数据仓库简介：
数据仓库有四个典型的特点：1、数据仓库是面向主题的 数据仓库的建立是针对一个主题的，可以是一个人事的管理，销售的管理的数据仓库，他的功能就是帮助用户分析数据用的。2、数据仓库是统一的，就是不同形式的数据，不同类型的数据，在存入数据仓库的时候会被转化成统一的形式进行存储。 3.数据仓库是永久的，不应该被删除或者修改，是用来查询使用的。4、数据仓库是历史的，为了发现业务中存在的趋势，分析用户需要使用大量数据。这与联机事务处理（online transaction processing，OLTP）系统截然相反，OLTP 系统对性能要求较高，历史数据必须移动到归档中。由于数据仓库关注数据在时间上的变化，因此称其是历史的（time variant）。
在每周或者每月，联机事务处理（oltp）数据库会将数据汇集到数据仓库中，但是在加载到数据仓库之前，这些数据会存在一个中转文件中。并且进行适当的处理（其实我也不知道进行啥处理）最后存储在一个叫fact table 的表中。
数据仓库的体系结构：分三种常见的体系结构：基本型，使用中转区，使用中转区和数据集。其实我看了一下三个图，很好理解的，基本的就是没有中转区的那个，有中转区的可以在存入数据仓库之前存入中转区，这样就能处理之后再存储了，至于带集市的那个，就是在查询数据的时候，提前把各种数据分开，比如财务的，库存的，销售的，都分别存储在不同的地方，这样查询的效率就高了哈。。
抽取转换加载（etl）：
从原系统抽取数据再存储到数据仓库的过程就被称为ETL，抽取（extraction）、转换（transaction）、加载（loading）。与数据共享工作相比，数据仓库系统除了需要交换数据，还需集成（integrate），重构（rearrange），融合（consolidate）来自多个源系统的数据，从而为业务智能提供一个统一的信息基础。此外，数据仓库系统中的数据量通常十分巨大。
可移动表空间：
可移动表空间是在两个oracle数据库中移动数据最快的方式，以前没有出现这个技术的时候，只能用平面文件作为中转站，先用exp导出数据到平面文件（flat file），然后再由flat file 导入（imp命令）到另一个数据库,
在数据仓库系统中，可移动表空间功能最常见的应用是将数据从中转数据库（staging database）移动到数据仓库，或将数据从数据仓库移动到数据集市。
用户可以利用表函数（table function）管道化（pipelined）及并行化（parallel）地执行数据转换（transformation），表函数可以由 PL/SQL，C，或 Java 实现。本章前面讲述的某些抽取案例中使用了起中间作用的中转表（staging table），但这会使数据在各个转换步骤间出现停顿，而采用表函数则能够避免这种停顿。
外部表：
外部表与常规表的区别在于外部表是只读的。在外部表上不能执行 DML 操作（UPDATE/INSERT/DELETE），也不能在其上创建索引。
表压缩：
用户可以通过压缩堆表（heap-organized table）来节省磁盘空间。分区表（partitioned table）就是一种典型的可以考虑采用表压缩（table compression）的堆表。
为了减少磁盘使用及内存使用（尤其是数据库缓存（buffer cache）），用户可以将数据库内的表及分区表以压缩形式存储。这有助于提高只读操作的性能。表压缩能够提高查询执行的速度，但会略微增加 CPU 开销。
变化数据捕捉：
变化数据捕捉功能无需依赖关系数据库外部的中间文件来中转数据。此功能根据对数据表的 INSERT，UPDATE，及 DELETE 操作来捕捉变化的数据。变化数据将存储在被称为变化表（change table）的数据库对象，这些数据能够根据用户的控制而提供给有需要的应用程序。
在数据仓库中使用物化视图：
在数据仓库系统中，可以通过创建汇总数据（summary）来提升其性能。汇总数据是一种聚合视图（aggregate view），其中可以保存预先计算的复杂关联，聚合，或排序，从而提高相关查询的执行性能。例如，用户可以创建一个表，保存按区域及产品汇总的销售数据。
在本章内或 Oracle 数据仓库系统中，汇总数据或聚合数据（aggregate）通常是通过物化视图（materialized view） 这种模式对象（schema object）创建的。物化视图的应用有多种，例如提高查询性能或进行数据复制。
分析型sql语句：
Oracle 提供了多种 SQL 功能，用于在数据库中进行分析操作。这些功能包括排名（ranking），移动平均值（moving average），累积求和（cumulative sum），百分比（ratio-to-report），以及同期比较（period-over-period comparison）等。尽管有些计算以前的 SQL 也能实现，但新语法能够实现更好的性能。
用于聚合运算的sql：这个聚合运算可是数据仓库的最基本的功能，oracle对group by 子句进行了扩展，这样可以使用户从最底层的数据明细一层层的向上汇总，极大的提高查询效率。
这些扩展使用户可以利用 GROUP BY 子句获得其感兴趣的汇总结果。用户无需使用 CUBE操作就能够高效地进行多维分析（analysis across multiple dimensions）。完全计算一个立方体（cube）将带来很重的系统负载，因此以聚合运算的结果集来代替立方体能够显著地提升系统性能。使用 CUBE，ROLLUP，及聚合运算都能得到一个单一的结果集，其效果与使用 UNION ALL 语句将多个聚合运算得到的数据行进行合并后相同。多维分析（multidimensional analysis）是决策支持系统（decision support system）中的一个关键概念：其含义是以各种可能的维度（dimension）的组合来观察一个企业。此处使用维度这个术语来代指分析中所使用的不同角度。常用的维度有时间（time），地域（geography），产品（product），部门（department），及渠道（distribution channel）等，但用户可以根据企业自身行为特点总结出各种维度。与一组维度值（imension value）相关的事件（event）或实体（entity）通常被称为事实（fact）。常见的事实有销售数量及金额，利润，客户数量，产量等，任何值得观察的信息都可以作为事实。
以下是一些多维查询的例子：
- 按产品维度及各层次地域维度（从州到国家再到地区）对 1999 年及 2000 年的销售进行聚合运算。
- 创建旋转表，以南美洲各个国家为角度分析 1999 年及 2000 年企业运行的成本。包括所有子汇总（subtotal）。
- 列出 2000 年创造汽车产品销售利润前 10 名的销售代表，并按佣金排序。
用于分析运算的sql：
Oracle 内含有一套分析型 SQL 函数（analytic SQL function），提供了高级 SQL 分析处理能力。用户可以利用这套函数进行以下计算：
- 排名（ranking）及百分位数（percentile）
- 移动窗口计算（moving window calculation）
- 滞后/提前分析（lag/lead analysis）
- 首位/末位分析（first/last analysis）
- 线性回归统计（linear regression statistic）
Oracle 还支持 CASE 表达式。CASE 表达式能够处理 if-then 逻辑。
为了进一步提升系统性能，分析函数可以被并行执行：即多个进程同时执行语句。这使运算更为高效，也提高了数据库的性能，可伸缩性（scalability），及易用性。
用于建模的sql：
Oracle 的 MODEL 子句能使 SQL 的计算能力更强大更灵活。利用 MODEL 子句，用户可以在结果集的基础上创建一个多维数组（multidimensional array），并可以使用此数据进行新的公式计算（formula）。公式可以为基本的数学运算，也可以是包含递归运算的联立方程（simultaneous equations using recursion）。对于某些应用来说，MODEL 子句能够代替在 PC 上运行的电子表格软件。Oracle 的 MODEL 子句增强了其可伸缩性，可管理性，协作能力及安全性。核心查询引擎（core query engine）对其处理的数据量没有限制。当数据库具备了定义和执行模型的能力后，用户不必在独立的建模系统与数据库间移动大量数据。模型可以在工作组（workgroup）间共享，这使所有应用都能获得具备一致性的数据。同样，对模型的访问也可以依靠 Oracle 的安全特性进行细致的控制。MODEL 子句丰富的功能有助于增强所有类型的应用系统。
PLAP功能概述：
Oracle OLAP 增强了 Oracle 关系型数据库的查询性能及计算能力，而这些增强以前只能通过多维数据库实现。此外，Oracle OLAP 中提供了一套 Java OLAP API，供用户开发适合 internet 环境的分析应用程序。与其他将 OLAP 与 RDBMS 整合的技术不同，Oracle OLAP 多维数据库不需要将数据从关系型数据存储转移到多维数据存储。Oracle OLAP 是一个实现了 OLAP 功能的关系型数据库。因此，Oracle 在提供了多维数据库功能的同时，还具备 Oracle 数据库的可伸缩性，可访问性（accessibility），安全性，可管理性，及高可用性。专为开发适合 internet 环境的分析应用程序的 Java OLAP API 提供了高效的数据访问能力。
