《新兴数据湖仓设计与实践手册·从分层架构到数据湖仓架构设计（2025 年）》 系列文章将聚焦从数据仓库分层到数据湖仓架构的设计与实践。手册将阐述数据仓库分层的核心价值、常见分层类型，详解分层下的 ETL 架构及数据转换环节，介绍数据仓库分层对应的技术架构，并以贴源层（ODS）、数据仓库层（DW）、数据服务层（DWS）为例，深入剖析数湖仓分层设计，最后探讨数据仓库技术趋势并进行小结。

本文为系列文章第三篇，详细剖析了数据仓库分层下的贴源层和数据仓库层设计。

👉上文回顾：《（一）从分层架构到数据湖仓架构：数据仓库分层的概念与设计》 （二）从分层架构到数据湖仓架构：数据仓库分层下的技术架构与举例

贴源层（ODS, Operational Data Store）

数据引入层（ODS，Operational Data Store），也称为数据基础层。

这一层主要存放从源系统引入的原始数据，几乎不做任何加工处理，目的是将基础数据直接同步到数据仓库中，便于后续的数据处理工作。在结构上，ODS层的数据与源系统保持高度一致，是数据仓库的数据准备区。

在现代数据架构中，ODS层的数据获取方式逐步向CDC（Change Data Capture，变更数据捕获）模式转变 ，尤其在数据湖和实时数据仓库的场景中。新型的ETL工具已经可以支持源系统的DDL（数据定义语言）变更，这意味着当源系统的字段发生变化时，ODS层可以自动更新表结构，无需手动调整。例如，WhaleTunnel这样的工具支持多种系统的DDL变更捕获，保证了ODS层数据在数据仓库、数据湖或实时数据仓库中的一致性，不会因为源系统的改变而中断ETL流程。

ODS层的数据通常分为当前数据和历史数据两部分：

• 当前数据表：用于存储最近需要处理的数据，保持最新的数据状态。
• 历史数据表：保存已处理完的数据以备后续使用，一般保留3-6个月后清理，具体时间视项目需求而定。如果源系统的数据量较小，也可以选择更长时间的保存，甚至全量保存。

ODS层的作用：数据清洗和规范化

尽管ODS层主要作用在于数据引入，但并非完全不做处理。此层通常会进行基本的数据清洗，例如：

• 处理异常字段、规范化字段命名、统一时间格式
• 确保数据一致性，为后续数据处理和特征工程奠定基础

一些公司会选择在ODS层就进行初步的清洗和过滤，而另一些则将更多的数据加工留在DWD层。选择在哪里进行清洗取决于企业的技术规范和需求。在实际开发中，大多数企业会在将数据存入ODS时进行基本处理，以减少后续工作量。

数据来源

1. 业务数据库：公司各业务系统生成的结构化数据。
2. 日志数据：包括用户行为日志和系统后台日志。埋点数据首先经由Nginx上报，再由Flume收集并存储在Kafka等消息队列中，随后由SeaTunnel或WhaleTunnel拉取至离线数据仓库（如HDFS）。 外部数据：包括合作伙伴提供的数据或爬虫采集的数据，整合后用于补充业务分析。

存储策略设计

按时间划分

数据来源可按时间进行分区存储，通常以日为粒度，也有公司采用年、月、日三级分区以优化存储效率。数据在进入数据仓库前进行基础清洗，如格式错误数据的剔除、关键信息缺失的过滤等，以保证数据质量。数据可分为实时和离线两种处理模式。

离线数据处理

离线数据通常通过定时任务（如每日批量任务）从业务系统或数据库中抽取。典型的日计算任务会在凌晨执行，通过SeaTunnel、DataX或WhaleTunnel从业务数据库提取数据，计算前一天的业务指标，并生成报表。Hive、Spark常用于批量计算，计算结果存储于Hive、HBase、MySQL、Elasticsearch或Redis等系统中，供后续分析使用。

实时数据处理

实时数据源主要来自日志埋点数据或业务数据库，常用于实时推荐、用户画像等业务需求。Spark Streaming和Flink负责实时计算，结果通常写入Elasticsearch、HBase或Redis。实时数据源可利用WhaleTunnel监控MySQL的Binlog变化，将数据实时写入Kafka或HDFS。

按方式划分

在实际应用中，可根据需求选择增量、全量或拉链存储方式。

增量存储

增量存储通常按天分区，以业务日期为分区字段，每日存储新增的业务数据。例如，用户A在1月1日访问了店铺B，生成记录t1，并于1月2日访问店铺C，生成记录t2。增量存储会将t1存入1月1日的分区，将t2存入1月2日的分区。如果用户A在1月1日购买商品B（生成t1记录）并在1月2日退货（更新t1记录），增量存储会将初始购买记录存于1月1日分区，退货更新后的记录则存于1月2日分区。

对于交易日志和行为日志等高频变更的数据表，增量存储能减少存储成本和数据冗余。下游分析需求一般只需聚合后的汇总数据，因此不需要长期保存全量的历史数据。

全量存储

全量存储以日为分区，每个分区记录当天的完整业务数据快照。例如，1月1日，卖家A发布了商品B和C，生成记录t1和t2。1月2日，卖家A下架商品B并上架商品D，此时商品B记录t1会更新，商品D生成新记录t3。全量存储会在1月1日分区保存t1和t2，在1月2日分区保存更新后的t1、t2和t3。

对于数据量较小、变化缓慢的维度数据（如商品分类），全量存储能够保证数据完整性和易用性。

拉链存储

拉链存储通过在表中增加开始时间（start_dt）和结束时间（end_dt）两个时间戳字段，记录每次数据变更，并以时间为分区字段。这种方式适用于记录所有变更数据的历史快照，为分析数据演变过程提供支持。 目前WhaleTunnel已经支持了CDC、增量和全量数据抽取模式，也支持自定义插入规则，是用户使用的快速工具。

缓冲层

概念介绍

缓冲层（也称接口层或Stage层）用于存储每天的增量和变更数据。该层暂存从源系统采集的原始数据，以便后续数据处理和ETL流程的使用。

数据生成方式

数据通常通过Kafka直接接入缓冲层，对于包含update、delete和insert操作的业务表，会每日生成变更日志；而仅有insert操作的业务表，则直接将数据进入明细层。

• 建议方案：Apache SeaTunnel或WhaleTunnel生成的CDC日志直接进入缓冲层。如果业务涉及拉链数据，同样将其存放于缓冲层，以确保数据变更的准确记录。

日志存储方式

缓冲层的日志数据以Impala外部表形式存储，采用Parquet文件格式。这种方式不仅提高了存储效率，还便于MapReduce等处理引擎对数据的快速访问和处理。

日志清理策略

对于日志数据，通常只保留最近几天的数据以节省存储空间。

• 建议方案：考虑长期存储重要日志数据，以便于历史数据回溯和审计。

表的Schema和分区策略

通常按天分区数据，以partitioned by时间字段进行存储。这样不仅简化了数据管理，还能提升查询效率。表的Schema设计遵循源系统的结构，以确保数据的一致性和完整性。

库和表的命名规范

• 库名：ods，表示数据的贴源层。
• 表名：格式建议为ods_日期_业务表名，例如ods_2024_10_sales，便于管理和查询。

Hive表类型

在缓冲层中使用Hive的外部表管理数据，外部表的文件可以存储在非默认的HDFS路径中，这样当删除表定义时，实际存储文件不会被删除，保障数据安全。

业务表使用Hive的内部表，当删除表定义时，关联的HDFS文件也会被删除。此方式适合临时或不重要的数据存储，避免重要数据的误删。

数据仓库层设计（DW，Data Warehouse）

数据仓库层（DW层）是数据仓库设计的核心层，负责对来自贴源层（ODS层）的数据进行主题化建模，以支持高效的业务分析和决策。DW层根据业务主题划分领域，为各主题构建清晰的数据视图，过滤掉无关决策的数据，专注于支持企业关键分析。在该层，通常会存储业务系统的所有历史数据，例如保存10年以上的数据，为BI系统提供全面的历史数据支持。

数据内容和结构

在DW层中，主要存储三类数据：

1. 明细事实数据：基于ODS层的原始数据加工而成，包含业务过程中的细节信息。
2. 维表数据：描述性数据（如客户信息、产品分类等），同样从ODS层加工生成。
3. 公共指标汇总数据：基于维表和明细数据汇总而成，为业务分析提供标准化的核心指标。

DW层的细分

DW层通常进一步划分为三个子层：维度层（DIM）、明细数据层（DWD）和汇总数据层（DWS），并使用维度建模方法为数据设计结构，以确保高效的数据管理和访问：

1. 维度层（DIM）：定义维度数据，如用户、产品等，用于描述事实表中的相关业务数据，帮助业务数据的理解和查询。
2. 明细数据层（DWD）：存储经过整理的细粒度数据，保持原始数据的完整性，但格式已适合进一步分析和使用。DWD层中的数据从ODS层数据加工而来，精细化了原始数据，确保高可用性。
3. 汇总数据层（DWS）：通过汇总维度和明细数据，生成更宽表结构的公共指标，便于多场景复用。这一层根据特定的统计需求，对明细数据进行聚合，减少数据的重复加工，提升查询和计算的效率。

数据模型设计

DW层采用维度建模，将维度表和事实表建立外键关联关系，以减少数据冗余、提高数据的组织效率。维度模型不仅简化了业务分析的复杂性，还提升了DW层的数据易用性。在汇总数据层中，通过宽表设计将不同统计维度关联，建立高度复用的公共指标数据层，从而减少下游数据开发的重复劳动。

维度层（DIM，Dimension）

维度层以业务维度为建模核心，根据每个维度的业务语义，定义维度属性和关联关系，形成标准化的数据分析维表。此层通过为各维度添加属性、定义关联关系等，明确计算逻辑，实现一致性的数据描述。为了避免在维度模型中出现冗余数据，维度表通常采用雪花模型结构，通过拆分属性表来减少数据重复，实现更加规范的维度建模。

明细数据层（DWD，Data Warehouse Detail）

明细数据层以具体的业务过程为核心进行建模，旨在捕捉业务活动的最细粒度信息，构建详细的事实表。这些事实表保留了业务过程的每一个细节，确保数据的完整性和精准性。在实际设计中，对于一些关键的属性字段，可以适当进行冗余处理，即采用宽表化设计，以提升查询效率，减少多表关联带来的性能开销。这种做法在确保数据精细化的同时，兼顾了系统的易用性和高效性。

汇总数据层（DWS，Data Warehouse Summary）

汇总数据层（DWS）以分析主题为核心进行建模，围绕业务指标需求，构建标准化的汇总表，为上层应用提供一致的公共指标。这一层基于宽表设计，将统计逻辑物理化，确保数据的命名规范和口径一致，从而支持高效的分析查询。汇总数据层包含多种主题的宽表和明细事实表，为业务提供统一的统计视角。

• 主题域：以业务过程为视角，将业务活动进行抽象和分类。例如，下单、支付、退款等事件可归类为不同的业务主题域，主要针对公共明细层（DWD）进行主题划分。
• 数据域：以分析需求为导向，将业务过程和维度进一步抽象，形成数据域。数据域划分在公共汇总层（DWS）中进行，用于满足各类业务分析需求。

层次结构与数据处理

• DWD（Data Warehouse Details，数据明细层）：以业务过程为驱动，主要从ODS数据层抽取原始数据并进行清洗和规范化处理，确保数据的完整性和一致性。清洗内容包括去除空值、转换脏数据、枚举值统一、以及异常值过滤等。
• DWS（Data Warehouse Base，数据基础层）：该层存储客观数据，主要作为中间层，为DWS层提供基础指标支持。可以视为大量中间指标的存储区，聚焦客观的业务事实。
• DWS（Data Warehouse Summary数据服务层）：基于DWB中的基础数据，DWS层整合并汇总成以主题域为中心的宽表数据，用于OLAP分析、业务查询和数据分发。DWS的宽表设计适用于高效查询和聚合分析，满足各种业务部门的统计需求。

数据汇总和轻度聚合

汇总数据层在数据服务和分析场景中发挥关键作用。主要对ODS和DWD层的数据进行轻度聚合和汇总，确保数据粒度适用于业务需求，支持复杂分析和快速响应上层查询需求。

1）公共维度层（DIM，Dimension）

公共维度层（DIM）通过维度建模来构建企业的一致性维度，以确保在数据分析和计算过程中口径统一，避免因算法或指标不一致而引发的偏差。维度层的主要目的是定义和标准化数据分析的基本属性，例如国家代码、地理位置、产品分类等。通过为所有业务共享的维表建立统一的结构和命名规范，DIM层成为业务数据的标准参照层。

公共维度层的构成

• 维表：维表是逻辑维度的物理实现，将每个维度及其属性具体化。为了提高查询效率和降低数据冗余，维表通常采用宽表设计原则。高基数的维表（如用户、商品等）可能包含数百万甚至数亿条记录，而低基数的维表（如枚举配置、日期等）则记录数相对较少。

维度层的设计要点

1. 维表设计原则 在设计维表时，建议将单表的数据量控制在1000万条以内。对于高基数表，可采用Map Join操作优化查询性能。同时，避免频繁更新维表，针对缓慢变化的维度（如商品分类）可采用拉链表方式记录变更历史。
2. 维表命名规范 公共维度表命名通常以dim_开头，表示与具体业务无关、可以在各个业务模块中复用的维度。例如，公共区域表命名为dim_pub_area，商品表命名为dim_asale_item。这种命名规范便于识别表用途和主题，提高数据管理的清晰度。
3. 粒度定义 维度表中的数据粒度是业务过程的最小描述单位。例如，一条订单记录的粒度可能为"每次下单"。粒度可通过维度属性组合来描述，如"国家-城市-区县"组合用于表示地理位置的细节。粒度定义需精细，以满足后续分析需求。

维度建模步骤

1. 选择业务过程 选择业务系统中的关键业务过程（如下单、支付、物流等）进行建模。中小企业通常会选取所有业务过程，而大企业则聚焦于分析需求的主要业务线，以减少数据冗余和维护成本。
2. 声明粒度 粒度定义明确数据的细化程度。建议选择最小粒度，以支持更细粒度的指标计算。例如，在订单数据中，每个商品项代表一行数据记录，粒度为"每次下单"。保持细粒度可以灵活支持不同的统计需求，避免数据粒度过粗导致的信息丢失。
3. 确定维度 维度用来描述业务中的"谁、何处、何时"等信息，帮助分析不同维度的指标变化。例如，为支持订单量按时间、区域或用户的统计分析，需定义时间、地区和用户维度。维度表设计遵循星型模型原则，在必要时进行维度退化。
4. 确定事实 事实是业务中的度量数据，如订单金额、购买次数等。事实表中的每条记录反映某一业务活动的度量结果。通过宽表设计适当冗余重要字段，以提高查询效率。DWD层（数据明细层）以业务过程为驱动，而DWS层（汇总层）则是以需求为导向，与维度建模无直接关联。

主题、主题域与维度模型

• 主题 数据仓库中的数据组织围绕不同的主题（如财务、销售、客户）展开。主题定义了数据仓库的主要分析方向，每个主题对应一个业务分析领域。例如，"财务分析"是一个主题，涵盖收入、支出、盈利等指标。
• 主题域 主题域是多个相关主题的集合，便于数据的分层组织和分类管理。主题域的划分应由业务部门与数据仓库设计人员共同决定，考虑业务的关联性和分析需求。例如，销售主题域可包含订单分析、客户行为、广告投放等主题。

主题域划分原则

主题域的划分逻辑可以基于不同的业务需求或部门需求：

• 按业务过程：如电商平台可设立"广告域"、"客户域"等主题域，进一步分为"库存管理"、"销售分析"等具体主题。
• 按需求方：如财务部门的主题域可能包含"工资分析"、"投资回报分析"等内容。
• 按功能或应用：如"朋友圈域"可包含用户动态、广告数据等，适用于社交平台数据的主题划分。
• 按部门：如运营域、技术域，分别涵盖与各部门工作相关的主题（如运营域中的"活动效果分析"）。

主题域划分不必一次性完成，可采用迭代方式，从确定的主题开始逐步扩展，最终形成符合行业标准的主题模型。

2）数据明细层（DWD，Data Warehouse Detail）

数据明细层（DWD）是数据仓库和业务系统间的隔离层，主要用于提升数据的质量和一致性，确保存储的数据符合分析需求。DWD层接收并清洗来自ODS层的原始数据，通过去噪、去重、脱敏等处理后，生成干净、准确的明细数据表，以支持业务分析。该层还会适度进行维度退化处理，将一些必要的维度字段直接存储在事实表中，以减少表关联，提高查询性能。

数据清洗与处理

DWD层的数据需要符合严格的数据质量标准，数据在装入前进行多种处理：

1. 数据清洗
   1. 去除空值、脏数据：例如丢失关键字段（如订单ID为空）的记录、格式错误的数据。
   2. 敏感数据脱敏：对手机号、身份证等敏感信息进行加密或脱敏处理。
   3. 去除无效数据：如无时间戳的数据（视业务需求）。
   4. 会话切割：如针对App日志数据的场景，将用户进入后台再返回前台的操作分割为新的会话，方便后续行为分析。
2. 数据映射与转换
   1. 地理位置映射：将GPS经纬度转换为省市区地址，采用geohash或IP地址转换库（如ip2region）进行快速定位，也可借助高德、百度地图API。
   2. 时间标准化：将时间戳转换为年、月、日、周、季度等信息。
   3. 数据规范化：对来自不同来源的数据进行格式统一，例如布尔值（0/1转换为true/false）、空值（统一为null）、日期格式（标准化为YYYY-MM-dd HH:mm:ss）。
3. 维度退化 对于一些高基数的维度字段（如订单ID），直接存储在事实表中而不创建单独的维度表。这些退化维度可以简化数据结构，减少关联，提升数据查询的效率。

明细粒度事实表设计

DWD层以业务过程为核心进行建模，根据每个业务过程（如下单、支付、退款等）的特点，构建最细粒度的事实表。这些明细事实表保留了业务过程的全部细节，且一般会将一些常用的维度字段冗余存储，采用宽表设计以提升性能。这些事实表也被称为"逻辑事实表"。

数据质量控制

DWD层的数据粒度与ODS层保持一致，但在此基础上提供更严格的数据质量保证。DWD层还会适度进行维度退化，例如将商品类别的多级维度（如一级、二级、三级类别）或时间、地域等常用维度直接存储在事实表中，简化关联，提高数据的使用效率。

• 清洗比例：对于大数据量的数据，建议清洗掉低于0.01%的数据，如每万条记录中去除一条不合规数据。
• 表数量优化：通过合并相似数据，合理控制表数量，将过多的表精简为更易管理的结构。例如，将上万张表优化为三千张或一千张表，以便于后续的维护和扩展。

总结来说，DWD层在保持细粒度的前提下，提供规范化、清洗后的明细数据，为上层的业务应用和分析提供了干净、标准化的数据支撑。这一层的优化和处理不仅提升了数据仓库的性能，还显著降低了数据冗余，提高了数据的可用性和易用性。

明细粒度事实表设计原则

1. 单维度关联：每个明细粒度事实表只应与一个核心维度关联，保持数据模型简单、清晰。
2. 业务过程相关性：仅包含与业务过程直接相关的事实数据，确保每个事实表准确反映其特定业务过程。
3. 声明粒度：在定义维度和事实之前，必须先明确数据粒度，即一行数据代表的具体业务意义。
4. 一致性和可加性：确保事实的单位一致，且尽量将不可加的事实分解为可加性组件，以支持更广泛的统计需求。
5. 统一粒度：一个事实表中仅能包含单一粒度的事实数据，避免混合不同粒度的事实。
6. 处理Null值：对Null值进行合理处理，以避免数据分析过程中产生意外结果。
7. 退化维度应用：使用退化维度（如订单ID等高频维度）直接冗余存储在事实表中，以简化数据表关联，提升查询效率。

数据处理与存储方案

• 数据合成：采用全量合成策略，每天合并前天的全量数据和昨天的新增数据，生成一个新的数据表，覆盖旧表。同时，使用历史镜像按周、月或年存储快照。
• 日志存储方式：使用Impala的外部表和Parquet文件格式存储日志数据。建议在DWD层和下层数据均使用Impala内表，以实现更高效的静态或动态分区管理。
• 分区设计：默认按天创建分区。如果数据没有时间属性，可根据业务需求选择合适的分区字段。
• 库与表命名规范：库名为dwd，表名格式建议为dwd_日期_业务表名。对于增量表和全量表，用i表示增量，f表示全量。例如：
  • odwd_asale_trd_ordcrt_trip_di：表示A电商公司航旅机票订单下单的增量事实表，按日更新。
  • odwd_asale_itm_item_df：表示A电商公司商品快照的全量事实表，按日刷新。

明细粒度事实表设计示例

• 以交易商品信息事实表（dwd_asale_trd_itm_di）为例：

(
  item_id BIGINT COMMENT '商品ID',
  item_title STRING COMMENT '商品名称',
  item_price DOUBLE COMMENT '商品价格',
  item_stuff_status BIGINT COMMENT '商品新旧程度_0全新1闲置2二手',
  item_prov STRING COMMENT '商品省份',
  item_city STRING COMMENT '商品城市',
  cate_id BIGINT COMMENT '商品类目ID',
  cate_name STRING COMMENT '商品类目名称',
  commodity_id BIGINT COMMENT '品类ID',
  commodity_name STRING COMMENT '品类名称',
  buyer_id BIGINT COMMENT '买家ID'
)
COMMENT '交易商品信息事实表'
PARTITIONED BY (ds STRING COMMENT '日期')
LIFECYCLE 400;

此表设计为按天分区，数据存储生命周期为400天，用于存储每日更新的商品交易信息。通过ds字段管理数据的时间分区，便于查询和管理。