大數(shù)據(jù)環(huán)境下該如何優(yōu)雅地設計數(shù)據(jù)分層

最近出現(xiàn)了好幾次同樣的對話場景：

問：你是做什么的？
答：最近在搞數(shù)據(jù)倉庫。
問：哦，你是傳統(tǒng)行業(yè)的吧，我是搞大數(shù)據(jù)的。
答：......
發(fā)個牢騷，搞大數(shù)據(jù)的也得建設數(shù)據(jù)倉庫吧。而且不管是傳統(tǒng)行業(yè)還是現(xiàn)在的互聯(lián)網(wǎng)公司，都需要對數(shù)據(jù)倉庫有一定的重視，而不是談一句自己是搞大數(shù)據(jù)的就很厲害了。數(shù)據(jù)倉庫更多代表的是一種對數(shù)據(jù)的管理和使用的方式，它是一整套包括了etl、調(diào)度、建模在內(nèi)的完整的理論體系?，F(xiàn)在所謂的大數(shù)據(jù)更多的是一種數(shù)據(jù)量級的增大和工具的上的更新。 兩者并無沖突，相反，而是一種更好的結(jié)合。
話說，單純用用hadoop、Spark、Flume處理處理數(shù)據(jù)，其實只是學會幾種新的工具，這是搞工具的，只是在數(shù)據(jù)倉庫中etl中的一部分。
當然，技術(shù)的更新往往能領到一個時代的變革，比如Hadoop的誕生，光是深入研究一個大數(shù)據(jù)組件就要花很大的時間和精力。但是在熱潮冷卻之后，我們更應該考慮地是如何更好地管理和使用自己的數(shù)據(jù)。
對于數(shù)據(jù)的從業(yè)者來講，要始終重視緊跟技術(shù)的變革，但是切記數(shù)據(jù)為王，在追求技術(shù)的極致的時候，不要忘了我們是搞數(shù)據(jù)的。
文章主題
吐槽完畢，本文主要講解數(shù)據(jù)倉庫的一個重要環(huán)節(jié)：如何設計數(shù)據(jù)分層！，其它關于數(shù)據(jù)倉庫的內(nèi)容可參考其它的文章數(shù)據(jù)倉庫
本文對數(shù)據(jù)分層的討論適合下面一些場景，超過該范圍場景 or 數(shù)據(jù)倉庫經(jīng)驗豐富的大神就不必浪費時間看了。
數(shù)據(jù)建設剛起步，大部分的數(shù)據(jù)經(jīng)過粗暴的數(shù)據(jù)接入后就直接對接業(yè)務。
數(shù)據(jù)建設發(fā)展到一定階段，發(fā)現(xiàn)數(shù)據(jù)的使用雜亂無章，各種業(yè)務都是從原始數(shù)據(jù)直接計算而得。
各種重復計算，嚴重浪費了計算資源，需要優(yōu)化性能。
文章結(jié)構(gòu)
最初在做數(shù)據(jù)倉庫的時候遇到了很多坑，由于自身資源有限，接觸數(shù)據(jù)倉庫的時候，感覺在互聯(lián)網(wǎng)行業(yè)里面的數(shù)據(jù)倉庫成功經(jīng)驗很少，網(wǎng)上很難找到比較實踐性強的資料。而那幾本經(jīng)典書籍里面又過于理論，折騰起來真是生不如死。還好現(xiàn)在過去了那個坎，因此多花一些時間整理自己的思路，幫助其他的小伙伴少踩一些坑。
為什么要分層？這個問題被好幾個同學質(zhì)疑過。因此分層的價值還是要說清楚的。
分享一下經(jīng)典的數(shù)據(jù)分層模型，以及每一層的數(shù)據(jù)的作用和如何加工得來。
分享兩個數(shù)據(jù)分層的設計，通過這兩個實際的例子來說明每一層該怎么存數(shù)據(jù)。
給出一些建議，不是最好的，但是可以做參考。

0x01 為什么要分層
我們對數(shù)據(jù)進行分層的一個主要原因就是希望在管理數(shù)據(jù)的時候，能對數(shù)據(jù)有一個更加清晰的掌控，詳細來講，主要有下面幾個原因：


清晰數(shù)據(jù)結(jié)構(gòu)：每一個數(shù)據(jù)分層都有它的作用域，這樣我們在使用表的時候能更方便地定位和理解。
數(shù)據(jù)血緣追蹤：簡單來講可以這樣理解，我們最終給業(yè)務誠信的是一能直接使用的張業(yè)務表，但是它的來源有很多，如果有一張來源表出問題了，我們希望能夠快速準確地定位到問題，并清楚它的危害范圍。
減少重復開發(fā)：規(guī)范數(shù)據(jù)分層，開發(fā)一些通用的中間層數(shù)據(jù)，能夠減少極大的重復計算。
把復雜問題簡單化。講一個復雜的任務分解成多個步驟來完成，每一層只處理單一的步驟，比較簡單和容易理解。而且便于維護數(shù)據(jù)的準確性，當數(shù)據(jù)出現(xiàn)問題之后，可以不用修復所有的數(shù)據(jù)，只需要從有問題的步驟開始修復。
屏蔽原始數(shù)據(jù)的異常。
屏蔽業(yè)務的影響，不必改一次業(yè)務就需要重新接入數(shù)據(jù)。

數(shù)據(jù)體系中的各個表的依賴就像是電線的流向一樣，我們都希望它是很規(guī)整，便于管理的。但是，最終的結(jié)果大多是第一幅圖，而非第二幅圖。






0x02 怎樣分層理論
我們從理論上來做一個抽象，可以把數(shù)據(jù)倉庫分為下面三個層，即：數(shù)據(jù)運營層、數(shù)據(jù)倉庫層和數(shù)據(jù)產(chǎn)品層。

1. ODS全稱是Operational Data Store，操作數(shù)據(jù)存儲
“面向主題的”，數(shù)據(jù)運營層，也叫ODS層，是最接近數(shù)據(jù)源中數(shù)據(jù)的一層，數(shù)據(jù)源中的數(shù)據(jù)，經(jīng)過抽取、洗凈、傳輸，也就說傳說中的ETL之后，裝入本層。本層的數(shù)據(jù)，總體上大多是按照源頭業(yè)務系統(tǒng)的分類方式而分類的。
例如這一層可能包含的數(shù)據(jù)表為：人口表（包含每個人的身份證號、姓名、住址等）、機場登機記錄（包含乘機人身份證號、航班號、乘機日期、起飛城市等）、銀聯(lián)的刷卡信息表（包含銀行卡號、刷卡地點、刷卡時間、刷卡金額等）、銀行賬戶表（包含銀行卡號、持卡人身份證號等）等等一系列原始的業(yè)務數(shù)據(jù)。這里我們可以看到，這一層面的數(shù)據(jù)還具有鮮明的業(yè)務數(shù)據(jù)庫的特征，甚至還具有一定的關系數(shù)據(jù)庫中的數(shù)據(jù)范式的組織形式。
但是，這一層面的數(shù)據(jù)卻不等同于原始數(shù)據(jù)。在源數(shù)據(jù)裝入這一層時，要進行諸如去噪（例如去掉明顯偏離正常水平的銀行刷卡信息）、去重（例如銀行賬戶信息、公安局人口信息中均含有人的姓名，但是只保留一份即可）、提臟（例如有的人的銀行卡被盜刷，在十分鐘內(nèi)同時有兩筆分別在中國和日本的刷卡信息，這便是臟數(shù)據(jù)）、業(yè)務提取、單位統(tǒng)一、砍字段（例如用于支撐前端系統(tǒng)工作，但是在數(shù)據(jù)挖掘中不需要的字段）、業(yè)務判別等多項工作。
2. 數(shù)據(jù)倉庫層(DW)，是數(shù)據(jù)倉庫的主體
在這里，從ODS層中獲得的數(shù)據(jù)按照主題建立各種數(shù)據(jù)模型。例如以研究人的旅游消費為主題的數(shù)據(jù)集中，便可以結(jié)合航空公司的登機出行信息，以及銀聯(lián)系統(tǒng)的刷卡記錄，進行結(jié)合分析，產(chǎn)生數(shù)據(jù)集。在這里，我們需要了解四個概念：維（dimension）、事實（Fact）、指標（Index）和粒度（ Granularity）。
3. 數(shù)據(jù)產(chǎn)品層（APP），這一層是提供為數(shù)據(jù)產(chǎn)品使用的結(jié)果數(shù)據(jù)
在這里，主要是提供給數(shù)據(jù)產(chǎn)品和數(shù)據(jù)分析使用的數(shù)據(jù)，一般會存放在es、mysql等系統(tǒng)中供線上系統(tǒng)使用，也可能會存在Hive或者Druid中供數(shù)據(jù)分析和數(shù)據(jù)挖掘使用。
比如我們經(jīng)常說的報表數(shù)據(jù)，或者說那種大寬表，一般就放在這里。
技術(shù)實踐
這三層技術(shù)劃分，相對來說比較粗粒度，后面我們會專門細分一下。在此之前，先聊一下每一層的數(shù)據(jù)一般都是怎么流向的。這里僅僅簡單介紹幾個常用的工具，側(cè)重中開源界主流。
1. 數(shù)據(jù)來源層--> ODS層
這里其實就是我們現(xiàn)在大數(shù)據(jù)技術(shù)發(fā)揮作用的一個主要戰(zhàn)場。 我們的數(shù)據(jù)主要會有兩個大的來源：
業(yè)務庫，這里經(jīng)常會使用sqoop來抽取，比如我們每天定時抽取一次。在實時方面，可以考慮用canal監(jiān)聽mysql的binlog，實時接入即可。
埋點日志，線上系統(tǒng)會打入各種日志，這些日志一般以文件的形式保存，我們可以選擇用flume定時抽取，也可以用用spark streaming或者storm來實時接入，當然，kafka也會是一個關鍵的角色。
其它數(shù)據(jù)源會比較多樣性，這和具體的業(yè)務相關，不再贅述。

注意： 在這層，理應不是簡單的數(shù)據(jù)接入，而是要考慮一定的數(shù)據(jù)清洗，比如異常字段的處理、字段命名規(guī)范化、時間字段的統(tǒng)一等，一般這些很容易會被忽略，但是卻至關重要。特別是后期我們做各種特征自動生成的時候，會十分有用。后續(xù)會有文章來分享。
2. ODS、DW --> App層
這里面也主要分兩種類型：
每日定時任務型：比如我們典型的日計算任務，每天凌晨算前一天的數(shù)據(jù)，早上起來看報表。 這種任務經(jīng)常使用Hive、Spark或者生擼MR程序來計算，最終結(jié)果寫入Hive、Hbase、Mysql、Es或者Redis中。
實時數(shù)據(jù)：這部分主要是各種實時的系統(tǒng)使用，比如我們的實時推薦、實時用戶畫像，一般我們會用Spark Streaming、Storm或者Flink來計算，最后會落入Es、Hbase或者Redis中。
0x03 舉個例子
網(wǎng)上的例子很多，就不列了，只舉個筆者早期參與設計的數(shù)據(jù)分層例子。分析一下當初的想法，以及這種設計的缺陷。上原圖。
此處@Ruby大神。現(xiàn)實是我只是個打醬油的。盜圖、盜思想。

當初的設計總共分了6層，其中去掉元數(shù)據(jù)后，還有5層。下面分析一下當初的一個設計思路。

緩沖層(buffer)
概念：又稱為接口層（stage），用于存儲每天的增量數(shù)據(jù)和變更數(shù)據(jù)，如Canal接收的業(yè)務變更日志。
數(shù)據(jù)生成方式：直接從kafka接收源數(shù)據(jù)，需要業(yè)務表每天生成update,delete,inseret數(shù)據(jù)，只生成insert數(shù)據(jù)的業(yè)務表，數(shù)據(jù)直接入明細層
討論方案：只把canal日志直接入緩沖層，如果其它有拉鏈數(shù)據(jù)的業(yè)務，也入緩沖層。
日志存儲方式：使用impala外表，parquet文件格式，方便需要MR處理的數(shù)據(jù)讀取。
日志刪除方式：長久存儲，可只存儲最近幾天的數(shù)據(jù)。討論方案：直接長久存儲
表schema：一般按天創(chuàng)建分區(qū)
庫與表命名。庫名：buffer,表名：初步考慮格式為：buffer_日期_業(yè)務表名,待定。
明細層（ODS, Operational Data Store,DWD: data warehouse detail）
概念：是數(shù)據(jù)倉庫的細節(jié)數(shù)據(jù)層，是對STAGE層數(shù)據(jù)進行沉淀，減少了抽取的復雜性，同時ODS/DWD的信息模型組織主要遵循企業(yè)業(yè)務事務處理的形式，將各個專業(yè)數(shù)據(jù)進行集中，明細層跟stage層的粒度一致，屬于分析的公共資源
數(shù)據(jù)生成方式：部分數(shù)據(jù)直接來自kafka，部分數(shù)據(jù)為接口層數(shù)據(jù)與歷史數(shù)據(jù)合成。
canal日志合成數(shù)據(jù)的方式待研究。
討論方案：canal數(shù)據(jù)的合成方式為：每天把明細層的前天全量數(shù)據(jù)和昨天新數(shù)據(jù)合成一個新的數(shù)據(jù)表，覆蓋舊表。同時使用歷史鏡像，按周/按月/按年 存儲一個歷史鏡像到新表。
日志存儲方式：直接數(shù)據(jù)使用impala外表，parquet文件格式，canal合成數(shù)據(jù)為二次生成數(shù)據(jù)，建議使用內(nèi)表，下面幾層都是從impala生成的數(shù)據(jù)，建議都用內(nèi)表+靜態(tài)/動態(tài)分區(qū)。
日志刪除方式：長久存儲。
表schema：一般按天創(chuàng)建分區(qū)，沒有時間概念的按具體業(yè)務選擇分區(qū)字段。
庫與表命名。庫名：ods,表名：初步考慮格式為ods_日期_業(yè)務表名,待定。
舊數(shù)據(jù)更新方式：直接覆蓋
輕度匯總層(MID或DWB, data warehouse basis)
概念：輕度匯總層數(shù)據(jù)倉庫中DWD層和DM層之間的一個過渡層次，是對DWD層的生產(chǎn)數(shù)據(jù)進行輕度綜合和匯總統(tǒng)計（可以把復雜的清洗，處理包含，如根據(jù)PV日志生成的會話數(shù)據(jù)）。輕度綜合層與DWD的主要區(qū)別在于二者的應用領域不同，DWD的數(shù)據(jù)來源于生產(chǎn)型系統(tǒng)，并未滿意一些不可預見的需求而進行沉淀；輕度綜合層則面向分析型應用進行細粒度的統(tǒng)計和沉淀
數(shù)據(jù)生成方式：由明細層按照一定的業(yè)務需求生成輕度匯總表。明細層需要復雜清洗的數(shù)據(jù)和需要MR處理的數(shù)據(jù)也經(jīng)過處理后接入到輕度匯總層。
日志存儲方式：內(nèi)表，parquet文件格式。
日志刪除方式：長久存儲。
表schema：一般按天創(chuàng)建分區(qū)，沒有時間概念的按具體業(yè)務選擇分區(qū)字段。
庫與表命名。庫名：dwb,表名：初步考慮格式為：dwb_日期_業(yè)務表名,待定。
舊數(shù)據(jù)更新方式：直接覆蓋
主題層（DM，date market或DWS, data warehouse service）
概念：又稱數(shù)據(jù)集市或?qū)挶?。按照業(yè)務劃分，如流量、訂單、用戶等，生成字段比較多的寬表，用于提供后續(xù)的業(yè)務查詢，OLAP分析，數(shù)據(jù)分發(fā)等。
數(shù)據(jù)生成方式：由輕度匯總層和明細層數(shù)據(jù)計算生成。
日志存儲方式：使用impala內(nèi)表，parquet文件格式。
日志刪除方式：長久存儲。
表schema：一般按天創(chuàng)建分區(qū)，沒有時間概念的按具體業(yè)務選擇分區(qū)字段。
庫與表命名。庫名：dm,表名：初步考慮格式為：dm_日期_業(yè)務表名,待定。
舊數(shù)據(jù)更新方式：直接覆蓋
應用層(App)
概念：應用層是根據(jù)業(yè)務需要，由前面三層數(shù)據(jù)統(tǒng)計而出的結(jié)果，可以直接提供查詢展現(xiàn)，或?qū)胫罬ysql中使用。
數(shù)據(jù)生成方式：由明細層、輕度匯總層，數(shù)據(jù)集市層生成，一般要求數(shù)據(jù)主要來源于集市層。
日志存儲方式：使用impala內(nèi)表，parquet文件格式。
日志刪除方式：長久存儲。
表schema：一般按天創(chuàng)建分區(qū)，沒有時間概念的按具體業(yè)務選擇分區(qū)字段。
庫與表命名。庫名：暫定apl，另外根據(jù)業(yè)務不同，不限定一定要一個庫。
舊數(shù)據(jù)更新方式：直接覆蓋
0x04 如何更優(yōu)雅一些
前面提到的一種設計其實相對來講已經(jīng)很詳細了，但是可能層次會有一點點多，而且在區(qū)分一張表到底該存放在什么位置的時候可能還有一點點疑惑。 我們在這一章里再設計一套數(shù)據(jù)倉庫的分層，同時在前面的基礎上加上維表和一些臨時表的考慮，來讓我們的方案更優(yōu)雅一些。
下圖，做了一些小的改動，我們?nèi)サ袅松弦还?jié)的Buffer層，把數(shù)據(jù)集市層和輕度匯總層放在同一個層級上，同時獨立出來了維表和臨時表。
這里解釋一下DWS、DWD、DIM和TMP的作用。
DWS：輕度匯總層，從ODS層中對用戶的行為做一個初步的匯總，抽象出來一些通用的維度：時間、ip、id，并根據(jù)這些維度做一些統(tǒng)計值，比如用戶每個時間段在不同登錄ip購買的商品數(shù)等。這里做一層輕度的匯總會讓計算更加的高效，在此基礎上如果計算僅7天、30天、90天的行為的話會快很多。我們希望80%的業(yè)務都能通過我們的DWS層計算，而不是ODS。
DWD：這一層主要解決一些數(shù)據(jù)質(zhì)量問題和數(shù)據(jù)的完整度問題。比如用戶的資料信息來自于很多不同表，而且經(jīng)常出現(xiàn)延遲丟數(shù)據(jù)等問題，為了方便各個使用方更好的使用數(shù)據(jù)，我們可以在這一層做一個屏蔽。
DIM：這一層比較單純，舉個例子就明白，比如國家代碼和國家名、地理位置、中文名、國旗圖片等信息就存在DIM層中。

TMP：每一層的計算都會有很多臨時表，專設一個DWTMP層來存儲我們數(shù)據(jù)倉庫的臨時表。

0xFF 總結(jié)
數(shù)據(jù)分層是數(shù)據(jù)倉庫非常重要的一個環(huán)節(jié)，它決定的不僅僅是一個層次的問題，還直接影響到后續(xù)的血緣分析、特征自動生成、元數(shù)據(jù)管理等一系列的建設。因此適于盡早考慮。
另外，每一層的名字不必太過在意，自己按照喜好就好。
本文分享了筆者自己對數(shù)據(jù)倉庫的一些理解和想法，不一定十分準確，有什么問題可以多交流。
初步估計在數(shù)據(jù)倉庫方面，應該還會有三個主題分享：血緣分析、特征自動生成、元數(shù)據(jù)管理。分享完成之后，數(shù)據(jù)倉庫相關的就告一段落了。