两者定义
当今的数据处理大致可以分成两大类：联机事务处理OLTP（on-line transaction processing）、联机分析处理OLAP（On-Line Analytical Processing）。
OLTP：Online Transaction Processing联机事务处理，强调实时处理、快速响应，应用于各类交易系统、管理系统。
OLAP：Online Analytical Processing联机分析处理，强调理解数据，面向于决策分析。OLAP委员会对联机分析处理的定义为：使分析人员、管理人员或执行人员能够从多种角度对从原始数据中转化出来的、能够真正为用户所理解的、并真实反映企业维特性的信息进行快速、一致、交互的存取，从而获得对数据更深入了解的一类软件技术。经典应用譬如著名的啤酒与尿布案例。
基本差别
OLTP与OLAP面向不同的应用场景和处理需求，对各项指标都有不同的要求。简言之，OLTP主要进行操作型处理，OLAP主要进行分析型处理。
当我们去设计并实现一个业务系统时，通常会对系统的响应时间、吞吐量、并发量提出较高的要求。对于数据的各级缓存、读写分离是常见的设计。
而OLAP强调对数据的分析挖掘，从多维的视角观察数据、分析数据并做出决策。OLAP的基本多维分析操作有钻取（Drill-up和Drill-down）、切片（Slice）和切块（Dice）、以及旋转（Pivot）等。
数据库与数据仓库
数据库:是一种逻辑概念，用来存放数据的仓库，通过数据库软件来实现。数据库由很多表组成，表是二维的，一张表里面有很多字段。字段一字排开，对数据就一行一行的写入表中。数据库的表，在于能够用二维表现多维的关系。如：oracle、DB2、MySQL、Sybase、MSSQL Server等。
数据仓库：是数据库概念的升级。从逻辑上理解，数据库和数据仓库没有区别，都是通过数据库软件实现存放数据的地方。和数据库相比，数据仓库要比数据库更加庞大，主要存储历史数据，且不可更新、经常冗余，所涉及的操作主要是数据的查询。
数据仓库并不能取代数据库，两者面向不同的应用场景，是相辅相成的关系。
典型的业务数据库设计——RABC
计算机相关专业学生在初步学习数据库时，想必都读过《数据库系统概论》这本书。当我们对业务系统进行数据库设计时，主要运用实体-关系（E-R）模型（这种设计理念，是不是也能归类为面向对象设计？）。我们从具体业务中抽象出实体，以其相互之间的关系，建立E-R模型，反馈到数据库软件。设计业务数据库时，会相对注重规范性。《数据库系统概论》提到的范式概念既是对数据库设计的规范。因为只有足够规范、抽象，才能保证实时操作数据库的准确、安全、灵活关联。虽然有时，为了数据的快速读取，也会牺牲一点规范。
上图是一个基于RABC的权限系统数据库E-R模型图。其中抽象出用户、角色、权限、操作、资源5个实体。可以建立表为：用户表、角色表、权限表、操作表、资源表、用户-权限表、用户-角色表、角色-权限表。
为了增加这个权限系统的响应速度，我们可以针对具体的业务查询语句，在对应表上建立索引。《MySQL45讲》这本书中给出了很好的数据库优化示例。
另外，根据传统的权限系统设计，通常会在鉴权中加一步缓存，若能从缓存中读取到缓存结果，则不需要再从业务数据库中查询，加快鉴权速度。
关于数据仓库的几点问题
宽表or窄表?
宽表就是字段比较多的表，包含的维度层次比较多，造成冗余也比较多，毁范式设计，但是利于取数统计，而窄表往往对于OLTP比较合适，符合范式设计原则。窄表对于增删改查很方便，宽表则有利于数据统计。
雪花模型、星型模型
星型模是一种多维的数据关系，它由一个事实表和一组维表组成。每个维表都有一个维作为主键，所有这些维的主键组合成事实表的主键。强调的是对维度进行预处理，将多个维度集合到一个事实表，形成一个宽表。
当有一个或多个维表没有直接连接到事实表上，而是通过其他维表连接到事实表上时，其图解就像多个雪花连接在一起，故称雪花模型。雪花模型是对星型模型的扩展。它对星型模型的维表进一步层次化，原有的各维表可能被扩展为小的事实表，形成一些局部的 "层次 " 区域，这些被分解的表都连接到主维度表而不是事实表。雪花模型更加符合数据库范式，减少数据冗余，但是在分析数据的时候，操作比较复杂，需要join的表比较多所以其性能并不一定比星型模型高。
两者对比
看到这里，其实也很明显了，星型模型是数据仓库建模的宠儿。
