漫談數據倉庫之維度建模

下面的內容，是筆者在學習和工作中的一些總結，其中概念性的內容大多來自書中，實踐性的內容大多來自自己的工作和個人理解。由於資歷尚淺，難免會有很多錯誤，望批評指正！

概述

數據倉庫包含的內容很多，它可以包括架構、建模和方法論。對應到具體工作中的話，它可以包含下面的這些內容：

• 以Hadoop、Spark、Hive等組建為中心的數據架構體系。
• 各種數據建模方法，如維度建模。
• 調度系統、元數據系統、ETL系統、可視化系統這類輔助系統。

我們暫且不管數據倉庫的範圍到底有多大，在數據倉庫體系中，數據模型的核心地位是不可替代的。

因此，下面的將詳細地闡述數據建模中的典型代表：維度建模，對它的的相關理論以及實際使用做深入的分析。

文章結構

本文將按照下面的順序進行闡述：

1. 先介紹比較經典和常用的數據倉庫模型，並分析其優缺點。
2. 詳細介紹維度建模的基本概念以及相關理論。
3. 為了能更真切地理解什麼是維度建模，我將模擬一個大家都十分熟悉的電商場景，運用前面講到的理論進行建模。
4. 理論和現實的工作場景畢竟會有所差距，這一塊，我會分享一下企業在實際的應用中所做出的取捨。

0x01 經典數據倉庫模型

下面將分別介紹四種數據倉庫模型，其中前三種模型分別對應了三本書：《數據倉庫》、《數據倉庫工具箱》和《數據架構 大數據 數據倉庫以及Data Vault》，這三本書都有中文版，非常巧的是，我只有三本數據倉庫的書，正好對應了這三種理論。

Anchor模型我並不是特別熟悉，放在這裡以供參考。

一、實體關係（ER）模型

數據倉庫之父Immon的方法從全企業的高度設計一個3NF模型，用實體加關係描述的數據模型描述企業業務架構，在範式理論上符合3NF，它與OLTP系統中的3NF的區別，在於數據倉庫中的3NF上站在企業角度面向主題的抽象，而不是針對某個具體業務流程的實體對象關係抽象，它更多的是面向數據的整合和一致性治理，正如Immon所希望達到的：「single version of the truth」。

但是要採用此方法進行構建，也有其挑戰：

1. 需要全面了解企業業務和數據
2. 實施周期非常長
3. 對建模人員的能力要求也非常高

二、維度模型

維度模型是數據倉庫領域另一位大師Ralph Kimall所倡導，他的《The DataWarehouse Toolkit-The Complete Guide to Dimensona Modeling，中文名《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。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。

典型的代表是我們比較熟知的星形模型，以及在一些特殊場景下適用的雪花模型。

三、DataVault

DataVault是Dan Linstedt發起創建的一種模型方法論，它是在ER關係模型上的衍生，同時設計的出發點也是為了實現數據的整合，並非為數據決策分析直接使用。它強調建立一個可審計的基礎數據層，也就是強調數據的歷史性可追溯性和原子性，而不要求對數據進行過度的一致性處理和整合；同時也基於主題概念將企業數據進行結構化組織，並引入了更進一步的範式處理來優化模型應對源系統變更的擴展性。

它主要由：Hub（關鍵核心業務實體）、Link（關係）、Satellite（實體屬性） 三部分組成 。

四、Anchor模型

Anchor模型是由Lars. R?nnb?ck設計的，初衷是設計一個高度可擴展的模型，核心思想：所有的擴展只是添加而不是修改，因此它將模型規範到6NF，基本變成了K-V結構模型。

Anchor模型由：Anchors 、Attributes 、Ties 、Knots 組成，相關細節可以參考《AnchorModeling-Agile Information Modeling in Evolving Data Environments》

0x02 維度建模

一、什麼是維度建模

維度模型是數據倉庫領域大師Ralph Kimall所倡導，他的《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。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。

我們換一種方式來解釋什麼是維度建模。學過資料庫的童鞋應該都知道星型模型，星型模型就是我們一種典型的維度模型。我們在進行維度建模的時候會建一張事實表，這個事實表就是星型模型的中心，然後會有一堆維度表，這些維度表就是向外發散的星星。那麼什麼是事實表、什麼又是維度表嗎，下面會專門來解釋。

二、維度建模的基本要素

維度建模中有一些比較重要的概念，理解了這些概念，基本也就理解了什麼是維度建模。

1. 事實表

發生在現實世界中的操作型事件，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，事實錶行對應一個度量事件，反之亦然。

額，看了這一句，其實是不太容易理解到底什麼是事實表的。

比如一次購買行為我們就可以理解為是一個事實，下面我們上示例。

圖中的訂單表就是一個事實表，你可以理解他就是在現實中發生的一次操作型事件，我們每完成一個訂單，就會在訂單中增加一條記錄。

我們可以回過頭再看一下事實表的特徵，在維度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。

2. 維度表

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，維度錶行的描述環境應與事實錶行完全對應。 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。

我們的圖中的用戶表、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。

0x03 實踐

下面我們將以電商為例，詳細講一下維度建模的建模方式，並舉例如果使用這個模型（這點還是很重要的）。

一、業務場景

假設我們在一家電商網站工作，比如某寶、某東。我們需要對這裡業務進行建模。下面我們分析幾點業務場景：

1. 電商網站中最典型的場景就是用戶的購買行為。
2. 一次購買行為的發起需要有這幾個個體的參與：購買者、商家、商品、購買時間、訂單金額。
3. 一個用戶可以發起很多次購買的動作。

好，基於這幾點，我們來設計我們的模型。

二、模型設計

下面就是我們設計出來的數據模型，和之前的基本一樣，只不過是換成了英文，主要是為了後面寫sql的時候來用。

我就不再解釋每個表的作用了，現在只說一下為什麼要這樣設計。

首先，我們想一下，如果我們不這樣設計的話，我們一般會怎麼做？

如果是我，我會設計下面這張表。你信不信，我能列出來50個欄位！其實我個人認為怎麼設計這種表都有其合理性，我們不論對錯，單說一下兩者的優缺點。

先說我們的維度模型：

1. 數據冗餘小（因為很多具體的信息都存在相應的維度表中了，比如用戶信息就只有一份）
2. 結構清晰（表結構一目了然）
3. 便於做OLAP分析（數據分析用起來會很開心）
4. 增加使用成本，比如查詢時要關聯多張表
5. 數據不一致，比如用戶發起購買行為的時候的數據，和我們維度表裡面存放的數據不一致

再說我們這張大款表的優缺點：

1. 業務直觀，在做業務的時候，這種表特別方便，直接能對到業務中。
2. 使用方便，寫sql的時候很方便。
3. 數據冗餘巨大，真的很大，在幾億的用戶規模下，他的訂單行為會很恐怖
4. 粒度僵硬，什麼都寫死了，這張表的可復用性太低。

三、使用示例

數據模型的建立必須要為更好的應用來服務，下面我先舉一個例子，來切實地感受一下來怎麼用我們的模型。

需求：求出2016年在帝都的男性用戶購買的LV品牌商品的總價格。

實現：

SELECTn SUM(order.money)n FROMn order,n product,n date,n address,n user,n WHEREn date.year = 2016n AND user.sex = malen AND address.province = 帝都n AND product.name = LVn

0xFF 總結

維度建模是一種十分優秀的建模方式，他有很多的優點，但是我們在實際工作中也很難完全按照它的方式來實現，都會有所取捨，比如說為了業務我們還是會需要一些寬表，有時候還會有很多的數據冗餘。

作者：dantezhao |簡書 | CSDN | GITHUB

推薦閱讀：