屏蔽業(yè)務(wù)的影響，不必改一次業(yè)務(wù)就需要重新接入數(shù)據(jù)。

數(shù)據(jù)體系中的各個表的依賴就像是電線的流向一樣，我們都希望它是規(guī)整、流向清晰、便于管理的，如下圖：

但是，最終的結(jié)果大多卻是依賴復(fù)雜、層級混亂，想梳理清楚一張表的聲稱途徑會比較困難，如下圖：

0x02 怎樣分層

一、理論

我們從理論上來做一個抽象，可以把數(shù)據(jù)倉庫分為下面三個層，即：數(shù)據(jù)運營層、數(shù)據(jù)倉庫層和數(shù)據(jù)產(chǎn)品層。

• ODS 全稱是 Operational Data Store，操作數(shù)據(jù)存儲.“面向主題的”，數(shù)據(jù)運營層，也叫ODS層，是最接近數(shù)據(jù)源中數(shù)據(jù)的一層，數(shù)據(jù)源中的數(shù)據(jù)，經(jīng)過抽取、洗凈、傳輸，也就說傳說中的 ETL 之后，裝入本層。本層的數(shù)據(jù)，總體上大多是按照源頭業(yè)務(wù)系統(tǒng)的分類方式而分類的。但是，這一層面的數(shù)據(jù)卻不等同于原始數(shù)據(jù)。在源數(shù)據(jù)裝入這一層時，要進行諸如去噪(例如有一條數(shù)據(jù)中人的年齡是 300 歲，這種屬于異常數(shù)據(jù)，就需要提前做一些處理)、去重(例如在個人資料表中，同一 ID 卻有兩條重復(fù)數(shù)據(jù)，在接入的時候需要做一步去重)、字段命名規(guī)范等一系列操作。
• 數(shù)據(jù)倉庫層(DW)，是數(shù)據(jù)倉庫的主體.在這里，從 ODS 層中獲得的數(shù)據(jù)按照主題建立各種數(shù)據(jù)模型。這一層和維度建模會有比較深的聯(lián)系，可以多參考一下前面的幾篇文章。
• 數(shù)據(jù)產(chǎn)品層(APP)，這一層是提供為數(shù)據(jù)產(chǎn)品使用的結(jié)果數(shù)據(jù)

在這里，主要是提供給數(shù)據(jù)產(chǎn)品和數(shù)據(jù)分析使用的數(shù)據(jù)，一般會存放在 ES、Mysql 等系統(tǒng)中供線上系統(tǒng)使用，也可能會存在 Hive 或者 Druid 中供數(shù)據(jù)分析和數(shù)據(jù)挖掘使用。

如我們經(jīng)常說的報表數(shù)據(jù)，或者說那種大寬表，一般就放在這里。

二、技術(shù)實踐

這三層技術(shù)劃分，相對來說比較粗粒度，后面我們會專門細分一下。在此之前，先聊一下每一層的數(shù)據(jù)一般都是怎么流向的。這里僅僅簡單介紹幾個常用的工具，側(cè)重中開源界主流。

1. 數(shù)據(jù)來源層→ ODS層

這里其實就是我們現(xiàn)在大數(shù)據(jù)技術(shù)發(fā)揮作用的一個主要戰(zhàn)場。 我們的數(shù)據(jù)主要會有兩個大的來源：

業(yè)務(wù)庫，這里經(jīng)常會使用 Sqoop 來抽取，比如我們每天定時抽取一次。在實時方面，可以考慮用 Canal 監(jiān)聽 Mysql 的 Binlog，實時接入即可。

埋點日志，線上系統(tǒng)會打入各種日志，這些日志一般以文件的形式保存，我們可以選擇用 Flume 定時抽取，也可以用用 Spark Streaming 或者 Storm 來實時接入，當然，Kafka 也會是一個關(guān)鍵的角色。

其它數(shù)據(jù)源會比較多樣性，這和具體的業(yè)務(wù)相關(guān)，不再贅述。

注意： 在這層，理應(yīng)不是簡單的數(shù)據(jù)接入，而是要考慮一定的數(shù)據(jù)清洗，比如異常字段的處理、字段命名規(guī)范化、時間字段的統(tǒng)一等，一般這些很容易會被忽略，但是卻至關(guān)重要。特別是后期我們做各種特征自動生成的時候，會十分有用。后續(xù)會有文章來分享。

2. ODS、DW → App層

這里面也主要分兩種類型：

1. 每日定時任務(wù)型：比如我們典型的日計算任務(wù)，每天凌晨算前一天的數(shù)據(jù)，早上起來看報表。 這種任務(wù)經(jīng)常使用 Hive、Spark 或者生擼 MR 程序來計算，最終結(jié)果寫入 Hive、Hbase、Mysql、Es 或者 Redis 中。
2. 實時數(shù)據(jù)：這部分主要是各種實時的系統(tǒng)使用，比如我們的實時推薦、實時用戶畫像，一般我們會用 Spark Streaming、Storm 或者 Flink 來計算，***會落入 Es、Hbase 或者 Redis 中。

0x03 舉個例子

網(wǎng)上的例子很多，就不列了，只舉個筆者早期參與設(shè)計的數(shù)據(jù)分層例子。分析一下當初的想法，以及這種設(shè)計的缺陷。上原圖和內(nèi)容。

當初的設(shè)計總共分了 6 層，其中去掉元數(shù)據(jù)后，還有5層。下面分析一下當初的一個設(shè)計思路。

緩沖層(buffer)

• 概念：又稱為接口層(stage)，用于存儲每天的增量數(shù)據(jù)和變更數(shù)據(jù)，如Canal接收的業(yè)務(wù)變更日志。
• 數(shù)據(jù)生成方式：直接從kafka接收源數(shù)據(jù)，需要業(yè)務(wù)表每天生成update,delete,inseret數(shù)據(jù)，只生成insert數(shù)據(jù)的業(yè)務(wù)表，數(shù)據(jù)直接入明細層
• 討論方案：只把canal日志直接入緩沖層，如果其它有拉鏈數(shù)據(jù)的業(yè)務(wù)，也入緩沖層。
• 日志存儲方式：使用impala外表，parquet文件格式，方便需要MR處理的數(shù)據(jù)讀取。
• 日志刪除方式：長久存儲，可只存儲最近幾天的數(shù)據(jù)。討論方案：直接長久存儲
• 表schema：一般按天創(chuàng)建分區(qū)
• 庫與表命名。庫名：buffer,表名：初步考慮格式為：buffer日期業(yè)務(wù)表名,待定。

明細層(ODS, Operational Data Store,DWD: data warehouse detail)

• 概念：是數(shù)據(jù)倉庫的細節(jié)數(shù)據(jù)層，是對STAGE層數(shù)據(jù)進行沉淀，減少了抽取的復(fù)雜性，同時ODS/DWD的信息模型組織主要遵循企業(yè)業(yè)務(wù)事務(wù)處理的形式，將各個專業(yè)數(shù)據(jù)進行集中，明細層跟stage層的粒度一致，屬于分析的公共資源
• 數(shù)據(jù)生成方式：部分數(shù)據(jù)直接來自kafka，部分數(shù)據(jù)為接口層數(shù)據(jù)與歷史數(shù)據(jù)合成。

canal日志合成數(shù)據(jù)的方式待研究。

• 討論方案：canal數(shù)據(jù)的合成方式為：每天把明細層的前天全量數(shù)據(jù)和昨天新數(shù)據(jù)合成一個新的數(shù)據(jù)表，覆蓋舊表。同時使用歷史鏡像，按周/按月/按年 存儲一個歷史鏡像到新表。
• 日志存儲方式：直接數(shù)據(jù)使用impala外表，parquet文件格式，canal合成數(shù)據(jù)為二次生成數(shù)據(jù)，建議使用內(nèi)表，下面幾層都是從impala生成的數(shù)據(jù)，建議都用內(nèi)表+靜態(tài)/動態(tài)分區(qū)。
• 日志刪除方式：長久存儲。
• 表schema：一般按天創(chuàng)建分區(qū)，沒有時間概念的按具體業(yè)務(wù)選擇分區(qū)字段。
• 庫與表命名。庫名：ods,表名：初步考慮格式為ods日期業(yè)務(wù)表名,待定。
• 舊數(shù)據(jù)更新方式：直接覆蓋

輕度匯總層(MID或DWB, data warehouse basis)

• 概念：輕度匯總層數(shù)據(jù)倉庫中DWD層和DM層之間的一個過渡層次，是對DWD層的生產(chǎn)數(shù)據(jù)進行輕度綜合和匯總統(tǒng)計(可以把復(fù)雜的清洗，處理包含，如根據(jù)PV日志生成的會話數(shù)據(jù))。輕度綜合層與DWD的主要區(qū)別在于二者的應(yīng)用領(lǐng)域不同，DWD的數(shù)據(jù)來源于生產(chǎn)型系統(tǒng)，并未滿意一些不可預(yù)見的需求而進行沉淀;輕度綜合層則面向分析型應(yīng)用進行細粒度的統(tǒng)計和沉淀
• 數(shù)據(jù)生成方式：由明細層按照一定的業(yè)務(wù)需求生成輕度匯總表。明細層需要復(fù)雜清洗的數(shù)據(jù)和需要MR處理的數(shù)據(jù)也經(jīng)過處理后接入到輕度匯總層。
• 日志存儲方式：內(nèi)表，parquet文件格式。
• 日志刪除方式：長久存儲。
• 表schema：一般按天創(chuàng)建分區(qū)，沒有時間概念的按具體業(yè)務(wù)選擇分區(qū)字段。
• 庫與表命名。庫名：dwb,表名：初步考慮格式為：dwb日期業(yè)務(wù)表名,待定。
• 舊數(shù)據(jù)更新方式：直接覆蓋

主題層(DM，data market或DWS, data warehouse service)

• 概念：又稱數(shù)據(jù)集市或?qū)挶?。按照業(yè)務(wù)劃分，如流量、訂單、用戶等，生成字段比較多的寬表，用于提供后續(xù)的業(yè)務(wù)查詢，OLAP分析，數(shù)據(jù)分發(fā)等。
• 數(shù)據(jù)生成方式：由輕度匯總層和明細層數(shù)據(jù)計算生成。
• 日志存儲方式：使用impala內(nèi)表，parquet文件格式。
• 日志刪除方式：長久存儲。
• 表schema：一般按天創(chuàng)建分區(qū)，沒有時間概念的按具體業(yè)務(wù)選擇分區(qū)字段。
• 庫與表命名。庫名：dm,表名：初步考慮格式為：dm日期業(yè)務(wù)表名,待定。
• 舊數(shù)據(jù)更新方式：直接覆蓋

應(yīng)用層(App)

• 概念：應(yīng)用層是根據(jù)業(yè)務(wù)需要，由前面三層數(shù)據(jù)統(tǒng)計而出的結(jié)果，可以直接提供查詢展現(xiàn)，或?qū)胫罬ysql中使用。
• 數(shù)據(jù)生成方式：由明細層、輕度匯總層，數(shù)據(jù)集市層生成，一般要求數(shù)據(jù)主要來源于集市層。
• 日志存儲方式：使用impala內(nèi)表，parquet文件格式。
• 日志刪除方式：長久存儲。
• 表schema：一般按天創(chuàng)建分區(qū)，沒有時間概念的按具體業(yè)務(wù)選擇分區(qū)字段。
• 庫與表命名。庫名：暫定apl，另外根據(jù)業(yè)務(wù)不同，不限定一定要一個庫。
• 舊數(shù)據(jù)更新方式：直接覆蓋。

0x04 如何更優(yōu)雅一些

前面提到的一種設(shè)計其實相對來講已經(jīng)很詳細了，但是可能層次會有一點多，而且在區(qū)分一張表到底該存放在什么位置的時候可能還有不小的疑惑。我們在這一章里再設(shè)計一套數(shù)據(jù)倉庫的分層，同時在前面的基礎(chǔ)上加上維表和一些臨時表的考慮，來讓我們的方案更優(yōu)雅一些。

下圖，做了一些小的改動，我們?nèi)サ袅松弦还?jié)的Buffer層，把數(shù)據(jù)集市層和輕度匯總層放在同一個層級上，同時獨立出來了維表和臨時表。

這里解釋一下DWS、DWD、DIM和TMP的作用。

• DWS：輕度匯總層，從ODS層中對用戶的行為做一個初步的匯總，抽象出來一些通用的維度：時間、ip、id，并根據(jù)這些維度做一些統(tǒng)計值，比如用戶每個時間段在不同登錄ip購買的商品數(shù)等。這里做一層輕度的匯總會讓計算更加的高效，在此基礎(chǔ)上如果計算僅7天、30天、90天的行為的話會快很多。我們希望80%的業(yè)務(wù)都能通過我們的DWS層計算，而不是ODS。
• DWD：這一層主要解決一些數(shù)據(jù)質(zhì)量問題和數(shù)據(jù)的完整度問題。比如用戶的資料信息來自于很多不同表，而且經(jīng)常出現(xiàn)延遲丟數(shù)據(jù)等問題，為了方便各個使用方更好的使用數(shù)據(jù)，我們可以在這一層做一個屏蔽。
• DIM：這一層比較單純，舉個例子就明白，比如國家代碼和國家名、地理位置、中文名、國旗圖片等信息就存在DIM層中。
• TMP：每一層的計算都會有很多臨時表，專設(shè)一個DWTMP層來存儲我們數(shù)據(jù)倉庫的臨時表。

0x05 問答

有朋友問了一些問題，有一些之前的確沒講清楚，補到這里。

問答一： dws 和 dwd 的關(guān)系

問：dws 和dwd 是并行而不是先后順序?

答：并行的，dw 層

問：那其實對于同一個數(shù)據(jù)，這兩個過程是串行的?

答：dws 會做匯總，dwd 和 ods 的粒度相同，這兩層之間也沒有依賴的關(guān)系

問：對呀，那這樣 dws 里面的匯總沒有經(jīng)過數(shù)據(jù)質(zhì)量和完整度的處理，或者單獨做了這種質(zhì)量相關(guān)的處理，為什么不在 dwd 之上再做匯總呢?我的疑問其實就是，dws的輕度匯總數(shù)據(jù)結(jié)果，有沒有做數(shù)據(jù)質(zhì)量的處理?

答：ods 直接到 dws 就好，沒必要過 dwd，我舉個例子，你的瀏覽商品行為，我做一層輕度匯總，就直接放在 dws 了。但是你的資料表，要從好多表湊成一份，我們從四五份個人資料表中湊出來了一份完整的資料表放在了 dwd 中。然后在 app 層，我們要出一張畫像表，包含用戶資料和用戶近一年的行為，我們就直接從dwd中拿資料， 然后再在 dws 的基礎(chǔ)上做一層統(tǒng)計，就成一個app表了。當然，這不是絕對，dws 和 dwd 有沒有依賴關(guān)系主要看有沒有這種需求。

問答二： ods 和 dwd 的區(qū)別

問：還是不太明白 ods 和 dwd 層的區(qū)別，有了 ods 層后感覺 dwd 沒有什么用了。

答：嗯，我是這樣理解的，站在一個理想的角度來講，如果 ods 層的數(shù)據(jù)就非常規(guī)整，基本能滿足我們絕大部分的需求，這當然是好的，這時候 dwd 層其實也沒太大必要。 但是現(xiàn)實中接觸的情況是 ods 層的數(shù)據(jù)很難保證質(zhì)量，畢竟數(shù)據(jù)的來源多種多樣，推送方也會有自己的推送邏輯，在這種情況下，我們就需要通過額外的一層 dwd 來屏蔽一些底層的差異。

問：我大概明白了，是不是說 dwd 主要是對 ods 層做一些數(shù)據(jù)清洗和規(guī)范化的操作，dws 主要是對 ods 層數(shù)據(jù)做一些輕度的匯總?

答：對的，可以大致這樣理解。

問答三：app 層是干什么的?

問：感覺數(shù)據(jù)集市層是不是沒地方放了，各個業(yè)務(wù)的數(shù)據(jù)集市表是應(yīng)該在 dwd 還是在 app?

答：這個問題不太好回答，我感覺主要就是明確一下數(shù)據(jù)集市層是干什么的，如果你的數(shù)據(jù)集市層放的就是一些可以供業(yè)務(wù)方使用的寬表表，放在 app 層就行。如果你說的數(shù)據(jù)集市層是一個比較泛一點的概念，那么其實 dws、dwd、app 這些合起來都算是數(shù)據(jù)集市的內(nèi)容。

問：那存到 Redis、ES 中的數(shù)據(jù)算是 app層嗎?

答：算是的，我個人的理解，app 層主要存放一些相對成熟的表，能供業(yè)務(wù)側(cè)使用的。這些表可以在 Hive 中，也可以是從 Hive 導(dǎo)入 Redis 或者 ES 這種查詢性能比較好的系統(tǒng)中。

0xFF 總結(jié)

數(shù)據(jù)分層是數(shù)據(jù)倉庫非常重要的一個環(huán)節(jié)，它決定的不僅僅是一個層次的問題，還直接影響到血緣分析、特征自動生成、元數(shù)據(jù)管理等一系列功能的建設(shè)。因此適于盡早考慮。

另外，每一層的名字不必太過在意，自己按照喜好就好。

本文分享了筆者自己對數(shù)據(jù)倉庫的一些理解和想法，不一定準確也不一定通用，但是可以作為一個參考的思路。有什么問題歡迎多交流。