写点什么

什么是数据仓库,以及我为什么需要它?

  • 2020-08-21
  • 本文字数:3256 字

    阅读完需:约 11 分钟

什么是数据仓库,以及我为什么需要它?

“数据仓库”这个词在数据分析领域被广泛使用,但对于刚接触数据分析的人来说,仍然会很经常问到这个问题。 本文将对数据仓库的定义做一番解释,并说明为什么以及什么时候需要考虑建立一个数据仓库。

什么是数据仓库?

数据仓库是一种分析数据库,用于存储和处理数据,以便对数据进行分析。数据仓库的两个主要功能:存储分析数据和处理分析数据。


  1. 首先,如果多个业务数据位于不同的数据源,就无法轻易地将它们组合在一起。

  2. 其次,你的数据源系统不适合用来运行大量的数据分析,这样做可能会危及业务运行,因为它会给系统带来很重的负载。


数据仓库是分析管道的核心,它有三个主要作用:


  • 存储:在合并(提取和加载)步骤,数据仓库将接收和存储来自多个数据源的数据。

  • 处理:在处理(转换和建模)步骤,数据仓库将处理大部分(或全部)由转换步骤生成的密集处理工作负载。

  • 访问:在生成报告(可视化和交付)步骤,首先需要在数据仓库中收集报告,然后将其可视化并交付给最终用户。



目前,大多数数据仓库使用 SQL 作为主要的查询语言。

什么时候需要构建数据仓库?

简单地说,这取决于公司所处的阶段、所拥有的数据量和预算,等等。


在早期阶段,你可能不需要数据仓库,而是直接使用业务智能(BI)工具连接到生产数据库。


如果你仍然不确定数据仓库是否适合你的公司,请考虑以下几点:


首先,你是否需要分析来自不同数据源的数据?


在公司发展的某个阶段,你可能需要将来自不同数据源的数据组合起来,以便做出更好、更明智的业务决策。


例如,如果你是一家餐馆,想要分析订单/服务员效率比率(每周里哪个小时员工最忙和最空闲),就需要将销售数据(来自 POS 系统)与员工职责数据(来自 HR 系统)结合起来。


对于这些分析,如果数据都位于一个中心位置,就会容易得多。


第二,是否需要将分析数据与事务数据分离?


如前所述,你的事务系统不适合用来进行数据分析。因此,如果你在应用程序中收集了活动日志或其他可能有用的信息,那么将这些数据存储到应用程序的数据库中,并让分析师直接在生产数据库上进行数据分析可能不是一个好主意。


相反,购买一个为复杂查询而设计的数据仓库,并将分析数据保存到数据仓库里,这样会更好。这样,应用程序的性能就不会受到数据分析任务的影响。


第三,原始数据源适合用来查询吗?


例如,绝大多数 BI 工具不能很好地与 NoSQL 数据存储(如 MongoDB)搭在一起使用。也就是说,在后端使用 MongoDB 的应用程序需要将数据传输到数据仓库,数据分析人员才能够有效地使用它们。


第四,是否希望提高数据分析的查询性能?


如果事务数据有数十万行,那么创建汇总表可能是一个好主意,它会将数据聚合成容易查询的表单。如果不这样做,查询会非常慢,而且会给数据库带来不必要的负担。



如果你对上述任意一个问题的回答是“是”,那么你很可能需要一个数据仓库。


也就是说,在我们看来,构建一个数据仓库通常是个好主意,因为在云计算时代,数据仓库并不贵。

应该选择哪一个数据仓库?

以下是一些常见的数据仓库,你可以从中选择:


  • 亚马 Redshift

  • 谷歌 BigQuery

  • Snowflake

  • ClickHouse(自托管)

  • Presto(自托管)


如果你才刚开始,还没有确定的想法,那么建议你使用谷歌 BigQuery,原因如下:


  • BigQuery 前 10GB 存储和前 1TB 查询量是免费的,之后按使用量付费。

  • BigQuery 是全托管的(无服务器),不需要启动或管理物理(或虚拟)服务器。

  • BigQuery 的架构是可自动伸缩的:根据查询的复杂性和数据量,BigQuery 将自动确定分配给每个查询多少计算资源,无需手动调整。


但是,如果你的数据量增长速度很快,或者如果你的场景很复杂或者很特殊,就需要仔细评估你的选项。


下面,我们列出了最为流行的一些数据仓库,目的是让你对数据仓库领域最常见的选项有一个高层次的了解。这个清单并不是最完整的,也不足以帮你做出一个最完美的决定。


但我们认为,这是一个良好的开端:


名称开发商价格
亚马逊Redshift亚马逊,作为AWS产品的一部分按实例付费,每小时0.25美元起(一个月大约180美元)
谷歌BigQuery谷歌,作为Google Cloud产品的一部分按数据查询和数据存储付费,前10GB存储和前1TB查询量免费
ClickHouse由Yandex开发,后来开源出来开源免费,可以部署在自己的服务器上
SnowflakeSnowflake公司按使用量付费
Presto由Facebook开发,后来开源出来,现在由Presto基金(Linux基金的一部分)负责管理开源免费,可以部署在自己的服务器上

数据仓库与普通 SQL 数据库有什么不一样?

这个时候,有些人可能会问:


“数据仓库不是像关系数据库一样,存储数据,然后对数据进行分析吗?难道我就不能使用 MySQL、PostgreSQL、MSSQL 或 Oracle 作为数据仓库吗?”


简单地说:可以。


但要细说起来:这个要视情况而定。首先,我们需要了解一些概念。

事务工作负载与分析工作负载

理解这两种数据库工作负载(事务工作负载和分析工作负载)之间的差异是非常重要的。


事务工作负载是指普通业务应用程序的查询工作负载。当访问者在 Web 应用程序中加载一个产品页面时,将向数据库发送一个查询,获取产品信息,并将结果返回给应用程序。


SELECT * FROM products WHERE id = 123 
复制代码


以下是事务工作负载的几个常见属性:


  • 每次查询通常返回一条记录或少量记录(例如,获取某类别的前 10 篇博文)。

  • 事务工作负载通常包含运行时间非常短(少于 1 秒)的简单查询。

  • 在任意时刻都有大量的并发查询,这取决于应用程序的并发访问者数量。对于大型网站来说,这个数字可能是成千上万或数十万。

  • 通常对全数据记录感兴趣(例如产品表中的每一列)。


分析工作负载是指用于实现分析目的的工作负载。在生成一个数据报告时,一个查询将被发送给数据库,计算结果,然后将结果显示给最终用户。


SELECT category_name, count(*) as num_products FROM products GROUP BY 1 
复制代码


分析工作负载具有以下属性:


  • 每个查询通常会扫描表中的大量数据行。

  • 每个查询都是重量级的,并且需要很长时间(几分钟,甚至几小时)才能完成。

  • 并发查询并不多,主要由使用分析系统的报告或内部人员数量决定。

  • 通常只对几列数据感兴趣。


下面是事务工作负载(或数据库)与分析工作负载(或数据库)的比较。



事务工作负载有很多简单的查询,而分析工作负载有一些重量级的查询。

底层架构的不同

由于上述两种工作负载之间的巨大差异,这两种工作负载的数据库底层后端设计也是非常不一样的。事务数据库的优化目标是高并发的快速短查询,而分析数据库的优化目标是长时间运行的资源密集型查询。


那么它们之间的架构区别是什么呢?这需要专门的文章才能解释清楚,不过简单地说,分析数据库使用以下技术来保证性能:


  • 列式存储引擎:分析数据库不是在磁盘上逐行存储数据,而是将数据的列分组存储。

  • 列式数据的压缩:压缩每个列中的数据,获得更小的存储和更快的检索速度。

  • 查询执行的并行化:现代分析数据库通常运行在数千台机器上。因此,可以将每个分析查询拆分为多个更小的查询,并在这些机器之间并行执行(分治策略)。


你可能已经猜到了,MySQL、PostgreSQL、MSSQL 和 Oracle 数据库主要用于处理事务工作负载,而数据仓库用于处理分析工作负载。

那么,我可以使用普通的 SQL 数据库作为数据仓库吗?

就像我们之前说的,可以,但要视情况而定。


如果刚开始时只有少量的数据和分析用例,选择一个普通的 SQL 数据库作为数据仓库是可以的(最流行的是 MySQL、PostgreSQL、MSSQL 或 Oracle)。如果有很多数据,仍然可以这样做,但需要进行适当的调优和配置。


也就是说,随着像 BigQuery、Redshift 这样低成本数据仓库的出现,我们建议使用数据仓库。


不过,如果你必须要选择一个普通的基于 SQL 的数据库(例如,你的公司只允许数据驻留在自己的网络中),我们建议使用 PostgreSQL,因为它提供的分析功能最多。

总结

在这篇文章里,我们主要谈到了:


  • 数据仓库是存储和处理数据的集中式分析数据库。

  • 构建数据仓库的四个出发点。

  • 一个简单的数据仓库技术列表。

  • 数据仓库为分析工作负载而优化,而传统数据库为事务工作负载而优化。


原文链接:


https://towardsdatascience.com/what-is-a-data-warehouse-when-and-why-to-consider-one-2e826be68e95


2020-08-21 10:245607
用户头像
陈思 InfoQ编辑

发布了 576 篇内容, 共 294.0 次阅读, 收获喜欢 1305 次。

关注

评论 1 条评论

发布
用户头像
作者您好,想申请转载一下这篇文章到公众号
2020-11-12 10:00
回复
没有更多了
发现更多内容

阿里新一代微服务,内部大佬手抄的笔记+脑图不容错过,全是精华

Java 架构 微服务 Spring Cloud Aliababa

和面试官聊1小时Java并发,多亏GitHub上这份笔记

Java 并发编程

【微信小程序管理】第三方软件的优势有哪些

没有用户名丶

用AI赋能基础教育,小度人工智能青竹公开课现已走进6所知名小学

科技热闻

sougou的workflow的10个技术点

linux大本营

workflow 异步框架 C++

Spring Boot 整合 Redis 基于 Stream 消息队列 实现异步秒杀下单

Apache Flink ML 2.2.0 发布公告

阿里云大数据AI技术

大数据 算法 企业号 4 月 PK 榜

华为开发者大赛中国区正式启动 携手探索ICT无限可能

极客天地

一个解决tcp粘包问题的c++代码

linux大本营

TCP 网络协议 C++ TCP 粘包

Apifox WebSocket 调试功能你会用了吗?

Apifox

程序员 接口 websocket API API 调试

强强联手:机器学习与运筹学

鼎道智联

算法

5.10版本的linux内核pgtable_init函数解析

linux大本营

Linux内核

linuxc获取文件内容

linux大本营

Linux

ChatGPT 会在三年内终结编程吗?| 社区征文

神木鼎

三周年征文

使用了Spring的事件机制真香!

Java spring

大连理工大学OpenHarmony技术俱乐部正式揭牌成立

极客天地

c++实现一个tcp高性能网络服务器

linux大本营

TCP 多线程 异步IO epoll 高性能服务器

ByteHouse云数仓版查询性能优化和MySQL生态完善

NineData

数据库 架构 字节跳动 Clickhouse bytehouse

蚂蚁安全科技 Nydus 镜像加速实践

SOFAStack

开源 镜像 镜像安全 OCI Nydus

eBPF的发展演进---从石器时代到成为神(二)

统信软件

Linux Kenel 内核 Linux内核

Gradio入门到进阶全网最详细教程[二]:快速搭建AI算法可视化部署演示(侧重参数详解和案例实践)

汀丶人工智能

人工智能 机器学习 深度学习 Gradio AI可视化

机器学习分布式框架Ray

AIWeker

Python 分布式 python小知识 三周年连更

Springboot之如何纯文本转成.csv格式文件?|超级详细,建议收藏

bug菌

Spring Boot 2 spring-boot 三周年连更

在毫秒量级上做到“更快”!DataTester助力飞书提升页面秒开率

字节跳动数据平台

大数据 AB testing实战 用户体验 企业号 4 月 PK 榜 秒开率

sqlserver锁表产生的原因

linux大本营

数据库· SQL sever 表锁

awk常量和标识符

linux大本营

脚本 awk

用c++写一段快速排序算法

linux大本营

排序算法 数据结构与算法 C++

麻了,不要再动不动就BeanUtil.copyProperties!

Linux常用命令

追赶者

进程 SSH Liunx 端口占用

第二届广州·琶洲算法大赛启动,百度飞桨助力广州打造中国算法新高地

飞桨PaddlePaddle

算法 百度飞桨 文心大模型

5.10版本的linux内核setup_kmalloc_cache_index_table函数解析

linux大本营

内存管理 内存泄漏 Linux内核

什么是数据仓库,以及我为什么需要它?_AI&大模型_Anthony Thong Do_InfoQ精选文章