网易严选质量数仓建设（一）—— 数据仓库基本概念

对所有组织来说，数据都是重要的财富，数据的存在有两个目的：操作型记录的保存以及分析决策的制定。

对于质量保障团队来说，质量数据能够客观反映开发、测试团队的工作量、工作效率以及工作质量。通过数据指标，查找质量保障工作中的薄弱环节，予以加强；通过数据指标在时间上的纵向对比，反映各项工作开展的效果；通过数据指标在各个团队之间的横向对比，找出优秀团队，借鉴工作经验。

鉴于以上诸多好处，严选质量保障组开展质量数仓建设工作。在建设数据仓库之前，先了解一些数据仓库的基本概念。

1. 数据库 &数据仓库

从广泛的定义来讲，数据库和数据仓库的本质其实是一致的或极其相似的，都是通过某个数据库软件，基于某种数据模型来组织、管理数据。

而在常见的语义中，数据库是指传统的业务数据库，大部分为关系型数据如，如 Mysql、Oracle 等。而数据仓库是用于多元化数据分析的一种体系结构，在数据仓库的体系中，也存在用来存储数据的软件系统，只不过其中数据的组织方式与传统数据库不同，不遵循数据库的设计范式，因此在数据模型的设计上有很大的自由度。

面向业务的数据库，主要做操作型处理，它是针对具体业务在数据库联机的日常操作，通常对少数记录进行查询、修改。用户较为关心操作的响应时间、数据的安全性、完整性和并发支持的用户数等问题。传统的数据库系统作为数据管理的主要手段，主要用于操作型处理。

数据仓库是一个面向数据分析的集成化数据环境，它可以通过对大量数据进行分析从而得出分析报告并提供决策支持。需要注意的是，数据仓库本身并不生产数据，同时也不消费数据，它的数据来源于外部，且通常不是一个单一的数据源。

2. 数据仓库的特点

• 面向主题

业务数据库中的数据都是面向事务处理进行组织的，但数据仓库是面向主题存放，其目的是为了更好的组织数据，方面数据查询分析。

• 集成的

数据仓库中的数据来源广泛，通常会从不同的数据源抽取过来，需要在数据仓库中对数据进行清洗转换（编码统一、属性度量统一、描述统一、关键字统一，也就是 ETL），重新编排，得到原始表与数据仓库表的映射结果。比如，不同系统中，订单号可能表示为 task_id，也可能表示为 order_id，当需要订单主题进行集成时，就需要将订单号标准化。

• 相对稳定

数据仓库的数据通常是批量的方式更新、访问，所涉及的数据操作主要是数据的查询，一般情况下并不会进行修改操作。当数据抽取到操作环境中后，只要没有误操作，数据不会轻易丢失掩盖。

• 反应历史变化

有的业务数据仅仅保留当前状态，数据进入数据仓库后，都会加上时间关键字以标记，存储历史状态，以此在时间维度上反映数据变化情况，帮助用户进行决策分析。

3. 相关概念

• 数据域

指面向业务分析，将业务过程或者维度进行抽象的集合。数据域是需要抽象提炼，并且长期维护和更新的，但不轻易变动，在划分数据域时，既能涵盖当前所有的业务需求，又能在新业务进入时，无影响地被包含进已有的数据域中和扩展新的数据域。

• 业务过程

指企业的业务活动事件，如下单、支付、退款等，都是业务过程（质量数仓中如提交 bug 就是业务过程）。业务过程是一个不可拆分的行为事件。

• 时间周期

用来明确数据统计的时间范围或者时间点，如近 30 天，自然周，截至当日等。

• 修饰词

指除了统计维度、时间周期以外，指标的业务场景限定抽象。修饰词隶属于一种修饰类型，如在流量域访问终端类型下，有修饰词 PC 端、无线端等。

• 修饰类型

是对修饰词的一种抽象划分，例如流量域的访问终端类型。

• 主题

主题就是指我们所要分析的具体方面。主题有两个元素：各个分析角度（维度），二是要分析的具体度量，一般通过数值体现。

• 维

维是用于从不同角度描述事物特征的，一般维都会有多层，每个 level 都会包含一些共有的或特有的属性。

• 度量/原子指标

度量就是要分析的具体的技术指标，一般为数值型数据，是业务定义中不可再拆分的指标，具有明确业务含义的名词，如支付金额。

• 维度

维度是度量的环境，用来反映业务的一类属性，这类属性的集合构成一个维度，也可以称为实体对象。维度属于一个数据域，如地理纬度、时间维度等。

• 维度属性

维度属性隶属于一个维度，如地理纬度里面的国家名称、省份名称等都属于维度属性。

• 派生指标

派生指标=一个原子指标+多个修饰词（可选）+时间周期。可以理解为，对原子指标业务统计范围的圈定。

• 粒度

数据的细分程度。

• 事实表

事实表是用来记录分析的内容的全量信息的，包含了每个事件的具体要素，以及具体发生的事情。事实表中的每行对应一个度量事件，每行的数据是一个特定级别的细节数据，称为粒度。

• 维表

维度表包含与业务过程度量事件有关的文本环境，用于描述与“谁、什么、哪里、何时”有关的事件。

4. Hadoop System

HDFS

Hadoop 分布式文件处理系统，是 Hadoop 体系中，数据存储管理的基础。源自于 Google 的 GFS 论文，也既 GFS 的克隆版。它是一个高度容错的系统，能检测和应对硬件故障，用于在低成本的通用硬件上运行。HDFS 简化了文件的一致性模型，通过流式数据访问，提供高吞吐量应用程序数据访问功能，适合带有大型数据集的应用程序。

Mapreduce

分布式计算框架，Hadoop MapReduce 是 Google Mapreduce 克隆版，是一种计算模型，用以进行大数据量的计算。其中 Map 对数据集上的独立元素进行指定的操作，生成键-值对形式中间结果；Reduce 则对中间结果中相同“键”的所有“值”进行规约，以得到最终结果。Mapreduce 这样的功能划分，非常适合在大量计算机组成的分布式并行环境里进行数据处理。

HBase

Hbase 是 Google Bigtable 的克隆版，是一个针对结构化数据的可伸缩、高可靠、高性能、分布式和面向列的动态模式数据库。和传统关系数据库不同，HBase 采用了 BigTable 的数据模型：增强的稀疏排序映射表（Key/Value），其中，键由行关键字、列关键字和时间戳构成。HBase 提供了对大规模数据的随机、实时读写访问，同时，HBase 中保存的数据可以使用 MapReduce 来处理，它将数据存储和并行计算完美地结合在一起。

Zookeeper

Zookeeper 是 Google Chubby 克隆版。解决分布式环境下的数据管理问题：统一命名，状态同步，集群管理，配置同步等。

Sqoop

Sqoop 是 SQL-to-Hadoop 的缩写，主要用于传统数据库和 Hadoop 之间传输数据。数据的导入和导出本质上是 Mapreduce 程序，充分利用了 MR 的并行化和容错性。

Pig

基于 Hadoop 的数据流系统，由 yahoo!开源，设计动机是提供一种基于 MapReduce 的 ad-hoc(计算在 query 时发生)数据分析工具，定义了一种数据流语言—Pig Latin，将脚本转换为 MapReduce 任务在 Hadoop 上执行。通常用于进行离线分析。

Mahout

数据挖掘算法库，Mahout 的主要目标是创建一些可扩展的机器学习领域经典算法的实现，旨在帮助开发人员更加方便快捷地创建智能应用程序。Mahout 现在已经包含了聚类、分类、推荐引擎（协同过滤）和频繁集挖掘等广泛使用的数据挖掘方法。除了算法，Mahout 还包含数据的输入/输出工具、与其他存储系统（如数据库、MongoDB 或 Cassandra）集成等数据挖掘支持架构。

Flume

日志收集工具，Cloudera 开源的日志收集系统，具有分布式、高可靠、高容错、易于定制和扩展的特点。它将数据从产生、传输、处理并最终写入目标的路径的过程抽象为数据流，在具体的数据流中，数据源支持在 Flume 中定制数据发送方，从而支持收集各种不同协议数据。同时，Flume 数据流提供对日志数据进行简单处理的能力，如过滤、格式转换等。此外，Flume 还具有能够将日志写往各种数据目标（可定制）的能力。总的来说，Flume 是一个可扩展、适合复杂环境的海量日志收集系统。

Hive

由 Facebook 开源，最初用于解决海量结构化的日志数据统计问题。Hive 定义了一种类似 SQL 的查询语言（HQL），将 SQL 转换为 MapReduce 任务在 Hadoop 上执行，通常用于离线分析，Hive 让不熟悉 MapReduce 开发人员也能编写数据查询语句，然后这些语句被翻译为 Hadoop 上面的 MapReduce 任务。

Yarn

Yarn 是下一代 Hadoop 计算平台，主要是为了解决原始 Hadoop 扩展性差，不支持多计算框架而提出的。Yarn 是一个通用的运行时框架，用户可以编写自己的计算框架，在该运行环境中运行，用于自己编写的框架作为客户端的一个 lib，在提交作业时打包即可。该框架提供了资源管理、资源调度组件。

Tez

Tez 是 Apache 最新开源的支持 DAG 作业的计算框架，它直接源于 MapReduce 框架，核心思想是将 Map 和 Reduce 两个操作进一步拆分，即 Map 被拆分成 Input、Processor、Sort、Merge 和 Output，Reduce 被拆分成 Input、Shuffle、Sort、Merge、Processor 和 Output 等，这样，这些分解后的元操作可以任意灵活组合，产生新的操作，这些操作经过一些控制程序组装后，可形成一个大的 DAG 作业。

Spark

Spark 是一个通用的并行计算框架，它提供了一个更快、更通用的数据处理平台，与 Hadoop 相比，Spark 能够让程序在内存中运行时速度提升百倍。

Kafka

Kafka 是 Linkedin 开源的分布式消息队列，主要用于处理活跃的流式数据。活跃的流式数据在 web 网站应用中非常常见，这些数据包括网站的 pv、用户访问了什么内容，搜索了什么内容等。这些数据通常以日志的形式记录下来，然后每隔一段时间进行一次统计处理。

Ambari

Apache Ambari 的作用来说，就是创建、管理、监视 Hadoop 的集群，是为了让 Hadoop 以及相关的大数据软件更容易使用的一个 web 工具。

作者简介

婧雯，网易严选资深测试工程师，2014 年毕业于北京理工大学，2017 年加入网易。参与数据产品技术部多个重点产品质量保障工作，建设并完善数据产品部质量保障体系，致力于质量保障工作效能得提升。