数据仓库原理：数据仓库系统的体系结构

1. 引言

在上一篇，笔者介绍了数据仓库的定义：

“数据仓库是一个面向主题的、集成的、不可更新的、随时间不断变化的用来更好地支持企业或组织决策分析的数据集合。”

数据仓库是区别于传统操作型数据库的数据集合，主要应用于分析型数据操作，支持企业全局的决策分析。但是要实现这一应用目的，单一的数据仓库是无法完成的，需要建立一个数据仓库系统。

基于数据仓库系统，完成数据从操作型数据库等数据源到数据仓库或者数据集市的流动、传输，以支持前台的决策分析处理工作。

2. 数据仓库系统的体系结构

一个典型的数据仓库系统的体系结构图，如下所示。

数据仓库系统的体系结构图

简单地说，数据从操作型数据库、文件、网络等数据源，通过ETL集成工具进行数据抽取、清洗、转换、加载等工作，进入到数据仓库和数据集市中，进而通过OLAP服务器支持前台的多维分析、查询报表、数据挖掘等操作。

3. 组成要素

数据仓库系统是由数据源、集成工具、数据仓库与数据仓库服务器、OLAP服务器、元数据与元数据管理工具、数据集市和前台分析工具等组成。

（1）数据源：

数据源就是提供初始数据的地方，是数据仓库系统的基础。通常包括企业内部数据和外部数据。内部数据包括各种操作型数据库中的数据以及文档数据，外部数据包括各类法律法规、市场信息、竞争对手信息以及各种统计数据和文档。

（2）集成工具：

即ETL工具。ETL是的缩写，包括数据抽取()、数据清洗()、数据转换()、数据加载()等工作。具体地说：

数据抽取，就是从不同数据源中选择数据仓库所需要的数据。这些数据可能具有的特点是：来自不同平台、不同结构、不同类型等。

数据清洗，由于数据来自于不同的数据源，因此数据质量难以保证，比如存在数据不一致性、量纲不同、值缺失等情况，就需要对抽取到的数据进行清洗。

数据转换，就是将面向应用的数据转换成面向主题的数据。

什么是面向主题的数据？在上一篇博文第6节已经介绍到

数据加载，就是将数据装入到数据仓库中。

补充：ETL工作是BI/DW项目的核心和灵魂，它按照统一的规则集成并提高数据的价值，是负责完成数据从数据源向目标数据仓库转化的过程，是实施数据仓库的重要步骤。如果说数据仓库的模型设计是一座大厦的设计蓝图，数据是砖瓦的话，那么ETL就是建设大厦的过程。在整个项目中最难部分是用户需求分析和模型设计，而ETL规则设计和实施则是工作量最大的，约占整个项目的60%～80%，这是国内外从众多实践中得到的普遍共识。

（3）数据仓库服务器：

数据仓库服务器负责管理数据仓库中的数据，为整个企业的数据分析提供一个完整的、统一的视图。

（4）OLAP服务器：

使用OLAP服务器对分析需要的数据按照多维数据模型进行再次重组，以支持用户多角度、多层级的数据分析。

（5）数据集市：

数据集市是一个小型的数据仓库，通常具有较少的主题域，是部门级的数据仓库，面向部门级的应用。

（6）前台分析工具：

包括各种数据分析工具，如报表工具、OLAP分析工具、数据挖掘工具。各种分析工具既可以从数据仓库中获取数据，还可以从数据集市中获取数据。

（7）元数据：

元数据就是整个数据仓库的所有描述性信息，即关于数据的数据。ETL负责建立元数据。

总结：数据从数据源到将最终的分析结果呈现给用户，需要经历以下几个过程： ① 从各种数据源中抽取合适的、需要的数据； ② 对数据进行清洗、加工、转换、重构等预处理工作； ③ 建立高效、海量的企业数据仓库（）； ④ 针对特定的分析主题，建立专门的数据集市（）； ⑤ 针对特定的业务需要，创建前端数据展现应用，或者开展专题分析项目。

4. 数据集市

（1）数据集市的定义：

数据集市就是面向部门或者应用的小型数据仓库，相比企业级数据仓库，具有较少的主题域。

（2）数据集市的分类：

按照数据的获取方式，将数据集市分为从属型数据集市和独立型数据集市。

从属型数据集市就是从中央数据仓库中获取数据，这类数据集市之间是互连的。

独立型数据集市就是直接从操作型数据库等数据源中获取数据，这类数据集市之间没有联系，是相互独立的。

（3）两种建立数据集市的思想：

两种数据集市对应着两种建立数据集市的思想，即“自顶向下”和“自底向上”的思想。

“自顶向下”就是先创建一个中央数据仓库，然后按照各个特定部门的特定需求建立多个从属型的数据集市。

“自底向上”就是先以最少的投资，根据部门的实际需要，创建多个独立的数据集市，然后不断扩充、不断完善，最终形成一个中央数据仓库。

（4）数据集市的作用：

数据集市一般包含着某一特定业务内容的数据，因此可以按照业务的分类来组织，当然也可以按照数据仓库的主题、地理位置、企业部门来组织。这样，数据集市就可以满足企业、部门、个人不同层次、不同范围的人员对数据的需求。

数据集市可以分布在不同的物理平台上，也可以逻辑分布在同一物理平台上。

（5）数据集市与数据仓库的区别：

数据集市是按照部门或者业务分类进行组织的小型数据仓库，而数据仓库则是面向整个企业的。二者的不同，一是主题域的不同，二是数据规模的不同，三是访问效率的不同。

5. 元数据

（1）元数据的定义：

元数据就是关于数据的数据。关系型数据库中的就是元数据的一种。

（2）元数据的作用：

元数据描述数据的结构、来源、抽取和转换规则、存储，描述操纵数据的进程和应用程序的结构、功能等。其主要目的就是提供数据资源的全面指南，使数据仓库管理员和开发人员能够清楚的了解到数据存放在哪里、有什么数据、来源于哪里、如何使用和管理这些数据。

（3）元数据的分类：

按照使用元数据的用户分类，可以分为技术元数据和业务元数据。技术元数据描述数据的技术细节，主要提供给开发人员和管理人员；业务元数据主要是让业务人员能够明白数据仓库中的数据。

按照来源的正式程度分类，分为正式元数据和非正式元数据，前者是经过讨论并由决策者确定的元数据，后者是一些规范、制度、常识组成，没有标准的形式。

按照功能分类，分为数据源元数据、ETL元数据、ODS元数据、DW元数据、报表元数据、接口数据文件格式元数据、商业元数据。

6. 参考文献

[1] 数据仓库(原书第4版)，William H.Inmon著，王志海等译，机械工业出版社，2006.8

[2] 数据仓库与数据分析教程，王珊等编著，高等教育出版社，2012.8

[3] 博文：系统设计与架构笔记:ETL工具开发和设计的建议