一、前言
上一篇分享博文《数据仓库专题(3)--分布式数据仓库事实表设计思考》后,陆续有各位兄弟参加大讨论,提出了各种问题,关于分布式环境下,维表和事实表设计,进行了比较深入的探讨,在此汇集整理,分享给大家。希望能有更多人参与尽力啊,共同探索分布式数据仓库数据模型的设计。
二、纪要
【活跃】北京-RTB-胖哥(1106110976) 10:21:36
分布式模式下事实表设计思考:
做大做强事实表,做小做弱维表;
【冒泡】杭州-电子病历<ruanjizhou@qq.com> 10:23:31
能举例子说明吗? 您这句话,我似懂非懂,但是确实在临床上又有非常多的问题存在。
【潜水】厦门-BI-锅盖(584249213) 10:25:58
胖哥,我看了你博客,这点确实不太理解。你是指只有唯一值的维度直接合并到事实表吗?
【潜水】bomb(4684895) 10:26:45
但是这样做会有个问题,导致事实表变的更大
【潜水】bomb(4684895) 10:27:20
我觉得比较好的方式是使用列存储数据库,列存储数据库对于聚合计算是有很大优势的
【冒泡】杭州-电子病历 10:31:37
@厦门-BI-锅盖 胖哥的博客,您在哪里看的?方便发博客地址我吗?
【潜水】厦门-BI-锅盖(584249213) 10:32:43
现在列存储的厂家就SAP HANA,Oracle Exadata,不多而且比较贵
【潜水】厦门-BI-锅盖(584249213) 10:33:06
http://www.flybi.net/blog/hadoopdev/3158
【潜水】厦门-BI-锅盖(584249213) 10:33:26
分布式模式-维度建模新原则
(1)以值代键:针对键值唯一的维表,除非必要,否则不引入维表,如IP地址维表,采用IP作为维表的主键,事实表中存储IP值;
(2)合理分表:传统关系型数据仓库存在多表整合的冲动,如上图Event事实表,各种Acount Ind,Finance Ind等,用来扩展表的通用性,试图把所有的数据都存储到一张表 中。分布式数据仓库的设计,恰恰相反,因为单表数据规模的问题,如果要满足分析和处理的性能,合理的按照业务进行数据的分表存储。如财务相关事件、账户相关事件,单独成表。更有利于数据的计算和分析。
【冒泡】南京-电商-凌云 10:38:34
列存储数据库 只是在平台层面考虑的问题,但是对于海量数据的时候,在模型上面还是要有一定的考量的
【冒泡】南京-电商-凌云 10:41:29
@北京-RTB-胖哥 分布式数据仓库 在架构层面是如何设计的?
【活跃】北京-RTB-胖哥(1106110976) 10:43:13
架构,具体知识技术脚骨
【活跃】北京-RTB-胖哥(1106110976) 10:43:20
架构还是数据架构
【活跃】北京-RTB-胖哥(1106110976) 10:43:24
是两个不同的问题。
【潜水】bomb(4684895) 10:43:50
sql
【潜水】bomb(4684895) 10:44:00
sql server 也有列存储了
【活跃】北京-RTB-胖哥(1106110976) 10:44:03
事实表不变,也大。因为海量数据情况下,单表的容积都是百亿级别的。
【活跃】北京-RTB-胖哥(1106110976) 10:44:38
Hive的分表,前提是你分表周期内的数据,都已经达到百亿级别的情况。
【活跃】北京-RTB-胖哥(1106110976) 10:45:13
主要是分布式列式数据库,维表不能大,大了的话,内存消费不起呢。
【冒泡】南京-电商-凌云 10:46:26
维表不能太,是不是意味着维表就要做分表策略呢?
【冒泡】南京-电商-凌云 10:47:36
那就是维度设计考虑的问题,维度的层次是不是要多一些
【冒泡】南京-电商-凌云 10:48:03
(1)以值代键:针对键值唯一的维表,除非必要,否则不引入维表,如IP地址维表,采用IP作为维表的主键,事实表中存储IP值;
【冒泡】南京-电商-凌云 10:48:35
在这里考虑的主键的作用是什么?
【冒泡】南京-电商-凌云 10:54:10
@北京-RTB-胖哥 是数据架构
【活跃】北京-RTB-胖哥(1106110976) 10:55:59
首先IP不重复,可以承担维表中的主键,其次,IP作为事实表重的维度FK,如果只是针对IP地址的数值统计,可以不引入IP维表
【活跃】北京-RTB-胖哥(1106110976) 10:56:07
FK值就是IP地址。
【冒泡】南京-电商-凌云 10:58:27
但是如果是IP作为一个维表的话,那么主键是不是IP地址 没有关系啊,因为你在事实表中还是要引用IP维表的主键作为FK,同样可以基于IP维表的主键做数量统计的
【潜水】bomb(4684895) 11:00:19
这样的情况,事实表也就是IP的维度表,自然不再需要IP的维度表
【冒泡】南京-电商-凌云 11:00:31
不对
【冒泡】南京-电商-凌云 11:01:13
事实表中不仅包括IP,还有其他的维度信息啊
【潜水】bomb(4684895) 11:01:52
恩,我明白胖哥的意思
【冒泡】南京-电商-凌云 11:02:12
对于IP维度来讲的话,他的也是有层次的,比如国内IP,国外IP,不同电信运营商线路的IP
【潜水】bomb(4684895) 11:02:53
这样的情况我认为一般不会出现,就像一个销售记录中有订单号,我们通常不会用订单号做维度
【冒泡】南京-电商-凌云 11:03:00
是不是可以把IP地址理解成一种伪度量去考量的
【潜水】bomb(4684895) 11:06:42
我认为这个时候IP(或订单号)其实就是事实表的主键了,通常这种情况下也不会对IP(或者订单号)做分析,做分析时我们会关系一类IP或者某个地域的一类IP是什么样的情况,而不会关心单个IP是什么样的情况,如果关心单个IP的情况,就是明细查询了,明细查询可以考虑用其他的方式,比如搜索引擎
【潜水】bomb(4684895) 11:08:14
个人的一点愚见,欢迎拍砖
【冒泡】南京-电商-凌云 11:09:05
IP是事实表的主键?能举例吗
【活跃】北京-RTB-胖哥(1106110976) 11:09:27
先掐着,掐明白了,就明白了。
【潜水】bomb(4684895) 11:09:40
我觉得胖哥的意思,就像我们常见到的销售订单表
【潜水】bomb(4684895) 11:09:49
我同意,胖哥
【潜水】bomb(4684895) 11:10:48
在销售订单表中,每个订单号是唯一的,就可以作为主键,这种情况下,我们通常不会再做一张订单号的维度表
【冒泡】南京-电商-凌云 11:11:18
我们在销售单中一般的考量是ID+单号
【潜水】bomb(4684895) 11:11:25
其实我们原来一个项目中干过这样的实情,结果就呵呵了……
【潜水】bomb(4684895) 11:12:02
cube处理要很长时间,后来发现用户根本不会用订单号这个维度做分析,所以把这个维度去了,就快多了
【冒泡】南京-电商-凌云 11:12:42
这个是你的事实表数据粒度的考虑
【潜水】bomb(4684895) 11:12:47
一般我在事实表中没有主键(sql server)
【冒泡】南京-电商-凌云 11:12:57
如果客户要用订单号做分析呢
【潜水】bomb(4684895) 11:13:07
那就悲催了……
【冒泡】南京-电商-凌云 11:14:59
模型设计的时候不应该完全按照现有的数据分析需求考量
【潜水】bomb(4684895) 11:15:25
这个我同意
【冒泡】南京-电商-凌云 11:16:50
带IP或者是订单号的数据一般是粒度比较低的事实数据或者明细数据
【潜水】bomb(4684895) 11:16:53
但是对订单信息按照每个订单做分析,我认为是没有意义的,数据分析是反映批量数据的状态或趋势,对单条订单的查询是明细查询
【冒泡】南京-电商-凌云 11:17:49
对啊,所以说事实表的数据是按照维度的粒度做计算,分层的
【活跃】北京-RTB-胖哥(1106110976) 11:22:36
最细粒度的数据,有时候需要刻意的反规范设计
【活跃】北京-RTB-胖哥(1106110976) 11:22:42
也是没办法的事情。
【冒泡】南京-电商-凌云 11:27:29
对
【冒泡】南京-电商-凌云 11:27:57
反规范做冗余是经常的事情
三、未完待续
分布式数据仓库数据存储模型设计进行中,后续会持续更新,请关注QQ群:分布式数据仓库建模 398419457。