什么是数据仓库？谈谈我的理解

数据库我们大家都知道，在平时的 Web 开发中用到的比较多。但是数据仓库是什么呢？他俩有啥区别呢？在开始之前先分享一个小故事：

在很久很久以前，世界上生活着许多种族，有人类，有矮人，有精灵……他们有着不同的信仰，不同的文化，彼此相安无事。可是，有一个钢铁直男却偏偏想要统治整个世界。

如何统治这么多不同文化信仰的种族呢？猥琐男想出一个馊主意，打造出几枚拥有魔力的戒指，免费送给不同种族的领袖，让他们可以更好地统治各自的族人。

当各个种族的领袖美滋滋地戴上各自的魔戒，走上人生巅峰的时候，猥琐男又打造出一枚独一无二的至尊魔戒。他利用至尊魔戒的力量控制了所有的魔戒，从而控制了各个种族的领袖，继而控制了整个世界。

这个故事告诉我们：数据库和数据仓库之间的关系。

如果说，那个世界的每一个生命个体都是一条数据记录，那么普通的魔戒的地位就好比是数据库，而至尊魔戒的地位就好比是数据仓库。

什么是数据仓库？

给一个定义？

数据仓库，英文名称Data Warehouse，简写为DW。数据仓库顾名思义，是一个很大的数据存储集合，出于企业的分析性报告和决策支持目的而创建，对多样的业务数据进行筛选与整合。它为企业提供一定的BI（商业智能）能力，指导业务流程改进、监视时间、成本、质量以及控制。

看到这里你可能还不是很清楚他到底是干嘛的，但是你得明确一个方向，它是面向决策的。

数据仓库的输入方是各种各样的数据源，最终的输出用于企业的数据分析、数据挖掘、数据报表等方向。

那么，数据仓库都有什么特点呢？

1.主题性

不同于传统数据库对应于某一个或多个项目，数据仓库根据使用者实际需求，将不同数据源的数据在一个较高的抽象层次上做整合，所有数据都围绕某一主题来组织。

这里的主题怎么来理解呢？比如对于城市，“天气湿度分析”就是一个主题，对于淘宝，“用户点击行为分析”就是一个主题。

2.集成性

数据仓库中存储的数据是来源于多个数据源的集成，原始数据来自不同的数据源，存储方式各不相同。要整合成为最终的数据集合，需要从数据源经过一系列抽取、清洗、转换的过程。大家从上图也可以看到，数据来源于 Mysql 、MongoDB、其他第三方数据源。

3.稳定性

数据仓库中保存的数据是一系列历史快照，不允许被修改。用户只能通过分析工具进行查询和分析。这里说明一点，数据仓库基本上是不许允许用户进行修改，删除操作的。大多数的场景是用来查询分析数据。

4.时变性

数据仓库会定期接收新的集成数据，反应出最新的数据变化。这和特点并不矛盾。注意，这里与实时性不同。

主流的开源数据仓库：Hive

在大数据应用中，Hive 用的比较多一些，因为啥？免费啊。性能也算可以。至于其他的商业数据数据仓库，性能要比 Hive 高出很多，但是中小公司没必要去花大量成本去使用商业数据仓库了。

这个 Hive 作为数据仓库，具体做了什么呢？

一句话：Hive 的主要作用就是讲结构化的数据映射为 Hive 数据库表，并提供 HQL 查询语句，可以将 HQL 语句转化为 MapReduce 任务运行。

确切地说，Hive是基于Hadoop的数据仓库工具，可以对存储在HDFS上的文件数据集进行查询和分析处理。Hive对外提供了类似于SQL语言的查询语言 HiveQL，在做查询时将HQL语句转换成MapReduce任务，在Hadoop层进行执行。

换一个角度，就是一个不懂编程语言的 DBA 也可以使用 Hive 编写 HQL 语句进行数据统计。给数据分析带来跟大的便宜性。

上面出现的名词解释：

1.HDFS

Hadoop的分布式文件系统，在这里作为数据仓库的存储层。图中的Data Node就是HDFS的众多工作节点。

2.MapReduce

一种针对海量数据的离线分布式并行计算模型，可以简单理解为对多个数据分片的数据转换和合并。

3.Hbase

HBase – Hadoop Database，是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，是一个开源数据库。利用HBase技术可在廉价PC Server上搭建起大规模结构化存储集群。

上面是从原理角度讲了数据仓库以及数据仓库其中一款开源工具 Hive 。

实际中，我们的目的做数据处理。要知道数据处理大致可以分成两大类：联机事务处理OLTP（on-line transaction processing）、联机分析处理OLAP（On-Line Analytical Processing）。OLTP是传统的关系型数据库的主要应用，主要是基本的、日常的事务处理，例如银行交易。OLAP是数据仓库系统的主要应用，支持复杂的分析操作，侧重决策支持，并且提供直观易懂的查询结果。

下图是两种数据处理方式的对比，这里你可以具体到数据库和数据仓库的对比。