數據倉庫建模與ETL的實踐技巧有哪些

小編給大家分享一下數據倉庫建模與ETL的實踐技巧有哪些，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

一、Data倉庫的架構

　　Data倉庫(Data Warehouse DW)是為了便于多維分析和多角度展現而將Data按特定的模式進行存儲所建立起來的關系型Datcbase，它的Data基于OLTP源Systam。Data倉庫中的Data是細節的、集成的、面向主題的，以OLAPSystam的分析需求為目的。

　　Data倉庫的架構模型包括了星型架構與雪花型架構兩種模式。星型架構的中間為事實表，四周為維度表，類似星星;而相比較而言，雪花型架構的中間為事實表，兩邊的維度表可以再有其關聯子表，從而表達了清晰的維度層次關系。

　　從OLAPSystam的分析需求和ETL的處理效率兩方面來考慮：星型結構聚合快，分析效率高;而雪花型結構明確，便于與OLTPSystam交互。因此，在實際項目中，我們將綜合運用星型架構與雪花型架構來設計Data倉庫。

　　那么，下面我們就來看一看，構建企業級Data倉庫的流程。

　　二、構建企業級Data倉庫五步法

　　(一)、確定主題

　　即確定Data分析或前端展現的主題。例如：我們希望分析某年某月某一地區的啤酒銷售情況，這就是一個主題。主題要體現出某一方面的各分析角度(維度)和統計數value型Data(量度)之間的關系，確定主題時要綜合考慮。

　　我們可以形象的將一個主題想象為一顆星星：統計數value型Data(量度)存在于星星中間的事實表;分析角度(維度)是星星的各個角;我們將通過維度的組合，來考察量度。那么，“某年某月某一地區的啤酒銷售情況”這樣一個主題，就要求我們通過時間和地區兩個維度的組合，來考察銷售情況這個量度。從而，不同的主題來源于Data倉庫中的不同子集，我們可以稱之為Data集市。Data集市體現了Data倉庫某一方面的信息，多個Data集市構成了Data倉庫。

　　(二)、確定量度

　　在確定了主題以后，我們將考慮要分析的技術指標，諸如年銷售額之類。它們一般為數value型Data。我們或者將該Data匯總，或者將該Data取次數、獨立次數或取最大最小value等，這樣的Data稱為量度。

　　量度是要統計的指標，必須事先選擇恰當，基于不同的量度可以進行復雜關鍵性能指標(KPI)等的設計和計算。

　　(三)、確定事實Data粒度

　　在確定了量度之后，我們要考慮到該量度的匯總情況和不同維度下量度的聚合情況。考慮到量度的聚合程度不同，我們將采用“最小粒度原則”，即將量度的粒度設置到最小。

　　例如：假設目前的Data最小記錄到秒，即Datcbase中記錄了每一秒的交易額。那么，如果我們可以確認，在將來的分析需求中，時間只需要精確到天就可以的話，我們就可以在ETL處理過程中，按天來匯總Data，此時，Data倉庫中量度的粒度就是“天”;反過來，如果我們不能確認將來的分析需求在時間上是否需要精確到秒，那么，我們就需要遵循“最小粒度原則”，在Data倉庫的事實表中保留每一秒的Data，以便日后對“秒”進行分析。

　　在采用“最小粒度原則”的同時，我們不必擔心海量Data所帶來的匯總分析效率問題，因為在后續建立多維分析模型(CUBE)的時候，我們會對Data提前進行匯總，從而保障產生分析結果的效率。關于建立多維分析模型(CUBE)的相關問題，我們將在下期欄目中予以闡述。

　　(四)、確定維度

　　維度是指分析的各個角度。例如我們希望按照時間，或者按照地區，或者按照產品進行分析，那么這里的時間、地區、產品就是相應的維度。基于不同的維度，我們可以看到各量度的匯總情況，也可以基于所有的維度進行交叉分析。

　　這里我們首先要確定維度的層次(HierarChy)和級別(Level。我們在時間維度上，按照“年-季度-月”形成了一個層次，其中“年”、“季度”、“月”成為了這個層次的3個級別;同理，當我們建立產品維度時，我們可以將“產品大類-產品子類-產品”劃為一個層次，其中包含“產品大類”、“產品子類”、“產品”三個級別。

　　那么，我們分析中所用到的這些維度，在Data倉庫中的存在形式是怎樣的呢?

　我們可以將3個級別設置成一張Data表中的3個字段，比如時間維度;我們也可以使用三張表，分別保存產品大類、產品子類、產品三部分Data，比如產品維度。

　　另外，value得一提的是，我們在建立維度表時要充分使用代理鍵。代理鍵是數value型的ID號碼(例如每張表的第一個字段)，它唯一標識了每一維度成員。更重要的是，在聚合時，數value型字段的匹配和比較，JOIN效率高，便于聚合。同時，代理鍵對緩慢變化維度有著重要的意義，在原Data主鍵相同的情況下，它起到了對新Data與歷史Data的標識作用。

　　在此，我們不妨談一談維度表隨時間變化的問題，這是我們經常會遇到的情況，我們稱其為緩慢變化維度。

　　比如我們增加了新的產品，或者產品的ID號碼修改了，或者產品增加了一個新的屬性，此時，維度表就會被修改或者增加新的記錄行。這樣，我們在ETL的過程中，就要考慮到緩慢變化維度的處理。對于緩慢變化維度，有三種情況：

　　1、緩慢變化維度第一種TYPE：

　　歷史Data需要修改。這種情況下，我們使用UPDATEmethod來修改維度表中的Data。例如：產品的ID號碼為123，后來發現ID號碼錯了，需要改寫成456，那么，我們就在ETL處理時，直接修改維度表中原來的ID號碼為456。

　　2、緩慢變化維度第二種TYPE：

　　歷史Data保留，新增Data也要保留。這時，要將原Data更新，將新Data插入，我們使用UPDATE / INSERT。比如：某一員工2005年在A部門，2006年時他調到了B部門。那么在統計2005年的Data時就應該將該員工定位到A部門;而在統計2006年Data時就應該定位到B部門，然后再有新的Data插入時，將按照新部門(B部門)進行處理，這樣我們的做法是將該維度成員列表加入標識列，將歷史的Data標識為“過期”，將目前的Data標識為“當前的”。另一種method是將該維度打上時間戳，即將歷史Data生效的時間段作為它的一個屬性，在與原始表匹配生成事實表時將按照時間段進行關聯，這種method的好處是該維度成員生效時間明確。

　　3、緩慢變化維度第三種TYPE：

　　新增Data維度成員改變了屬性。例如：某一維度成員新加入了一列，該列在歷史Data中不能基于它瀏覽，而在目前Data和將來Data中可以按照它瀏覽，那么此時我們需要改變維度表屬性，即加入新的字段列。那么，我們將使用存儲過程或程式生成新的維度屬性，在后續的Data中將基于新的屬性進行查看。

　　(五)、創建事實表

　　在確定好事實Data和維度后，我們將考慮加載事實表。

　　在公司的大量Data堆積如山時，我們想看看里面究竟是什么，結果發現里面是一筆筆生產記錄，一筆筆交易記錄… 那么這些記錄是我們將要建立的事實表的原始Data，即關于某一主題的事實記錄表。

　　我們的做法是將原始表與維度表進行關聯，生成事實表。注意在關聯時有為空的Data時(Data源臟)，需要使用外連接，連接后我們將各維度的代理鍵取出放于事實表中，事實表除了各維度代理鍵外，還有各量度Data，這將來自原始表，事實表中將存在維度代理鍵和各量度，而不應該存在描述性信息，即符合“瘦高原則”，即要求事實表Data條數盡量多(粒度最小)，而描述性信息盡量少。

　　如果考慮到擴展，可以將事實表加一唯一標識列，以為了以后擴展將該事實作為雪花型維度，不過不需要時一般建議不用這樣做。

　　事實Data表是Data倉庫的核心，需要精心維護，在JOIN后將得到事實Data表，一般記錄條數都比較大，我們需要為其設置復合主鍵和索引，以呈現Data的完整性和基于Data倉庫的查詢性能優化。事實Data表與維度表一起放于Data倉庫中，如果前端需要連接Data倉庫進行查詢，我們還需要建立一些相關的中間匯總表或物化視，以方便查詢。

　　三、什么是ETL

　　在Data倉庫的構建中，ETL貫穿于項目始終，它是整個Data倉庫的生命線，包括了Data清洗、整合、convert、加載等各個過程。如果說Data倉庫是一座大廈，那么ETL就是大廈的根基。ETL抽取整合Data的好壞直接影響到最終的結果展現。所以ETL在整個Data倉庫項目中起著十分關鍵的作用，必須擺到十分重要的位置。

　　ETL是Data抽取(ExtraCt)、convert(Transform)、加載(Load )的簡寫，它是指：將OLTPSystam中的Data抽取出來，并將不同Data源的Data進行convert和整合，得出一致性的Data，然后加載到Data倉庫中。

　　那么，在這一convert過程中，我們就完成了對Data格式的更正、對Data字段的合并、以及新增指標的計算三項操作。類似地，我們也可以根據其他需求，完善Data倉庫中的Data。

　　簡而言之，通過ETL，我們可以基于源Systam中的Data來生成Data倉庫。ETL為我們搭建了OLTPSystam和OLAPSystam之間的橋梁。

　　四、項目實踐技巧

　　(一)、準備區的運用

　　在構建Data倉庫時，如果Data源位于一臺服務器上，Data倉庫在另一臺服務器端，考慮到Data源Server端訪問頻繁，并且Data量大，需要不斷更新，所以可以建立準備區Datcbase。先將Data抽取到準備區中，然后基于準備區中的Data進行處理，這樣處理的好處是防止了在原OLTPSystam中頻繁訪問，進行Data計算或排序等操作。

　　例如我們可以按照天將Data抽取到準備區中，基于Data準備區，我們將進行Data的convert、整合、將不同Data源的Data進行一致性處理。Data準備區中將存在原始抽取表、convert中間表和臨時表以及ETL日志表等。

　　(二)、時間戳的運用

　　時間維度對于某一事實主題來說十分重要，因為不同的時間有不同的統計Data信息，那么按照時間記錄的信息將發揮很重要的作用。在ETL中，時間戳有其特殊的作用，在上面提到的緩慢變化維度中，我們可以使用時間戳標識維度成員;在記錄Datcbase和Data倉庫的操作時，我們也將使用時間戳標識信息。例如：在進行Data抽取時，我們將按照時間戳對OLTPSystam中的Data進行抽取，比如在午夜0：00取前一天的Data，我們將按照OLTPSystam中的時間戳取GETDATE到GETDATE減一天，這樣得到前一天Data。

　　(三)、日志表的運用

　　在對Data進行處理時，難免會發生Data處理錯誤，產生出錯信息，那么我們如何獲得出錯信息并及時修正呢? method是我們使用一張或多張Log日志表，將出錯信息記錄下來，在日志表中我們將記錄每次抽取的條數、處理成功的條數、處理失敗的條數、處理失敗的Data、處理時間等等。這樣，當Data發生錯誤時，我們很容易發現問題所在，然后對出錯的Data進行修正或重新處理。

　　(四)、使用調度

　　在對Data倉庫進行增量更新時必須使用調度，即對事實Data表進行增量更新處理。在使用調度前要考慮到事實Data量，確定需要多長時間更新一次。比如希望按天進行查看，那么我們最好按天進行抽取，如果Data量不大，可以按照月或半年對Data進行更新。如果有緩慢變化維度情況，調度時需要考慮到維度表更新情況，在更新事實Data表之前要先更新維度表。

　　調度是Data倉庫的關鍵環節，要考慮縝密。在ETL的流程搭建好后，要定期對其運行，所以調度是運行ETL流程的關鍵步驟。每一次調度除了寫入Log日志表的Data處理信息外，還要使用發送Email或報警服務等，這樣也方便的技術人員對ETL流程的把握，增強了安全性和Data處理的準確性。

　　五、總結

　　構建企業級Data倉庫需要簡單的五步，掌握了這五步的method，我們可以構建一個強大的Data倉庫。然而，每一步都有很深的內容需要研究與挖掘，尤其在實際項目中，我們要綜合考慮。例如：如果Data源的臟Data很多，在搭建Data倉庫之前我們首先要進行Data清洗，以剔除掉不需要的信息和臟Data。

　　ETL是OLTPSystam和OLAPSystam之間的橋梁，是Data從源Systam流入Data倉庫的通道。在Data倉庫的項目實施中，它關系到整個項目的Data質量，所以馬虎不得，必須將其擺到重要位置，將Data倉庫這一大廈的根基筑牢。

以上是“數據倉庫建模與ETL的實踐技巧有哪些”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！