数据仓库的基本类型（浅谈数据仓库的基本概念）

今天这篇文章，给大家讲述一下数据仓库的基本概念，作为我们一起探讨的内容。希望大家留言、评论，我们一起学习。

一 数据仓库的概念

数据仓库，英文名称为Data Warehouse，可简写为DW或DWH。数据仓库，是为企业所有级别的决策制定过程，提供所有类型数据支持的战略集合。它出于分析性报告和决策支持目的而创建。 为需要业务智能的企业，提供指导业务流程改进、监视时间、成本、质量以及控制。现在常见的数据仓库是企业级数据仓库，即EDW。

二 数据仓库出现的背景

1 需求的变化，主要是业务系统系统建设完善，统计分析类需求增加，还有就是大量的信息碎片化和孤岛化，导致数据集成和数据质量问题不断增加

2 技术发展，技术发展到一定程度，必然推动系统更新换代。关系型数据库技术逐渐成熟稳定，报表和复杂查询处理起来异常困难，数据标准的问题。

以上两个原因是数据仓库出现的大致背景。

三 数据仓库与OLTP

1 数据仓库，数据量大，保存历史，面向主题，主要用来统计分析

2 OLTP，生产系统，面向应用；事物驱动；实时性高；数据检索相对少；只存当前数据

比如以银行卡为例，我们用银行卡取钱，首先到ATM进行交易，然后ATM查询核心系统，核心系统完成交易，你拿到钱。这个就是面向应用，事物驱动，并且是实时的，数据查询就只查你的账户数据(余额信息)，并且还是你时点的余额信息。

四 数据仓库与OLTP的区别

挑一个来说一下，更新和不更新

操作型数据库对于数据是更新的，还是前面说的取钱，我们取了钱，那么我的余额是要变更的。但是对于分析性数据库来说呢，是不变的，原有的一笔数据依旧保留，会新增一条余额变动的数据记录，就是保留历史数据。能理解吧。

五 数据仓库的特征

这个大家就看下图吧，不细说了。面向主题；集成；记录时间变化；不更新

六 数据仓库理论的形成

七 什么是ODS

ODS，大家在工作中，如果有做数据仓库的应该比较清楚，大家一说ODS，马上就能想到数据仓库，工作中好多同事都觉得是一回事。其实不然，ODS只是数据仓库的一部分，现在的数据仓库大部分都是基于ODS和OLTP集合在一起了，最常见的就是数据仓库中既有历史数据的保留，还有面向应用系统统计分析的各个集市。

八 ODS应用的形成

九 ODS与 EDW

简单理解为ODS为O层数据，基本能上和源系统一致，可能会有写标准化的字段。EDW是基于ODS数据整合，就是ETL的过程。常见的可以分为公共层，汇总层。

十 数据模型

1 逻辑模型：不考虑物理数据库，独立的。比较关注业务逻辑和业务规则。

2 物理模型：简单理解就是将逻辑模型，转化成数据库语言，即DDL。

十一 雪花模型和星型模型

这块理解一下就可以了，实际开发中是不会严格按照星型或者雪花来设计，实际工作中是按照业务来进行模型设计，根据业务规则，设计出最合适的数据模型。

我们大部分项目中，用到的是雪花这种模型，大宽表，数据冗余，更有利于业务查询，性能比较高。

优缺点：

雪花模型可以精确表示层次化的数据，但还是应该避免使用雪花模式，因为对商业用户来说，理解雪花模式并在其中查询是非常困难的，雪花模式还会影响查询性能

从查询性能角度来看，在OLTP-DW环节，由于雪花型要做多个表联接，性能会低于星型架构；但从DW-OLAP环节，由于雪花型架构更有利于度量值得聚合，因此性能要高于星型架构。

从模型复杂度来看，星型架构更简单。

从层次概念来看，雪花型架构更加贴近OLTP系统的结构，比较符合业务逻辑，层次比较清晰。

从存储空间角度来看，雪花型架构具有关系数据模型的所有优点，不会产生冗余数据，而相比之下星型架构会产生数据冗余。

应用场景：

星型模型的设计方式主要带来的好处是能够提升查询效率，因为生成的事实表已经经过预处理，主要的数据都在事实表里面，所以只要扫描事实表就能够进行大量的查询，而不必进行大量的join，其次维表数据一般比较少，在join可直接放入内存进行join以提升效率，除此之外，星型模型的事实表可读性比较好，不用关联多个表就能获取大部分核心信息，设计维护相对比较简答。

雪花模型的设计方式是比较符合数据库范式的理念，设计方式比较正规，数据冗余少，但在查询的时候可能需要join多张表从而导致查询效率下降，此外规范化操作在后期维护比较复杂。

好了，这篇文章就给大家写到这里了，希望大家留言、评论。我们一起探讨，学习。大家喜欢的，可以点个关注 ，我会不定期更新文章，将自己的经验分享出来。

,