数据仓库

什么时候需要用到数据仓库？

一个公司里面不同项目可能用到不同的数据源，有的存在MySQL里面，又的存在MongoDB里面，甚至还有些要做第三方数据。

但是现在又想把数据整合起来，进行数据分析。此时数据仓库(Data Warehouse，DW)就派上用场了。它可以对多种业务数据进行筛选和整合，可以用于数据分析、数据挖掘、数据报表。

image.png

数据仓库的特点

• 主题性：数据仓库是针对某个主题来进行组织，比如滴滴出行，司机行为分析就是一个主题，所以可以将多种不同的数据源进行整合。而传统的数据库主要针对某个项目而言，数据相对分散和孤立。
• 集成性：
  数据仓库需要将多个数据源的数据存到一起，但是这些数据以前的存储方式不同，所以需要经过抽取、清洗、转换的过程
• 稳定性：保存的数据是一系列历史快照，不允许修改，只能分析。
• 时变性：会定期接收到新的数据，反应出最新的数据变化。

总的来说，数据仓库是将多个数据源的数据按照一定的主题集成起来，因为之前的数据各不相同，所以需要抽取、清洗、转换。

整合以后的数据不允许随便修改，只能分析，还需要定期更新。

ETL

上面我们说过，数据仓库接收的数据源是不同的，要做集成的话，需要抽取、清洗、转换三个步骤，这就是ETL(Extract-Transform-Load)

• Extract：数据抽取，就是把数据从数据源读出来
• Transform：数据转换，就是把数据转换为特定的格式

• Load：数据加载，把处理后的数据加载到目标处。

  
  image.png

主流的数据仓库

国内最常用的是一款基于Hadoop的开源数据仓库，名为Hive，它可以对存储在HDFS的文件数据进行查询、分析。

Hive对外可以提供HiveQL，这是类似于SQL语言的一种查询语言。在查询时可以将HiveQL语句转换为MapReduce任务，在Hadoop层进行执行。

Hive的最大优势在于免费，那其他知名的商业数据仓库有那些呢？比如Oracle,DB2，其中业界老大是Teradata

Teradata数据仓库支持大规模并行处理平台(MPP)，可以高速处理海量实际上，性能远远高于Hive。对企业来说，只需要专注于业务，节省管理技术方面的精力，实现ROI（投资回报率）最大化。

image.png

Hive

上面提到了Hive是最著名的开源数据仓库，它是Hadoop生态中一个重要的组件。

Hadoop的生态中，HDFS解决了分布式存储的问题，MapReduce解决了分布式计算的问题，而HBASE则提供了一种NoSQL的存储方法。

但是如果需要的HDFS上的文件或者HBASE的表进行查询，需要自定义MapReduce方法。那么Hive其实就是在HDFS上面的一个中间层，它可以让业务人员直接使用SQL进行查询。

所以Hive是用进行数据提取转换加载的，而且它可以把SQL转换为MapReduce任务，而Hive的表就是HDFS的目录或者文件。

Hive的体系架构

image.png

上图为Hive的体系结构

• 首先是接入Hive的客户端，可以通过CLI命令行方式，也可以是Hive的Client直接连接到Hive Server中。还可以是Web浏览器直接访问

• 之前我们提到过Hive的表就是HDFS中的一个文件，所以Hive还会将表的相关属性单独列出来，为了方便检索，可以存放在MySQL、derby等数据库里面。

  这些数据就是元数据信息，比如表是否为外部表，数据存放在哪个目录等等。

  Hive和MySQL既可以在同一台服务器上，又可以在不同的机器上。

• 另外Hive还需要对SQL语句进行解析，所以和数据库一样，它也有解释器、编译器、优化器等等，而且还会生成查询计划，存储在HDFS中，然后由MapReduce进行调用。

image.png

Hive的数据模型

Hive主要包含以下几种数据模型：

• Hive数据库：类似于传统数据库

• 内部表，与传统数据库的Table一样，每个Table都在Hive中有一个目录进行对应。删除表时，元数据和保存的实际数据都会删除掉

• 外部表：

  外部表就类似于一个快捷方式或者说一个指针，指向HDFS已经存在的数据。

• Partition：也就是对列进行密集索引

• 桶：

  Hive的桶是对表的每一列进行Hash，然后根据Hash值切分数据，这样每一个Bucket对应一个文件。

• 视图：与传统数据库类似，是一个逻辑的表。

image.png

参考

本文为什么是数据仓库？的笔记