本周开始，将针对“数据仓库”这个选题开一个系列，该系列会按照数仓介绍、数仓架构、数仓建模、数仓实践这四个方向，共产出12篇文章。希望通过这些文章，能让大家彻底了解数据仓库，消除大家的所有疑问。本文关键词：数据仓库；数据整合；数据分析
随着互联网的普及，信息技术已经深入到各行各业，并逐步融入到企业的日常运营中。然而，当前企业在信息化建设过程中遇到了一些困境与挑战。1、历史数据积存。过去企业的业务系统往往是在较长时间内建设的，很少进行大面积的改造或者升级，历史数据留存在业务系统中。随着业务的不断增长，历史数据使用频率低，业务数据库中的历史数据越来越多，大量历史数据堆积，从而影响了业务数据库的性能。2、信息系统分散。企业各个部门自己建立的独立数据抽取系统会导致数据不一致，难以进行数据整合，不同系统的数据口径不统一、不规范。这导致了数据结构复杂，开发难度大，分析难以标准化，数据应用难度大。业务数据库面向于业务系统，而数据仓库面向于业务分析。为了满足企业数据分析需要，数据仓库应运而生。数据仓库主要用来对寄存的历史数据进行存储和管理，并使用一些分析方法对数据进行分析和整理（如OLAP、数据分析），从而提供大量数据支持，为企业构建BI打下坚实基础。
1、集成的：原始数据是从多个数据源获得，如文件、数据库等。要将这些来源不同的原始数据整合到一个数据库中，就必须对这些源进行抽取、清洗、转换。2、面向主题的：数据仓库为数据分析提供服务，根据主题将原始数据集合在一起。3、时变性：数据仓库会定期接受、集成新的数据，从而反映出数据的最新变化。4、非易失性：数据仓库中保存的数据是一系列历史快照，一旦进入数据仓库，就不允许被修改。同时，对数据仓库中保存的数据进行查询、分析时，也只能通过专门的工具进行。
数据库是面向事务设计的，主要操作是随机读写。在设计过程中，为了避免冗余，常采用符合范式的规范来设计。数据仓库是面向主题设计的，主要操作为批量读取和写入。数据仓库关注数据整合和分析，会引入冗余，采用反范式的方式进行设计。
传统数据仓库和大数据数据仓库是两种不同类型的数据仓库，需要采用不同的建设方案。传统数据仓库通常是由关系型数据库组成的 MPP （大规模并行处理）集群来进行数据存储和运算，采用一定的数据模型，如星型模型、雪花模型等，来设计数据仓库的结构。但是，随着应用系统的发展，其扩展性受到了很大限制，并且随着业务应用的不断增加，也逐渐产生了一些热点问题。大数据数据仓库通常采用分布式计算技术，如Hadoop、Spark等作为存储和计算引擎，使用工具或编程语言设计处理逻辑，实现对不同数据源的汇聚、清洗、计算和分析。大数据数据仓库利用了大数据天然的扩展性来完成海量数据的存放，同时也把SQL转换成了针对大数据计算引擎的任务，实现数据的分析。虽然大数据数据仓库具有很多优点，但是仍然存在一些挑战和问题：1. SQL的支持率比较低。大数据计算引擎有自己的语言和逻辑，所以有些SQL查询无法很好地转换成它们能够理解的任务。2. 缺少事务支持。因为大数据计算引擎本质上是分布式的，并且数据分散在多个节点上，所以很难实现完整的事务支持。3. 数据量较少时计算速度可能比较慢。大数据数据仓库可以通过计算资源的横向扩展来提高计算速度，所以当数据量较少时，可能需要较长的时间来完成分析。现在企业的信息化建设和数据仓库的构建面临很多挑战，需要根据企业的现状和需要解决的问题，选择合适的方案，不能一蹴而就。很显然在目前的信息时代，借助类似于FineDataLink的这些工具，可以让企业加速融入企业数据集成和分析的趋势。
本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请
点击举报。
