共计 1031 个字符，预计需要花费 3 分钟才能阅读完成。
一、知识点概述
1、数仓分层概念
- ods：operation data store 原始数据层，
数据放弃原貌不做解决 - dwd：data warehouse detail 明细数据层
构造和粒度与原始表保持一致，对 ods 层数据进行荡涤（去除空值，脏数据） - dws：data warehouse service 数据服务层
数据轻度汇总 ads：application data store 数据应用层
为各种统计报表提供数据2、数仓为什么要分层
- 把简单问题简单化：把一个简单的工作分解成多个步骤来实现，每一层只解决繁多的步骤，比较简单，并且不便定位问题
- 缩小反复开发：通过的中间层数据，可能缩小极大的反复计算，减少一次计算结果的复用性
- 隔离原始数据：使实在数据与统计数据解耦开
3、数据集市与数据仓库概念
数据集市 则是一种微型的数据仓库，通常有更少的数据，更少的主题区域，更少的历史数据，部门级的，个别只能为某个部分范畴内的管理人员服务。
数据仓库 是企业级的，能为整个企业各个部门的运行提供决策反对伎俩
4、表的分类
- 实体表：个别是指现实存在的业务对象
- 维度表：个别是指对应一些业务状态，也可称为码表
- 事务型事实表：个别指随着业务产生一直产生数据，特点是一旦产生不会再变动
- 周期型事实表：个别指随着业务产生一直产生变动（更新，新增）的数据，如订单
5、同步策略
- 全量表：存储残缺的数据
- 增量表：存储新减少的数据
- 新增及变动表：存储新减少的数据和变动的数据
- 拉链表：对新增及变动表做定期合并
实体表（用户，商品，商家）：每日全量
维度表（订单状态，审批状态，商品分类）：每日全量
事务型实时表（交易流水，操作日志，出库入库记录）：数据量大且不变，每日增量表，每日创立一个分区存储
周期型事实表（订单，销假等）：用每日新增和变动表，制作一张拉链表
6、范式实践
目标：（1）：缩小数据冗余，尽量让每个数据只呈现一次；（2）保证数据一致性
7、三范式辨别
（1）第一范式：属性不可切割，所有关系数据库等最根本要求
（2）第二范式：不能存在局部函数依赖
（3）低三范式：不能存在传递函数依赖
8、关系建模与维度建模
- 关系建模：为了保证数据的一致性和防止冗余，所以大部分业务零碎的表都是遵循低三范式
维度建模：
- 星型模型：区别次要在于维度的层级，规范
- 雪花模型
- 星座模型
oltp（随机延时读写）
olap（批量导入）
二、面试题
1）数据仓库的输出数据源和输入零碎别离是什么？
输出零碎：埋点产生的用户行为数据、JavaEE 后盾产生的业务数据。
输入零碎：报表零碎、用户画像零碎、举荐零碎
正文完
