【数据仓库】数仓分层方法详解与层次调用规范

文章目录

一. 数仓分层的意义
- 1. 清晰数据结构。
- 2. 减少重复开发
- 3. 方便数据血缘追踪
- 4. 把复杂问题简单化
- 5. 屏蔽原始数据的异常
- 6. 数据仓库的可维护性
二. 如何进行数仓分层？
- 1. ODS层
- 2. DW层
- - 2.1. DW层分类
  - 2.2. DWD层
  - 2.3. DWS
- 3. ADS层
4、层次调用规范

一. 数仓分层的意义

1. 清晰数据结构。

每一个数据分层都有它的作用域，这样我们能根据自己的需求会快定位到要使用那些层的哪些表。

例如：客户信息同时存在于核心系统、信贷系统、理财系统、资金系统，取数时该如何决策呢？数据仓库会对相同主题的数据进行统一建模，把复杂的数据关系梳理成条理清晰的数据模型，使用时就可避免上述问题了。

2. 减少重复开发

规范数据分层，开发一些通用的中间层数据，能够减少数据的重复计算。

数据的逐层加工原则，下层包含了上层数据加工所需要的全量数据，这样的加工方式避免了每个数据开发人员**都重新从源系统抽取数据进行加工。**极大地减少不必要的数据冗余，也能实现计算结果复用，极大地降低存储和计算成本。

3. 方便数据血缘追踪

简单来说，最终给业务呈现的是一个能直接使用的业务表，但是它的数据来源有很多，如果有一张来源表出问题了，分层后的数仓能够快速准确地定位到问题，并清楚它的危害范围。

4. 把复杂问题简单化

将一个复杂的任务分解成多个步骤来完成，每一层只处理单一的步骤，比较简单和容易理解。而且便于维护数据的准确性，当数据出现问题之后，可以不用修复所有的数据，只需要从有问题的步骤开始修复。

5. 屏蔽原始数据的异常

源头系统可能极为繁杂，而且表命名、字段命名、字段含义等可能五花八门，通过 DW 层来规范和屏蔽所有这些复杂性。如果源头系统业务发生变更，相关的变更由 DW 层来处理，对下游用户透明，无须改动下游用户的代码和逻辑。

6. 数据仓库的可维护性

分层的设计使得某一层的问题只在该层得到解决，无须更改下一层的代码和逻辑。

二. 如何进行数仓分层？

数据分层最基础的分层思想将数据分为三个层：数据引入层（ODS）、数据仓库层（DW）和数据服务层（ADS）。可以基于基础分层之上添加新的层次，来满足不同的业务需求。
在这里插入图片描述

在这里插入图片描述

1. ODS层

数据引入层（ODS，Operational Data Store，又称数据基础层），是最接近数据源中数据的一层，这将原始数据几乎无处理地存放在数据仓库系统中，结构上与源系统基本保持一致。

这一层的主要职责是解决数据孤岛问题，保证数据集成完整性；数据与源系统表一致，体现非易失性；定期同步，增加表同步时间戳，体现时变性。

ODS层数据的来源方式：

业务库

离线：hive、flink批模式、sqoop定时调度。
实时：在实时方面，可以考虑用canal监听mysql的binlog，实时接入即可。

埋点日志
线上系统会打入各种日志，这些日志一般以文件的形式保存，

离线：用flume定时抽取。
实时：用spark streaming或者Flink来实时接入存放到kafka中。

消息队列：来自ActiveMQ、Kafka的数据等。

2. DW层

数仓层（DW, data warehouse）是核心设计的一层，本层将从 ODS 层中获得的数据按照主题建立各种数据模型，每一个主题对应一个宏观的分析领域，数据仓库层排除对决策无用的数据，提供特定主题的简明视图。在DW层会保存BI系统中所有的历史数据，例如保存10年的数据。

DW存放明细事实数据、维表数据及公共指标汇总数据。

明细事实数据、维表数据一般根据ODS层数据加工生成。
公共指标汇总数据一般根据维表数据和明细事实数据加工生成。

2.1. DW层分类

DW层又可以细分为维度层（DIM）、明细数据层（DWD）和汇总数据层（DWS）。

分层作用：

通过维度模型方法，可以定义维度模型主键与事实模型中外键关系，减少数据冗余，也提高明细数据表的易用性。
在汇总数据层同样可以关联复用统计粒度中的维度，采取更多的宽表化手段构建公共指标数据层，提升公共指标的复用性，减少重复加工。

分类:

维度层（DIM，Dimension）：以维度作为建模驱动，创建各维度表。为了避免在维度模型中冗余关联维度的属性，基于雪花模型构建维度表。
明细数据层（DWD，Data Warehouse Detail）：以业务过程作为建模驱动，构建最细粒度的明细事实表。
汇总数据层（DWS，Data Warehouse Summary）：以分析的主题对象作为建模驱动，基于上层的应用和产品的指标需求，构建公共粒度的汇总指标表。为上层提供公共指标，建立汇总宽表、明细事实表。

2.2. DWD层

DWD层做了哪些事？

1.数据清洗过滤

去除废弃字段,去除格式错误的信息
去除丢失了关键字段的信息
过滤核心字段无意义的数据，比如订单表中订单id为null，支付表中支付id为空
对手机号、身份证号等敏感数据脱敏

2.数据映射,转换

如boolean,有使用0 1标识,也有使用true false标识的
如字符串空值,有使用"",也有使用null,的,统一为null即可
如日期格式,这种就差异性更大,需要根据实际业务数据决定,不过一般都是格式化为YYYY-MM-dd HH:mm:ss 这类标准格式

2.3. DWS

DWS（ data warehouse service）数据服务层，汇总层宽表

DWS是根据DWD层基础数据按各个维度ID进行粗粒度汇总聚合，如按交易来源，交易类型进行汇合。整合汇总成分析某一个主题域的服务数据，一般是宽表。

该层数据表会相对比较少，大多都是宽表(一张表会涵盖比较多的业务内容，表中的字段较多)。按照主题划分，如订单、用户等，生成字段比较多的宽表，用于提供后续的业务查询，OLAP分析，数据分发等。

比如用户每个时间段在不同登录ip购买的商品数等。这里做一层轻度的汇总会让计算更加的高效，在此基础上如果计算7天、30天、90天的行为会快很多。80%的业务都能通过DWS层计算，而不是ODS。

公共汇总事实表命名规范：

dws_{业务板块缩写/pub}_{数据域缩写}_{数据粒度缩写}[_{自定义表命名标签缩写}]_{统计时间周期范围缩写}。
关于统计实际周期范围缩写，缺省情况下，离线计算应该包括最近一天（_1d），最近N天（_nd）和历史截至当天（_td）三个表。如果出现_nd的表字段过多需要拆分时，只允许以一个统计周期单元作为原子拆分。即一个统计周期拆分一个表，例如最近7天（_1w）拆分一个表。不允许拆分出来的一个表存储多个统计周期。

对于小时表（无论是天刷新还是小时刷新），都用_hh来表示。对于分钟表（无论是天刷新还是小时刷新），都用_mm来表示。

举例如下：

dws_asale_trd_byr_subpay_1d（买家粒度交易分阶段付款一日汇总事实表）

dws_asale_trd_byr_subpay_td（买家粒度分阶段付款截至当日汇总表）

dws_asale_trd_byr_cod_nd（买家粒度货到付款交易汇总事实表）

dws_asale_itm_slr_td（卖家粒度商品截至当日存量汇总表）

dws_asale_itm_slr_hh（卖家粒度商品小时汇总表）—维度为小时

dws_asale_itm_slr_mm（卖家粒度商品分钟汇总表）—维度为分钟