数据仓库技术

•
讲真话的最大好处就是：不必记得自 己讲过 什么。 。2020 年8月上 午11时 21分20 .8.1111 :21Aug ust 11, 2020
•
我生平最高兴的，就是我答应帮助人 家去做 的事， 自己不 仅是完 成了， 而且比 他们要 求的做 得更好 ，当完 成这些 信诺时 ，那种 兴奋的 感觉是 难以形 容的…… 。2020 年8月1 1日星 期二11 时21分4 9秒11: 21:4911 August 2020
•
对于攀登者来说，失掉往昔的足迹并 不可惜 ，迷失 了继续 前时的 方向却 很危险 。。202 0年8月 11日上 午11时 21分20 .8.1120 .8.11
•
江无回头浪，人无再少年。年华若虚 度，老 来恨不 浅。时 光容易 逝，岁 月莫消 遣。碌 碌而无 为，生 命不值 钱。。2 020年8 月11日 星期二 上午11 时21分 49秒11 :21:492 0.8.11
MapReduce会生成大量的临时文件，为了提高效率， 它利用Google文件系统来管理和访问这些文件。
2020/8/11
杭州斯凯网络科技有限公司
18
数据仓库的架构比较
2020/8/11
杭州斯凯网络科技有限公司
19
硬件物理架构比较
数据仓库的物理架构，包含硬件物理架构和软件物 理架构。硬件物理架构包含集中式和分布式两种，在企业 里面都有运用。
8
数据仓库的架构类型
2020/8/11
杭州斯凯网络科技有限公司
9
Oracle数据仓库的架构
2020/8/11
百度文库
杭州斯凯网络科技有限公司
10
GreenPlum数据仓库的架构
2020/8/11
杭州斯凯网络科技有限公司
11
GreenPlum数据仓库的架构
2020/8/11
杭州斯凯网络科技有限公司
12
4.协同工作。解决多人协同开发问题。
2020/8/11
杭州斯凯网络科技有限公司
7
数据仓库的架构设计一些考虑因素
5.调度。能否很方便的一目了然的看到整体调度，站在一 个非常高的高度来管理各种数据流。 6.兼容性。能否兼容各种异构数据。 7.准确的监控系统。 8.高效的开发框架。
2020/8/11
杭州斯凯网络科技有限公司
当前的软件实现是指定一个Map（映射）函数，用来 把一组键值对映射成一组新的键值对，指定并发的Reduce （化简）函数，用来保证所有映射的键值对中的每一个共 享相同的键组。
2020/8/11
杭州斯凯网络科技有限公司
13
MapReduce 映射概念
简单说来，一个映射函数就是对一些独立元素组成的 概念上的列表（例如，一个测试成绩的列表）的每一个元 素进行指定的操作（比如前面的例子里，有人发现所有学 生的成绩都被高估了一分，他可以定义一个“减一”的映 射函数，用来修正这个错误。）。
2020/8/11
杭州斯凯网络科技有限公司
16
MapReduce的分布和可靠性
化简操作工作方式很类似，但是由于化简操作 在并行能力较差，主节点会尽量把化简操作调度 在一个节点上，或者离需要操作的数据尽可能近 的节点上了；这个特性可以满足Google的需求， 因为他们有足够的带宽，他们的内部网络没有那 么多的机器。
集中式硬件物理架构偏向于使用非常power的小型机 或者大型机，非常高端的海量存储，管理简单，在不计投 入的情况下性能也能满足企业需求。
分布式硬件物理架构目前非常流行，特征是采用价 格低廉的中低端机器组成计算集群，不同的技术驱动下， 在shared nothing的架构下可以采用本机的硬盘， 在 shared everything的架构下偏向使用集中存储，分布式 集群在网络上的要求比较高，扩展性比较好，配合好的软 件可以达到线性扩展的要求。
ETL负责将分布的、异构数据源中的数据如关系数据、 平面数据文件等抽取到临时中间层后进行清洗、转换、集 成，最后加载到数据仓库或数据集市中，成为联机分析处 理、数据挖掘的基础。
如果说数据仓库的模型设计是一座大厦的设计蓝图， 数据是砖瓦的话，那么ETL就是建设大厦的过程。在整个 项目中最难部分是用户需求分析和模型设计，而ETL规则 设计和实施则是工作量最大的，约占整个项目的60%～80%，
你既然认准一条道路，何必去打听要 走多久 。。202 0年8月 11日星 期二11 时21分 49秒Tuesday, August 11, 2020
•
商业竞争的胜负最终决定在经营者本 身的修 养上。 。20.8.1 12020 年8月11 日星期 二11时 21分49 秒20.8. 11
谢谢各位！
2020/8/11
杭州斯凯网络科技有限公司
20
软件物理架构比较
软件物理架构主要特征区别就是行存储和列存 储。这个也是曾经很多厂商津津乐道的地方，根 据需求的不同，2种方式可以灵活采用。
大部分DB软件都是采用行存储，而列存储 的特征在于高效的单列值压缩，在选择列比较少 的时候需要io要求很低，速度很快，不过行存储 的DB目前在压缩效率上也在迅速提升，大部分需 求还是选择行数据进行观察，行存储也更加便于 表的按记录拆分进行并行化。
•
没有等出来的辉煌；只有走出来的美 丽。。2 0.8.111 1:21:49 11:21A ug-201 1-Aug-2 0
•
生活不应该过于拘泥，过于刻板，只 要有可 能就要 任其自 由发挥 。11:21: 4911:2 1:4911: 21Tues day, August 11, 2020
•
所有目标都是黑暗的，只有行动才与 光明相 伴！。2 0.8.112 0.8.111 1:21:49 11:21:4 9Augus t 11, 2020
而GreenPlum方案是目前最近的解决方案，国外 VideoEgg和Skype等公司采用。09年刚刚进入中国， 目前国内还没有公司正式采用，淘宝，阿里巴巴 B2B公司在试用。因而遇到的风险相对会大很多
2020/8/11
杭州斯凯网络科技有限公司
23
提问与讨论
しろうと
かんが
くろうと
じっこう
素人のように考え、玄人として実行する
2020/8/11
杭州斯凯网络科技有限公司
17
MapReduce的用途
在Google，MapReduce用在非常广泛的应用程序中， 包括“分布grep，分布排序，web连接图反转，每台机器 的词矢量，web访问日志分析，反向索引构建，文档聚类, 机器学习，基于统计的机器翻译...”值得注意的是， MapReduce实现以后，它被用来重新生成Google的整个索 引。
2020/8/11
杭州斯凯网络科技有限公司
15
MapReduce的分布和可靠性
MapReduce通过把对数据集的大规模操作分发 给网络上的每个节点实现可靠性；每个节点会周 期性的把完成的工作和状态的更新报告回来。如 果一个节点保持沉默超过一个预设的时间间隔， 主节点（类同Google File System中的主服务器） 记录下这个节点状态为死亡，并把分配给这个节 点的数据发到别的节点。每个操作使用命名文件 的原子操作以确保不会发生并行线程间的冲突； 当文件被改名的时候，系统可能会把他们复制到 任务名以外的另一个名字上去。（避免副作用）。
2020/8/11
杭州斯凯网络科技有限公司
21
Oracle RAC和GreenPlum成本比较
Oracle RAC 包括软件成本，维护成本，硬件成 本，由于Oracle采用shared everything方式，因 而除了Oracle RAC本身的软件成本，维护成本外， 还有很大一块存储成本。
而GreenPlum是采用shared nothing方式，可以 采用廉价的硬盘存储方式。软件成本相对于Oracle 来说也便宜很多。
因为数据仓库的主要的工作量和维护成本是ETL， 而斯凯目前大部分数据都放在Oracle数据库中，因 而采用Oracle RAC 方案ETL时间会大大缩小。
2020/8/11
杭州斯凯网络科技有限公司
22
Oracle RAC和GreenPlum风险评估
Oracle RAC 方案是基于成熟的架构，被业界采 用最广泛的方案，因而风险相对小很多
2020/8/11
杭州斯凯网络科技有限公司
4
数据仓库的软件架构
数据仓库的软件架构选择更加丰富 数据库软件 ETL软件 展现软件 数据挖掘软件 每一种类型里面都具备非常多的选择。
2020/8/11
杭州斯凯网络科技有限公司
5
ETL约占整个项目的70%
ETL，Extraction-Transformation-Loading的缩写， 中文名称为数据抽取、转换和加载。
2020/8/11
杭州斯凯网络科技有限公司
6
数据仓库的架构设计一些考虑因素
1.成本。成本永远是企业关心的一个核心问题，特别在如 今经济寒冬，更是如此。
2.效率。能否高效的处理海量的数据是一个基础要素，搞 数据仓库的都知道，数据量永远是一个经常被拿出来讨论 的话题。
3.线性扩展。能支持线性扩展的系统在计划支撑多年的系 统中特别重要，可以非常方便的做出年度预算。
事实上，每个元素都是被独立操作的，而原始列 表没有被更改，因为这里创建了一个新的列表来保存新的 答案。这就是说，Map操作是可以高度并行的，这对高性 能要求的应用以及并行计算领域的需求非常有用。
2020/8/11
杭州斯凯网络科技有限公司
14
MapReduce 化简概念
而化简操作指的是对一个列表的元素进行适 当的合并（继续看前面的例子，如果有人想知道 班级的平均分该怎么做？他可以定义一个化简函 数，通过让列表中的元素跟自己的相邻的元素相 加的方式把列表减半，如此递归运算直到列表只 剩下一个元素，然后用这个元素除以人数，就得 到了平均分。）。虽然他不如映射函数那么并行， 但是因为化简总是有一个简单的答案，大规模的 运算相对独立，所以化简函数在高度并行环境下 也很有用。
封闭式硬件架构代表厂商有teradata，其硬 件是专属的，必须使用特殊的硬件才能运行。 开放式硬件架构的代表有oracle，可以运行 在各种硬件上，不过开放和封闭之间的界限 也逐步的融合。
2020/8/11
杭州斯凯网络科技有限公司
3
数据仓库的目前的现状
Greenplum在这两方面取长补短，所提供 的该公司的旗舰产品——Greenplum数据引 擎就是特别为支持新型数据仓库和大规模分 析处理而设计开发的，可以同时支持SQL和 MapReduce技术。Greenplum数据引擎对有PB 量级数据的大型公司提供数据处理能力。基 于Greenplum数据引擎的解决方案的核心优 势在于可将原来长达数小时甚至数天的运算 时间缩短为几分钟。
•
历史上许多忠臣义士，在国家有难时 ，他们 的节操 就显现 出来， 一个个 名垂史 册。。 上午11 时21分4 9秒上 午11时2 1分11: 21:4920 .8.11
•
学而不化，非学也。—宋·杨万里。20. 8.1120. 8.1111: 2111:2 1:4911: 21:49Aug-20
•
MapReduce 概念
MapReduce是一种编程模型(并不是google自己开发的 编程工具)，用于大规模数据集（大于1TB）的并行运算。 概念"Map（映射）"和"Reduce（化简）"，和他们的主要 思想，都是从函数式编程语言里借来的，还有从矢量编程 语言里借来的特性。他极大地方便了编程人员在不会分布 式并行编程的情况下,将自己的程序运行在分布式系统上。
像外行一样思考，像专家一样实践
2020/8/11
杭州斯凯网络科技有限公司
かなで たけお
金出 武雄
24
•
如果放弃太早，你永远都不知道自己 会错过 什么。 。20.8.1 120.8.1 1Tuesday, August 11, 2020
•
今天应做的事没有做，明天再早也是 耽误了 。。11: 21:4911 :21:491 1:218/ 11/2020 11:21:49 AM
数据仓库
顾安宁
2020/8/11
杭州斯凯网络科技有限公司
1
内容
数据仓库一些特点 数据仓库的架构 Oracle RAC架构 GreenPlum架构 MapReduce的概念 架构比较 风险评估
2020/8/11
杭州斯凯网络科技有限公司
2
数据仓库的目前的现状
软件架构
硬件架构 硬软架构又可以分成封闭式和开放式。