今天這篇文章，給大家講述一下數據倉庫的基本概念，作為我們一起探讨的内容。希望大家留言、評論，我們一起學習。

一 數據倉庫的概念

數據倉庫，英文名稱為Data Warehouse，可簡寫為DW或DWH。數據倉庫，是為企業所有級别的決策制定過程，提供所有類型數據支持的戰略集合。它出于分析性報告和決策支持目的而創建。 為需要業務智能的企業，提供指導業務流程改進、監視時間、成本、質量以及控制。現在常見的數據倉庫是企業級數據倉庫，即EDW。

二 數據倉庫出現的背景

1 需求的變化，主要是業務系統系統建設完善，統計分析類需求增加，還有就是大量的信息碎片化和孤島化，導緻數據集成和數據質量問題不斷增加

2 技術發展，技術發展到一定程度，必然推動系統更新換代。關系型數據庫技術逐漸成熟穩定，報表和複雜查詢處理起來異常困難，數據标準的問題。

以上兩個原因是數據倉庫出現的大緻背景。

三 數據倉庫與OLTP

1 數據倉庫，數據量大，保存曆史，面向主題，主要用來統計分析

2 OLTP，生産系統，面向應用；事物驅動；實時性高；數據檢索相對少；隻存當前數據

比如以銀行卡為例，我們用銀行卡取錢，首先到ATM進行交易，然後ATM查詢核心系統，核心系統完成交易，你拿到錢。這個就是面向應用，事物驅動，并且是實時的，數據查詢就隻查你的賬戶數據(餘額信息)，并且還是你時點的餘額信息。

四 數據倉庫與OLTP的區别

挑一個來說一下，更新和不更新

操作型數據庫對于數據是更新的，還是前面說的取錢，我們取了錢，那麼我的餘額是要變更的。但是對于分析性數據庫來說呢，是不變的，原有的一筆數據依舊保留，會新增一條餘額變動的數據記錄，就是保留曆史數據。能理解吧。

五 數據倉庫的特征

這個大家就看下圖吧，不細說了。面向主題；集成；記錄時間變化；不更新

六 數據倉庫理論的形成

七 什麼是ODS

ODS，大家在工作中，如果有做數據倉庫的應該比較清楚，大家一說ODS，馬上就能想到數據倉庫，工作中好多同事都覺得是一回事。其實不然，ODS隻是數據倉庫的一部分，現在的數據倉庫大部分都是基于ODS和OLTP集合在一起了，最常見的就是數據倉庫中既有曆史數據的保留，還有面向應用系統統計分析的各個集市。

八 ODS應用的形成

九 ODS與 EDW

簡單理解為ODS為O層數據，基本能上和源系統一緻，可能會有寫标準化的字段。EDW是基于ODS數據整合，就是ETL的過程。常見的可以分為公共層，彙總層。

十 數據模型

1 邏輯模型：不考慮物理數據庫，獨立的。比較關注業務邏輯和業務規則。

2 物理模型：簡單理解就是将邏輯模型，轉化成數據庫語言，即DDL。

十一 雪花模型和星型模型

這塊理解一下就可以了，實際開發中是不會嚴格按照星型或者雪花來設計，實際工作中是按照業務來進行模型設計，根據業務規則，設計出最合适的數據模型。

我們大部分項目中，用到的是雪花這種模型，大寬表，數據冗餘，更有利于業務查詢，性能比較高。

優缺點：

雪花模型可以精确表示層次化的數據，但還是應該避免使用雪花模式，因為對商業用戶來說，理解雪花模式并在其中查詢是非常困難的，雪花模式還會影響查詢性能

從查詢性能角度來看，在OLTP-DW環節，由于雪花型要做多個表聯接，性能會低于星型架構；但從DW-OLAP環節，由于雪花型架構更有利于度量值得聚合，因此性能要高于星型架構。

從模型複雜度來看，星型架構更簡單。

從層次概念來看，雪花型架構更加貼近OLTP系統的結構，比較符合業務邏輯，層次比較清晰。

從存儲空間角度來看，雪花型架構具有關系數據模型的所有優點，不會産生冗餘數據，而相比之下星型架構會産生數據冗餘。

應用場景：

星型模型的設計方式主要帶來的好處是能夠提升查詢效率，因為生成的事實表已經經過預處理，主要的數據都在事實表裡面，所以隻要掃描事實表就能夠進行大量的查詢，而不必進行大量的join，其次維表數據一般比較少，在join可直接放入内存進行join以提升效率，除此之外，星型模型的事實表可讀性比較好，不用關聯多個表就能獲取大部分核心信息，設計維護相對比較簡答。

雪花模型的設計方式是比較符合數據庫範式的理念，設計方式比較正規，數據冗餘少，但在查詢的時候可能需要join多張表從而導緻查詢效率下降，此外規範化操作在後期維護比較複雜。

好了，這篇文章就給大家寫到這裡了，希望大家留言、評論。我們一起探讨，學習。大家喜歡的，可以點個關注 ，我會不定期更新文章，将自己的經驗分享出來。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!