維度模型設計和分層架構都是數據倉庫必不可缺的。維度建模以分析決策的需求出發構建模型，構建的數據模型為分析需求服務，因此它重點解決用戶如何更快速完成分析需求，同時還有較好的大規模複雜查詢的響應性能。而分層架構的設計的主要是為在管理數據的時候，能對數據有一個更加清晰的掌控。這篇乾貨將帶你認清數據倉庫「維度模型設計」與「分層架構」。
數據倉庫緯度模型設計
基本概念
維度模型是數據倉庫領域大師Ralph Kimall所倡導，它的《數據倉庫工具箱》，是數據倉庫工程領域最流行的數倉建模經典。它重點解決用戶如何更快速完成分析需求，同時還有較好的大規模複雜查詢的響應性能。
維度建模是專門應用於分析型資料庫、數據倉庫、數據集市建模的方法。數據集市可以理解為是一種"小型數據倉庫"。
事實表
發生在現實世界中的操作性事件，其所產生的可度量數值，存儲在事實表中。從最低的粒度級別來看，事實表行對應一個度量事件，反之亦然。
事實表表示對分析主題的度量。比如一次購買行為我們就可以理解為是一個事實。
圖中的訂單表就是一個事實表，可以理解它就是在現實中發生的一次操作型事件，每完成一個訂單，就會在訂單中增加一條記錄。
事實表的特徵：表裡沒有存放實際的內容，他是一堆主鍵的集合，這些ID分別能對應到維度表中的一條記錄。事實表包含了與各維度表相關聯的外鍵，可與維度表關聯。事實表的度量通常是數值類型（條/個/次），且記錄數會不斷增加，表數據規模迅速增長。
維度表
維度表示要對數據進行分析時所用的一個量，比如你要分析產品銷售情況，你可以選擇按類別進行分析,或按區域分析。這樣的按…分析就構成一個維度。上圖中的用戶表、商家表、時間表這些都屬於維度表。這些表都有一個唯一的主鍵，然後在表中存放了詳細的數據信息。
例如：交易金額分析分析
男性用戶的訂單金額、聯想商品的訂單金額、第一季度的訂單金額、手機的訂單金額、家裡下單的訂單金額。
例如：學生分析
姓張的同學有多少、男性的同學有多少、江蘇的同學有多少、身高小於170cm的同學有多少、年齡小於23歲的同學有多少。
維度表的特徵：每個維度表都包含單一的主鍵列。維度表的主鍵可以作為與之關聯的任何事實表的外鍵，當然，維度表行的描述環境應與事實表行完全對應。維度表通常比較寬，是扁平型非規範表，包含大量的低粒度的文本屬性。
總的說來，在數據倉庫中不需要嚴格遵守規範化設計原則。因為數據倉庫的主導功能就是面向分析，以查詢為主，不涉及數據更新操作。
需要強調的是:
事實表的設計是以能夠正確記錄歷史信息為準則。維度表的設計是以能夠以合適的角度來聚合主題內容為準則。維度建模三種模式
星形模型
星形模式(Star Schema)是最常用的維度建模方式。星型模式是以事實表為中心，所有的維度表直接連接在事實表上，像星星一樣。
星形模式的維度建模由一個事實表和一組維度表成，且具有以下特點：
維表只和事實表關聯，維表之間沒有關聯；每個維表主鍵為單列，且該主鍵放置在事實表中，作為兩邊連接的外鍵；以事實表為核心，維度表圍繞核心呈星形分布；
雪花模式
雪花模式(Snowflake Schema)是對星形模式的擴展。雪花模式的維度表可以擁有其他維度表的，雖然這種模型相比星型更規範一些，但是由於這種模型不太容易理解，維護成本比較高，而且性能方面需要關聯多層維表，性能也比星型模型要低。所以一般不是很常用。
星座模式
星座模式是星型模式延伸而來，星型模式是基於一張事實表的，而星座模式是基於多張事實表的，而且共享維度信息。
前面介紹的兩種維度建模方法都是多維表對應單事實表，但在很多時候維度空間內的事實表不止一個，而一個維表也可能被多個事實表用到。在業務發展後期，絕大部分維度建模都採用的是星座模式。
數據倉庫分層架構
分層的意義
分層的主要原因是在管理數據的時候，能對數據有一個更加清晰的掌控，詳細來講，主要有下面幾個原因：
清晰數據結構：
每一個數據分層都有它的作用域，這樣我們在使用表的時候能更方便地定位和理解。
方便數據血緣追蹤：
簡單來說，我們最終給業務呈現的是一個能直接使用業務表，但是它的來源有很多，如果有一張來源表出問題了，我們希望能夠快速準確地定位到問題，並清楚它的危害範圍。
減少重複開發：
規範數據分層，開發一些通用的中間層數據，能夠減少極大的重複計算。
把複雜問題簡單化：
將一個複雜的任務分解成多個步驟來完成，每一層只處理單一的步驟，比較簡單和容易理解。而且便於維護數據的準確性，當數據出現問題之後，可以不用修復所有的數據，只需要從有問題的步驟開始修復。
屏蔽原始數據的異常:
屏蔽業務的影響，不必改一次業務就需要重新接入數據。
數倉分層思想
數據分層，每個企業根據自己的業務需求可以分成不同的層次，但是最基礎的分層思想，理論上數據分為三個層，數據運營層、數據倉庫層、數據服務層。基於這個基礎分層之上添加新的層次，來滿足不同的業務需求。
數據運營層（ODS）
Operatedata store（操作數據-存儲），是最接近數據源中數據的一層，數據源中的數據，經過抽取、洗淨、傳輸，也就說傳說中的ETL之後，裝入ODS層。本層的數據，總體上大多是按照源頭業務系統的分類方式而分類的。
例如：MySQL裡面的一張表可以通過sqoop之間抽取到ODS層。
ODS層數據的來源方式：
業務庫經常會使用sqoop來抽取，比如我們每天定時抽取一次。在實時方面，可以考慮用canal監聽mysql的binlog，實時接入即可。
埋點日誌線上系統會打入各種日誌，這些日誌一般以文件的形式保存，我們可以選擇用flume定時抽取，也可以用用spark streaming或者Flink來實時接入，當然，kafka也會是一個關鍵的角色。
消息隊列來自ActiveMQ、Kafka的數據等。
數據倉庫層（DW）
Datawarehouse（數據倉庫）。在這裡，從ODS層中獲得的數據按照主題建立各種數據模型。例如以研究人的旅遊消費為主題的數據集中，便可以結合航空公司的登機出行信息，以及銀聯繫統的刷卡記錄，進行結合分析，產生數據集。在這裡，我們需要了解四個概念：維（dimension）、事實（Fact）、指標（Index）和粒度（ Granularity）。
DW數據分層，由下到上為 DWD,DWB,DWS：
DWD：data warehouse detail細節數據層，是業務層與數據倉庫的隔離層。DWB：data warehouse base 基礎數據層，存儲的是客觀數據，一般用作中間層，可以認為是大量指標的數據層。DWS：data warehouseservice 服務數據層，基於DWB上的基礎數據，整合匯總層分析某一個主題域的服務數據，一般是寬表。 數據服務層/應用層（ADS）：
ApplicationData Service(應用數據服務)。該層主要是提供數據產品和數據分析使用的數據，一般會存放在ES、MySQL等系統中供線上系統使用。
例如：我們經常說的報表數據，或者說那種大寬表，一般就放在這裡。
這就是經典的數據倉庫分層架構，大家不妨去瞧一瞧各大平臺的數據倉庫產品，他們的數據倉庫架構圖都至少包含這些分層。
原文連結：https://blog.csdn.net/weixin_44318830/article/details/105956712
文章部分素材來源：CSDN