数据仓库分层管理
2021-08-08 14:52:15 3 举报
数据仓库分层管理是一种将数据仓库划分为不同层次的方法，以便更好地组织和管理数据。这种方法通常包括以下几个层次：操作数据层、汇总数据层、数据集市层和数据挖掘层。操作数据层包含原始业务数据，汇总数据层包含经过加工和汇总的数据，数据集市层包含特定主题或业务领域的数据，而数据挖掘层则包含通过分析工具挖掘出来的有价值的信息。这种分层管理方法有助于提高数据的可用性和可靠性，同时也便于用户快速找到所需的信息。
作者其他创作
大纲/内容
FlinkAggregate
实时报表服务
DWS
HBase
FlinkETL
MysqlRedisHBase
Kafka
ODS
ClickHouse实时OLAP
数据仓库分层管理图
业务方数据库
恢复历史数据
Hive/Presto
DIM
方案二
读取
相对于方案二： ￮ 增加ODS层落地hive，排查分析原始数据比较方便，恢复历史数据的时候可获取hive数据写入kafka，然后按原流处理的逻辑重新处理即可，只需修改数据源为历史数据对应的topic。 ￮ 需新增kafka写入hive逻辑 ￮ 需新增从hive读取数据写入kafka ￮ 需新增整条链路历史数据对应的topic
方案一
实时数据接口服务
Hive
优点： ￮ 便于数据回溯、重算和数据质量验证。缺点： ￮ 通过批处理重算，需要维护两套代码，开发和维护成本高。 ￮ 需要两套计算资源适用场景： ￮ 超大规模历史数据计算，且这种场景比较频繁。 ￮ 对数据质量要求极高，需要比对实时和离线的计算结果，甚至利用离线去修正实时的计算结果。
优点： ￮ 无需维护两套代码，开发迭代速度快。 ￮ 数据回溯和重算方便，重算时间根据需求回溯的时间范围定。 ￮ 只需流计算资源，资源占用小缺点： ￮ ODS\\DWD部分数据“不可见”，原始数据和中间数据不便于查询（解决方案：可通过重新消费指定时间范围的数据查询，或导入需要的数据到olap引擎） ￮ 依赖业务端反馈问题（解决方案：设计数据质量监控指标，实时监控报警）适用场景： ODS\\DWD查询不频繁等
DWD
写入
0 条评论
回复 删除
下一页
