数据仓库分层 - 168大数据

1、介绍

数据仓库更多代表的是一种对数据的管理和使用的方式，它是一整套包括了etl、调度、建模在内的完整的理论体系。现在所谓的大数据更多的是一种数据量级的增大和工具的上的更新。两者并无冲突，相反，而是一种更好的结合。数据仓库在构建过程中通常都需要进行分层处理。业务不同，分层的技术处理手段也不同。

2、为什么要分层

分层的主要原因是在管理数据的时候，能对数据有一个更加清晰的掌控，详细来讲，主要有下面几个原因：

清晰数据结构
每一个数据分层都有它的作用域，这样我们在使用表的时候能更方便地定位和理解。
数据血缘追踪
简单来说，我们最终给业务呈现的是一个能直接使用业务表，但是它的来源有很多，如果有一张来源表出问题了，我们希望能够快速准确地定位到问题，并清楚它的危害范围。
减少重复开发
规范数据分层，开发一些通用的中间层数据，能够减少极大的重复计算。
把复杂问题简单化
将一个复杂的任务分解成多个步骤来完成，每一层只处理单一的步骤，比较简单和容易理解。而且便于维护数据的准确性，当数据出现问题之后，可以不用修复所有的数据，只需要从有问题的步骤开始修复。
屏蔽原始数据的异常
屏蔽业务的影响，不必改一次业务就需要重新接入数据

3、怎样分层

理论上数据分为三个层，数据运营层、数据仓库层和数据产品层。

ODS
Operate data store，操作数据存储，是最接近数据源中数据的一层，数据源中的数据，经过抽取、洗净、传输，也就说传说中的ETL之后，装入本层。本层的数据，总体上大多是按照源头业务系统的分类方式而分类的。
例如这一层可能包含的数据表为：人口表（包含每个人的身份证号、姓名、住址等）、机场登机记录（包含乘机人身份证号、航班号、乘机日期、起飞城市等）、银联的刷卡信息表（包含银行卡号、刷卡地点、刷卡时间、刷卡金额等）、银行账户表（包含银行卡号、持卡人身份证号等）等等一系列原始的业务数据。这里我们可以看到，这一层面的数据还具有鲜明的业务数据库的特征，甚至还具有一定的关系数据库中的数据范式的组织形式。
但是，这一层面的数据却不等同于原始数据。在源数据装入这一层时，要进行诸如去噪（例如去掉明显偏离正常水平的银行刷卡信息）、去重（例如银行账户信息、公安局人口信息中均含有人的姓名，但是只保留一份即可）、提脏（例如有的人的银行卡被盗刷，在十分钟内同时有两笔分别在中国和日本的刷卡信息，这便是脏数据）、业务提取、单位统一、砍字段（例如用于支撑前端系统工作，但是在数据挖掘中不需要的字段）、业务判别等多项工作。
ODS层数据的来源方式：
- 业务库
  经常会使用sqoop来抽取，比如我们每天定时抽取一次。在实时方面，可以考虑用canal监听mysql的binlog，实时接入即可。
- 埋点日志
  线上系统会打入各种日志，这些日志一般以文件的形式保存，我们可以选择用flume定时抽取，也可以用用spark streaming或者storm来实时接入，当然，kafka也会是一个关键的角色。
- 其它数据源
  这和具体的业务相关。
DW
Data warehouse，数据仓库层。在这里，从ODS层中获得的数据按照主题建立各种数据模型。例如以研究人的旅游消费为主题的数据集中，便可以结合航空公司的登机出行信息，以及银联系统的刷卡记录，进行结合分析，产生数据集。在这里，我们需要了解四个概念：维（dimension）、事实（Fact）、指标（Index）和粒度（ Granularity）。
App
该层主要是提供数据产品和数据分析使用的数据，一般会存放在es、mysql等系统中供线上系统使用，也可能会存在Hive或者Druid中供数据分析和数据挖掘使用。比如我们经常说的报表数据，或者说那种大宽表，一般就放在这里。

4、Sqoop数据导入

4.1 常规导入

以追加方式导入数据，指定map并行度是1，字段分隔符为'001'。

[AppleScript] 纯文本查看 复制代码
sqoop import
--append
--connect $CONNECTURL
--username $ORACLENAME
--password $ORACLEPASSWORD
--target-dir $hdfsPath
--num-mappers 1 #使用1个mapper
--table $oralceTableName
--columns $columns
--fields-terminated-by '\001'
4.2 并行导入

如果指定--m为1的话，使用的是1个map进行导入，不能发挥集群的并行计算能力。可以通过增加数量达到同时启动多个mapper个数实现并行导入的目的。

[AppleScript] 纯文本查看 复制代码

sqoop import 

    --append 

    --connect $CONNECTURL 

    --username $ORACLENAME 

    --password $ORACLEPASSWORD 

    --target-dir $hdfsPath  

    --num-mappers 4         #使用4个mapper

    --table $oralceTableName 

    --columns $columns 

    --fields-terminated-by '\001'

    --where "data_desc='2011-02-26'"

注意，并行导入时sqoop会先在主键字段上执行max和min的操作，将所有记录切割成指定的份数，然后再按照每个切片的数据范围进行同时导入。过程大致如下：

[AppleScript] 纯文本查看 复制代码

--查询主键的极值

select max(id) as max, select min(id) as min from table [where 如果指定了where子句];

--按照极值确定各自的处理范围

select * from table where 0 <= id < 250;

select * from table where 250 <= id < 500;

select * from table where 500 <= id < 750;

select * from table where 750 <= id < 1000;

如果数据库没有主键，则需要指定一个能够切割的字段进行处理，并且该字段值具有比较明显的切割线，即极值不能相等，否则无法进行切割。如下所示：

[AppleScript] 纯文本查看 复制代码
sqoop import
--append
--connect $CONNECTURL
--username $ORACLENAME
--password $ORACLEPASSWORD
--target-dir $hdfsPath
--num-mappers 4 #使用4个mapper
--table $oralceTableName
--columns $columns
--fields-terminated-by '\001'
--split-by clientip
--where "data_desc='2011-02-26'"

4.3 增量导入

增量导入有两种方式，按照指定的值和时间戳。本质上就是按照字段类型是整型还是时间戳类型进行导入。只导入比指定的值还大的记录数。增量导入使用于字段值是自增类型或是时间戳自增类型。

[AppleScript] 纯文本查看 复制代码

sqoop import 

    --append 

    --connect $CONNECTURL 

    --username $ORACLENAME 

    --password $ORACLEPASSWORD 

    --target-dir $hdfsPath  

    --num-mappers 4         #使用4个mapper

    --table $oralceTableName 

    --columns $columns 

    --fields-terminated-by '\001'

    --incremental append    #增量数据

    --check-column num_iid  #检查列

    --last-value 0          #最后的值

按时间戳导入：

[AppleScript] 纯文本查看 复制代码

sqoop import 

    --append 

    --connect $CONNECTURL 

    --username $ORACLENAME 

    --password $ORACLEPASSWORD 

    --target-dir $hdfsPath  

    --num-mappers 4         #使用4个mapper

    --table $oralceTableName 

    --columns $columns 

    --fields-terminated-by '\001'

    --incremental lastmodified  #

    --check-column created      #

    --last-value '2012-02-01 11:0:00'