一、前言
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<ruanjizhou@qq.com> 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
|
【潜水】厦门-BI-锅盖(584249213) 10:33:26
分布式模式-维度建模新原则 |
【冒泡】南京-电商-凌云<hds1999@qq.com> 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<hds1999@qq.com> 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<hds1999@qq.com> 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<hds1999@qq.com> 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<hds1999@qq.com> 10:48:03
|
【冒泡】南京-电商-凌云<hds1999@qq.com> 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<hds1999@qq.com> 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<hds1999@qq.com> 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<hds1999@qq.com> 11:00:31 不对 |
【冒泡】南京-电商-凌云<hds1999@qq.com> 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<hds1999@qq.com> 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<hds1999@qq.com> 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<hds1999@qq.com> 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<hds1999@qq.com> 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<hds1999@qq.com> 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<hds1999@qq.com> 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<hds1999@qq.com> 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<hds1999@qq.com> 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<hds1999@qq.com> 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<hds1999@qq.com> 11:27:29 对 |
【冒泡】南京-电商-凌云<hds1999@qq.com> 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。