欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

数据立方体简介

程序员文章站 2023-11-09 18:33:04
假定我们有一个电商的销售数据集,其中包括时间、产品、地区、三个维度以及销售额这个度量数据。其中,各维度表构成如下: + 时间维度:时间KEY(time_key)、日期(day)、月(month)、季度(quarter)、年(year) + 产品维度:产品KEY(product_key)、产品名称(p ......

假定我们有一个电商的销售数据集,其中包括时间、产品、地区、三个维度以及销售额这个度量数据。其中,各维度表构成如下:

  • 时间维度:时间KEY(time_key)、日期(day)、月(month)、季度(quarter)、年(year)
  • 产品维度:产品KEY(product_key)、产品名称(product_name)、品牌(brand)、产品类别(product_type)
  • 地区维度:地区KEY(location_key)、城市(city)、省(province)、国家(sumry)

事实表构成如下:

  • 事实表: 销售额(sales)、时间KEY(time_key)、产品KEY(product_key)、地区KEY(location_key)

人们很形象的将这种基于维度-事实建模方法得到的数据模型成为星型结构。基于这种结构,我们可以使用SQL分组从不同维度进行数据查询、分析,比如查询2017年每个月份的销售额:

select
    t2.month,
    sum(t1.sales) 
from 
    sales_fact t1,
    time_dim t2 
where 
    t1.time_key = t2.time_key and t2.year = '2017'
group by t2.month

从这个例子中可以看到,在进行查询时需要进行表连接(join)、聚合等比较耗时的操作。为了解决表连接耗时的问题,工程上又提出宽表的方法,也就是接受数据冗余将维度表与事实表合并成一张表,以牺牲空间代价换取时间代价。但是,这仍然没有解决聚合耗时的问题,即使使用spark sql、persto这些新一代的内存计算计算,在数据量达到一定规模的时候,整个查询的耗时也将是分钟级别的,运气好的话,喝完一杯咖啡可以看到查询结果。慢查询会导致整个集群处于高负载下运行、降低集群的整体处理速度,在数据量日益增大的今天显然也是不能接受的。解决查询低效的一个方法是进行预聚合,按照不同维度进行预先聚合,查询时直接查询聚合结果。具体实现上有两种方法:ROLAP、MOLAP。

ROLAP
ROLAP简单来说就是用表的方式来存储按不同维度预先聚合好的数据,比如:

insert into agg_sales_fact_2017(month, sales) from 
select
    t2.month as month, 
    sum(t1.sales) as sales
from 
    sales_fact t1,
    time_dim t2 
where 
    t1.time_key = t2.time_key and t2.year = '2017'
group by t2.month 

当应用程序发起对sales_fact查询时,通常由一个引擎将基于sql语句转换为对聚合表的操作:

-- 应用程序发出的SQL语句
select
    t2.month,
    sum(t1.sales) 
from 
    sales_fact t1,
    time_dim t2 
where 
    t1.time_key = t2.time_key and t2.year = '2017'
group by t2.month

-- 引擎转换后的SQL语句
select 
    month, 
    sales
from 
    agg_sales_fact_2017

显示如果查询条件不带有t2.year = '2017'这样的维度查询条件时,整个查询将退化为对sales_fact、time_dim两个表的关联查询操作,因此需要从设计上加以避免。Mondrian是一个开源的多维查询引擎,可以将MDX查询语句转为相应的SQL语句,MDX是微软设计的一种类SQL查询语言

MOLAP
MOLAP是一种不同于数据库中表的存储结构,将数据存储在一种称为多维立方体的数据结构中。Apache Kylin是最近比较流行的一个MOLAP存储模型,可以将数据从Hive导入Kylin中进行存储,应用程序通过标准的SQL语句查询Kylin,Kylin具有极高的访问性能,自从开源以来一直热度不减。关于MOLAP,韩佳炜教授的《数据挖掘概念与技术》一书中有详细介绍,有兴趣可进一步学习。


参考
[1]: https://mondrian.pentaho.com/documentation/aggregate_tables.php#What_are_aggregates "Mondrian Documentation"
[2]: https://www.cnblogs.com/iammatthew/archive/2010/08/19/1803884.html "数据聚集技术在mondrian中的实现"
[3]: https://www.biaodianfu.com/olap-mondrian.html "OLAP引擎Mondrian的学习"
[4]: https://blog.csdn.net/paul_wei2008/article/details/19349157 "Mondrian ROLAP 小结"
[5]: http://www.cnblogs.com/sthinker/p/5965271.html "数据立方体"