1 什么是数仓
数仓是为企业所有决策制定过程，提供所有系统数据支持的战略集合。通过对数据仓库中数据的分析，可以帮助企业改进业务流程、控制成本、提高产品质量等。数据仓库并不是数据的最终目的地，而是为数据最终的目的地做好准备。这些准备包括对数据的清洗、转义、分类、重组、合并、拆分、统计等。
数仓的：
- 输入系统，埋点产生的用户行为数据、JavaEE 后台产生的业务数据、爬虫数据
- 输出系统，报表系统、用户画像系统、风控系统、推荐系统、机器学习等
2 数仓分层
2.1 ODS（Operation Data Store）原始数据层
存放未经过处理的原始数据，结构上与源系统保持一致，是数据仓库的数据准备区。
ODS表命名规范：ods_表名_单分区增量全量标识(inc/full)
主要是存储近期的原始事务数据，以便进一步的处理和分析。
- 保持数据原貌，不做任何修改：ODS数据通常是未经处理的原始数据，直接从源系统导入，保留数据的原始状态，包括所有历史记录和细节，以便数据审计和完整性分析。
- 压缩采用 LZO，压缩比是 100g 数据压缩完 10g 左右：为减少存储空间和优化I/O性能。LZO是一种可以提高数据读取速度的压缩算法，在Hadoop生态系统中使用较广。虽然10:1压缩比例是一个大概的参考，实际的压缩比率会根据数据的类型和特性而有所不同。
- 创建分区表：在数据仓库中创建分区表是为了优化查询性能。通过将表中的数据分为较小的部分（分区），可以减少查询时需要扫描的数据量，特别是在大量数据的环境中，分区可以显著提高性能。
ODS的设计确实是为了确保数据可以迅速被引入数据仓库系统，并为之后的ETL（Extract, Transform, Load）操作、数据清洗、维度建模以及事实表的生成做准备。在维护数据的准确性和一致性的同时，也要考虑存储和查询性能的优化。
具体工作
比如就是利用 Hive 去映射 HDFS 中的数据，将其制作成表。
2.2 DWD（Data Warehouse Detail） 明细数据层
也称为数据清洗层或数据准备层，主要负责对ODS层中的原始数据进行清洗和转换，使数据更加适合于分析。基于维度建模理论进行构建，存放维度模型中的事实表，保存各业务过程最小粒度的操作记录。各指标都在该层。
- 数据清洗：
- 空值去除：清除那些空值记录，保证数据的完整性。
- 过滤无意义的数据：比如，去掉订单ID、支付ID为空的记录，确保核心业务字段的准确性。
- 数据一致性处理：对用户行为宽表和业务表进行匹配和整合，保证数据在各表之间的一致性。
- 清洗的手段：
- 使用 SQL 进行结构化数据查询和清洗。
- MapReduce（MR）、Resilient Distributed Dataset（RDD）等大数据处理技术用于处理大规模数据集。
- Kettle、Python 等工具可进行数据转换、迁移和清洗。
- 清洗数据量的合理范围：
- 清洗数据的比例取决于数据质量和业务要求，通常没有固定的标准。在某些情况下，例如1万条数据中清洗掉1条可能是合理的，但这需要根据实际情况分析。
- 数据脱敏：
- 对敏感数据，如手机号、身份证号等信息进行脱敏处理，以保护用户隐私。
- 维度退化：
- 简化数据模型，减少复杂的多维结构，例如将商品分类合并成一个字段，或将省市县地址合并，以提升查询效率和简化分析过程。
- LZO压缩：
- 对数据进行LZO压缩，以节省存储空间并优化读取性能。
- 列式存储 Parquet：
- 利用列式存储格式如Parquet，可以优化分析查询的性能，特别是对于只需要访问表的某几列数据的场景。
综上，DWD目标是确保数据在质量、安全性、效率和可用性方面都满足数据仓库和业务分析的需求。通过DWD层的处理，数据将被准备好供下一层（数据应用层、数据分析层等）使用。
2.3 DIM（Dimension）公共维度层
基于维度建模理论进行构建，存放维度模型中的维度表保存一致性维度信息
2.4 DWS（Data Warehouse Summary ）汇总数据层
基于上层的指标需求，以分析的主题对象作为建模驱动，构建公共统计粒度的汇总表。读取业务主题明细表，计算出各业务主题关心的通用维度和指标，并存储到自研的wtable（分布式KV、klist 存储系统 ）
2.5 ADS（Application Data Service）数据应用层
存放各项统计指标结果。提供 ad-hoc 查询和实时大盘服务，ad-hoc查询指通过 Flink 将主题明细宽表实时导入ck，为分析师和产品提供 ad-hoc 查询；实时大盘主要读取 wtable 中存储的DWS多维汇总指标来提供。
2.6 DWT（主题数据层，可有可无）
做了哪些事。既然可有可无，就不要它，将其也放入 DWS。
