[数据仓库]分层概念,ODS,DM,DWD,DWS,DIM的概念

悠悠 2024-04-28 13:05 5阅读 0赞

## \[数据仓库\]分层概念,ODS,DM,DWD,DWS,DIM的概念 ##

**目录**

[前言：][Link 1]

[一. 各种名词解释][.]

[1.1 ODS是什么？][1.1 ODS]

[1.2 数据仓库层DW？][1.2 _DW]

[1.2.1 DWD明细层?][1.2.1 DWD]

[1.2.2 DWM 轻度汇总层(MID或DWB, data warehouse basis)][1.2.2 DWM _MID_DWB_ data warehouse basis]

[1.2.3 DWS 主题层(DM，data market或DWS, data warehouse service)][1.2.3 DWS _DM_data market_DWS_ data warehouse service]

[1.3 APP？][1.3 APP]

[1.4 数据的来源][1.4]

[1.5 ODS、DW → App层][1.5 ODS_DW _ App]

[1.6 维表层DIM？][1.6 _DIM]

[1.7 层级的简单分层图][1.7]

[二. 问题][. 1]

[2.1 DWS 与 DWD？][2.1 DWS _ DWD]

[2.2 ODS与DWD区别？][2.2 ODS_DWD]

[2.3 app层干什么的？][2.3 app]

[三. 总结][. 2]

## 一. 各种名词解释 ##

### 1.1 ODS是什么？ ###

*  ODS层最好理解，基本上就是数据从源表拉过来，进行etl，比如mysql 映射到hive，那么到了hive里面就是ods层。
 *  ODS 全称是 Operational Data Store，操作数据存储.“面向主题的”，数据运营层，也叫ODS层，是最接近数据源中数据的一层，数据源中的数据，经过抽取、洗净、传输，也就说传说中的 ETL 之后，装入本层。本层的数据，总体上大多是按照源头业务系统的分类方式而分类的。但是，这一层面的数据却不等同于原始数据。***\*在源数据装入这一层时，要进行诸如去噪(例如有一条数据中人的年龄是 300 岁，这种属于异常数据，就需要提前做一些处理)\****、去重(例如在个人资料表中，同一 ID 却有两条重复数据，在接入的时候需要做一步去重)、字段命名规范等一系列操作。

### 1.2 [数据仓库][Link 2]层DW？ ###

数据仓库层(DW)，是数据仓库的主体.在这里，从 ODS 层中获得的数据按照主题建立各种数据模型。这一层和维度建模会有比较深的联系。

细分：

1.  数据明细层：DWD（Data Warehouse Detail）
2.  数据中间层：DWM（Data WareHouse Middle）
3.  数据服务层：DWS（Data WareHouse Servce）

#### **1.2.1 DWD明细层?** ####

> **明细层(ODS, Operational Data Store,DWD: data warehouse detail)**
> 
>  *  概念：是数据仓库的细节数据层，是对STAGE层数据进行沉淀，减少了抽取的复杂性，同时ODS/DWD的信息模型组织主要遵循企业业务事务处理的形式，将各个专业数据进行集中，明细层跟stage层的粒度一致，属于分析的公共资源
>  *  数据生成方式：部分数据直接来自kafka，部分数据为接口层数据与历史数据合成。
>  *  这个stage层不是很清晰

#### **1.2.2 DWM 轻度汇总层(MID或DWB, data warehouse basis)** ####

*  概念：轻度汇总层数据仓库中DWD层和DM层之间的一个过渡层次，是对DWD层的生产数据进行轻度综合和汇总统计(可以把复杂的清洗，处理包含，如根据PV日志生成的会话数据)。轻度综合层与DWD的主要区别在于二者的应用领域不同，DWD的数据来源于生产型系统，并未满意一些不可预见的需求而进行沉淀;轻度综合层则面向分析型应用进行细粒度的统计和沉淀
 *  数据生成方式：由明细层按照一定的业务需求生成轻度汇总表。明细层需要复杂清洗的数据和需要MR处理的数据也经过处理后接入到轻度汇总层。
 *  日志存储方式：内表，parquet文件格式。
 *  日志删除方式：长久存储。
 *  表schema：一般按天创建分区，没有时间概念的按具体业务选择分区字段。
 *  库与表命名。库名：dwb,表名：初步考虑格式为：dwb日期业务表名,待定。
 *  旧数据更新方式：直接覆盖

#### 1.2.3 DWS **主题层(DM，data market或DWS, data warehouse service)** ####

*  概念：又称数据集市或宽表。按照业务划分，如流量、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。**
 *  数据生成方式：由轻度汇总层和明细层数据计算生成。
 *  日志存储方式：使用impala内表，parquet文件格式。
 *  日志删除方式：长久存储。
 *  表schema：一般按天创建分区，没有时间概念的按具体业务选择分区字段。
 *  库与表命名。库名：dm,表名：初步考虑格式为：dm日期业务表名,待定。
 *  旧数据更新方式：直接覆盖

### 1.3 APP？ ###

数据产品层(APP)，这一层是提供为数据产品使用的结果数据。

主要是提供给数据产品和数据分析使用的数据，一般会存放在 ES、Mysql 等系统中供线上系统使用，也可能会存在 Hive 或者 Druid 中供数据分析和数据挖掘使用。

如我们经常说的报表数据，或者说那种大宽表，一般就放在这里。

**应用层(App)**

*  概念：应用层是根据业务需要，由前面三层数据统计而出的结果，可以直接提供查询展现，或导入至Mysql中使用。
 *  数据生成方式：由明细层、轻度汇总层，数据集市层生成，一般要求数据主要来源于集市层。
 *  日志存储方式：使用impala内表，parquet文件格式。
 *  日志删除方式：长久存储。
 *  表schema：一般按天创建分区，没有时间概念的按具体业务选择分区字段。
 *  库与表命名。库名：暂定apl，另外根据业务不同，不限定一定要一个库。(其实就叫app\_)就好了
 *  旧数据更新方式：直接覆盖。

![【漫谈数据仓库】 如何优雅地设计数据分层][e46cd7066015a86ebb4cd2842a0c5493.png]

### **1.4 数据的来源** ###

数据主要会有两个大的来源：

业务库，这里经常会使用 Sqoop 来抽取

我们业务库用的是databus来进行接收，处理kafka就好了。

在实时方面，可以考虑用 Canal 监听 Mysql 的 Binlog，实时接入即可。(有机会补一下这个canal)

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，我们可以选择用 Flume 定时抽取，也可以用用 Spark Streaming 或者 Storm 来实时接入，当然，Kafka 也会是一个关键的角色。

还有使用filebeat收集日志，打到kafka，然后处理日志

注意： 在这层，理应不是简单的数据接入，而是要考虑一定的数据清洗，比如异常字段的处理、字段命名规范化、时间字段的统一等，一般这些很容易会被忽略，但是却至关重要。特别是后期我们做各种特征自动生成的时候，会十分有用。

### **1.5 ODS、DW → App层** ###

**这里面也主要分两种类型：**

1.  每日定时任务型：比如我们典型的日计算任务，每天凌晨算前一天的数据，早上起来看报表。 这种任务经常使用 Hive、Spark 或者生撸 MR 程序来计算，最终结果写入 Hive、Hbase、Mysql、Es 或者 Redis 中。
2.  实时数据：这部分主要是各种实时的系统使用，比如我们的实时推荐、实时用户画像，一般我们会用 Spark Streaming、Storm 或者 Flink 来计算，最后会落入 Es、Hbase 或者 Redis 中。

### 1.6 维表层DIM？ ###

> 维表层（Dimension）  
> 最后补充一个维表层，维表层主要包含两部分数据：
> 
> **高基数维度数据：一般是用户资料表、商品资料表类似的资料表**。数据量可能是千万级或者上亿级别。
> 
> \*\*低基数维度数据：一般是配置表，比如枚举值对应的中文含义，或者日期维表。\*\*数据量可能是个位数或者几千几万。

### 1.7 层级的简单分层图 ###

见下图，对DWD层在进行加工的话，就是DWM层（MID层）(我们的数仓还是有很多dwm层的)

![【漫谈数据仓库】 如何优雅地设计数据分层][4eedbbc5f2b9c108a18018f256b4cf62.png]

这里解释一下DWS、DWD、DIM和TMP的作用。

*  DWS：轻度汇总层，从ODS层中对用户的行为做一个初步的汇总，抽象出来一些通用的维度：时间、ip、id，并根据这些维度做一些统计值，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仅7天、30天、90天的行为的话会快很多。我们希望80%的业务都能通过我们的DWS层计算，而不是ODS。
 *  DWD：这一层主要解决一些数据质量问题和数据的完整度问题。比如用户的资料信息来自于很多不同表，而且经常出现延迟丢数据等问题，为了方便各个使用方更好的使用数据，我们可以在这一层做一个屏蔽。（汇总多个表）
 *  DIM：这一层比较单纯，举个例子就明白，比如国家代码和国家名、地理位置、中文名、国旗图片等信息就存在DIM层中。
 *  TMP：每一层的计算都会有很多临时表，专设一个DWTMP层来存储我们数据仓库的临时表。

## 二. 问题 ##

### 2.1 DWS 与 DWD？ ###

> **问答一： dws 和 dwd 的关系**
> 
> \*\*问：\*\*dws 和dwd 是并行而不是先后顺序?
> 
> \*\*答：\*\*并行的，dw 层
> 
> \*\*问：\*\*那其实对于同一个数据，这两个过程是串行的?
> 
> \*\*答：\*\*dws 会做汇总，dwd 和 ods 的粒度相同，这两层之间也没有依赖的关系
> 
> \*\*问：\*\*对呀，那这样 dws 里面的汇总没有经过数据质量和完整度的处理，或者单独做了这种质量相关的处理，为什么不在 dwd 之上再做汇总呢?我的疑问其实就是，dws的轻度汇总数据结果，有没有做数据质量的处理?
> 
> \*\*答：\*\*ods 直接到 dws 就好，没必要过 dwd，我举个例子，你的浏览商品行为，我做一层轻度汇总，就直接放在 dws 了。但是你的资料表，要从好多表凑成一份，我们从四五份个人资料表中凑出来了一份完整的资料表放在了 dwd 中。然后在 app 层，我们要出一张画像表，包含用户资料和用户近一年的行为，我们就直接从dwd中拿资料， 然后再在 dws 的基础上做一层统计，就成一个app表了。当然，这不是绝对，dws 和 dwd 有没有依赖关系主要看有没有这种需求。

### **2.2 ODS与DWD区别？** ###

> \*\*问：\*\*还是不太明白 ods 和 dwd 层的区别，有了 ods 层后感觉 dwd 没有什么用了。
> 
> \*\*答：\*\*嗯，我是这样理解的，站在一个理想的角度来讲，如果 ods 层的数据就非常规整，基本能满足我们绝大部分的需求，这当然是好的，这时候 dwd 层其实也没太大必要。 但是现实中接触的情况是 ods 层的数据很难保证质量，毕竟数据的来源多种多样，推送方也会有自己的推送逻辑，在这种情况下，我们就需要通过额外的一层 dwd 来屏蔽一些底层的差异。
> 
> \*\*问：\*\*我大概明白了，是不是说 dwd 主要是对 ods 层做一些数据清洗和规范化的操作，dws 主要是对 ods 层数据做一些轻度的汇总?
> 
> \*\*答：\*\*对的，可以大致这样理解。

### 2.3 app层干什么的？ ###

> **问答三：app 层是干什么的?**
> 
> \*\*问：\*\*感觉数据集市层是不是没地方放了，各个业务的数据集市表是应该在 dwd 还是在 app?
> 
> \*\*答：\*\*这个问题不太好回答，我感觉主要就是明确一下数据集市层是干什么的，如果你的数据集市层放的就是一些可以供业务方使用的宽表表，放在 app 层就行。如果你说的数据集市层是一个比较泛一点的概念，那么其实 dws、dwd、app 这些合起来都算是数据集市的内容。
> 
> \*\*问：\*\*那存到 Redis、ES 中的数据算是 app层吗?
> 
> \*\*答：\*\*算是的，我个人的理解，app 层主要存放一些相对成熟的表，能供业务侧使用的。这些表可以在 Hive 中，也可以是从 Hive 导入 Redis 或者 ES 这种查询性能比较好的系统中。

## 三. 总结 ##

另一个博主的图蛮好：

![img][]

![img][img 1]

![img][img 2]

\*\*主题（Subject）\*\*是在较高层次上将企业信息系统中的数据进行综合、归类和分析利用的一个抽象概念，每一个主题基本对应一个宏观的分析领域。在逻辑意义上，它是对应企业中某一宏观分析领域所涉及的分析对象。例如“销售分析”就是一个分析领域，因此这个数据仓库应用的主题就是“销售分析”。

会对应各种主题

[Link 1]: https://blog.csdn.net/pmdream/article/details/113601956#t1
[.]: https://blog.csdn.net/pmdream/article/details/113601956#t2
[1.1 ODS]: https://blog.csdn.net/pmdream/article/details/113601956#t3
[1.2 _DW]: https://blog.csdn.net/pmdream/article/details/113601956#t4
[1.2.1 DWD]: https://blog.csdn.net/pmdream/article/details/113601956#t5
[1.2.2 DWM _MID_DWB_ data warehouse basis]: https://blog.csdn.net/pmdream/article/details/113601956#t6
[1.2.3 DWS _DM_data market_DWS_ data warehouse service]: https://blog.csdn.net/pmdream/article/details/113601956#t7
[1.3 APP]: https://blog.csdn.net/pmdream/article/details/113601956#t8
[1.4]: https://blog.csdn.net/pmdream/article/details/113601956#t9
[1.5 ODS_DW _ App]: https://blog.csdn.net/pmdream/article/details/113601956#t10
[1.6 _DIM]: https://blog.csdn.net/pmdream/article/details/113601956#t11
[1.7]: https://blog.csdn.net/pmdream/article/details/113601956#t12
[. 1]: https://blog.csdn.net/pmdream/article/details/113601956#t13
[2.1 DWS _ DWD]: https://blog.csdn.net/pmdream/article/details/113601956#t14
[2.2 ODS_DWD]: https://blog.csdn.net/pmdream/article/details/113601956#t15
[2.3 app]: https://blog.csdn.net/pmdream/article/details/113601956#t16
[. 2]: https://blog.csdn.net/pmdream/article/details/113601956#t17
[Link 2]: https://so.csdn.net/so/search?q=%E6%95%B0%E6%8D%AE%E4%BB%93%E5%BA%93&spm=1001.2101.3001.7020
[e46cd7066015a86ebb4cd2842a0c5493.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/9b09198c6f484e2aa0583589774a7ee0.png
[4eedbbc5f2b9c108a18018f256b4cf62.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/f305f277b7b7485c9c46b9e2dba08c7f.png
[img]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/d27762b270a941db898ef2aae3552a31.png
[img 1]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/9fd1ca625aef4f5dafd8838d455498a4.png
[img 2]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/8fc352247c8d43879d84c0ef3e871d9b.png