数据仓库数据分层详解

数据仓库中的数据分层是一种重要的数据组织方式，其目的是为了在管理数据时能够对数据有一个更加清晰的掌控。以下是数据仓库中的数据分层详解：

1. 原始数据层（Raw Data Layer）：这是数仓中最底层的层级，用于存储从各个数据源获取的原始数据。这些数据通常是未经处理和清洗的，包括来自数据库、日志文件、传感器等的数据。原始数据层的目的是保留数据的完整性和可追溯性，以备后续的数据处理和分析。
2. 数据清洗层（Data Cleansing Layer）：该层对原始数据进行清洗、去重、转换和标准化等处理。在这一层中，数据质量和一致性是关键考虑因素。清洗后的数据可以更好地支持后续的数据分析和建模。
3. 集成层（Integration Layer）：这一层是将来自不同数据源的数据进行整合和集成的层级。数据被转换为一致的格式和结构，以便于跨数据源的查询和分析。集成层通常包括数据仓库和数据集市等组件，数据被组织为维度和事实表的结构，以支持多维分析和报告。

此外，数据仓库中还有更细化的分层，例如数据明细层（DWD）、数据中间层（DWM）和数据服务层（DWS）等。这些分层使得数据仓库的设计更加复杂和精细，能够更好地满足不同的数据需求。

1、ODS层

数据仓库ODS层，即操作型数据存储层（Operational Data Store），是数据仓库的第一层，主要用来接收和存储数据源系统中的数据，同时保证数据的准确性和完整性。

数据源中的数据，经过ETL（即抽取、转换、装载）过程后，装入本层。这一层中的数据，大多是按照源业务系统的分类方式而分类的。ODS层会对数据进行简单的清洗、去重、格式转换等操作，为后续的数据处理提供基础数据。由于该层是最接近数据源的，因此不建议对该层数据做过多的数据清洗工作。

此外，ODS层的作用还包括支持数据仓库ETL过程，将ODS层中的数据转换为适合DW层使用的格式；支持历史数据追溯，以便用户进行历史趋势分析；以及减轻源系统负担，提高系统性能。

2、DWD层

数据仓库DWD层，即数据仓库明细层（Data Warehouse Detail），是数据处理的核心层，其主要任务是将ODS层中的数据进行清洗、加工、集成、聚合等操作，构建出符合业务需求的数据模型。

DWD层的主要目的是将业务数据库中的数据进行清洗和整合，形成相应的事实表。这些事实表是数据仓库维度建模的核心，紧密围绕业务过程来设计。DWD层会对业务方的整个业务过程进行分析，明确关键的业务步骤，并在满足业务需求的前提下，尽可能设计出更通用的模型。

在DWD层中，主要的事实表有三种类型：事务事实表、周期快照事实表和累积快照事实表。这些事实表为后续的决策层提供了精细化的数据支持。

3、DWB层

数据仓库DWB层，即数据仓库基础层（Data Warehouse Basic），位于数据仓库架构的中间位置，也是数据仓库中最核心的一层。

该层的主要任务是对DWD层中的数据进行进一步的加工和整合，以形成适合于决策分析的数据结构和粒度。在DWB层中，数据被进一步处理以满足不同决策分析需求的数据展示需求。这一层主要包括抽取、转换、加载和归并四个部分，需要对数据进行过滤、排序和校验等处理，以消除重复值并确保数据格式的统一性。同时，DWB层还可以根据不同的维度来建立多维数据模型，以支持灵活的数据查询和分析。

4、DWS层

数据仓库DWS层，即数据仓库服务层（Data Warehouse Service），是数据仓库架构中的关键组成部分，主要用于数据存储、数据处理、数据管理和数据查询。它是数据仓库的核心部分，具备高效的数据管理和存储能力。

在DWS层中，数据通常是按照主题和业务领域进行组织，以方便数据分析和查询。该层主要用于存储和管理数据，通过ETL操作等方式对数据进行加工和处理，为用户提供实时数据服务。此外，DWS层还可以提供各种类型的服务，如数据查询、统计、报表、分析等，以满足业务决策的需求。

从数据存储形式来看，DWS层主要采用列式存储方式，这种方式适合于批量查询和OLAP（联机分析处理）操作。而与之相对的是，ADS层（数据应用服务层）则主要采用行式存储方式，更适合于实时查询和OLTP（联机事务处理）操作。

5、ADS层

数据仓库ADS层，即应用数据服务层（Application Data Store），是数据仓库架构的顶层，主要用于为各种应用提供数据服务。

ADS层一般以业务或者部门来划分库，可以为各个业务线创建一个数据库。该层的数据是基于底层数据（如DWD层或DWS层的数据）生成的业务报表数据，可以直接作为数据仓库的输出，导出到外部的操作型系统中，如MySQL、HBase等。在数据仓库的分层架构中，ADS层是数据应用的最后一层，提供的是结果类型的数据，这些数据可以直接用于展示或进一步的分析。

同时，ADS层的数据抽离分析程度最高，因此是需求最明确的一层。它根据业务需求来决定数据维度和结果，以满足各种应用的数据需求。

数据仓库分层的主要优势包括：

1. 把复杂问题简单化：将复杂的任务分解成多层来完成，每一层只处理简单的任务，方便定位问题。
2. 减少重复计算：规范数据分层，通过的中间层数据，能够减少极大的重复计算，增加一次计算结果的复用性。
3. 隔离原始数据：不论是数据的异常还是数据的敏感性，使真实数据与统计数据解耦开。