“数据仓库”这个词在数据分析领域被广泛使用，但对于刚接触数据分析的人来说，仍然会很经常问到这个问题。 本文将对数据仓库的定义做一番解释，并说明为什么以及什么时候需要考虑建立一个数据仓库。

什么是数据仓库？

数据仓库是一种分析数据库，用于存储和处理数据，以便对数据进行分析。数据仓库的两个主要功能：存储分析数据和处理分析数据。

1. 首先，如果多个业务数据位于不同的数据源，就无法轻易地将它们组合在一起。
2. 其次，你的数据源系统不适合用来运行大量的数据分析，这样做可能会危及业务运行，因为它会给系统带来很重的负载。

数据仓库是分析管道的核心，它有三个主要作用：

• 存储：在合并 (提取和加载) 步骤，数据仓库将接收和存储来自多个数据源的数据。
• 处理：在处理 (转换和建模) 步骤，数据仓库将处理大部分 (或全部) 由转换步骤生成的密集处理工作负载。
• 访问：在生成报告 (可视化和交付) 步骤，首先需要在数据仓库中收集报告，然后将其可视化并交付给最终用户。

目前，大多数数据仓库使用 SQL 作为主要的查询语言。

什么时候需要构建数据仓库？

简单地说，这取决于公司所处的阶段、所拥有的数据量和预算，等等。

在早期阶段，你可能不需要数据仓库，而是直接使用业务智能 (BI) 工具连接到生产数据库。

如果你仍然不确定数据仓库是否适合你的公司，请考虑以下几点：

首先，你是否需要分析来自不同数据源的数据？

在公司发展的某个阶段，你可能需要将来自不同数据源的数据组合起来，以便做出更好、更明智的业务决策。

例如，如果你是一家餐馆，想要分析订单 / 服务员效率比率 (每周里哪个小时员工最忙和最空闲)，就需要将销售数据 (来自 POS 系统) 与员工职责数据 (来自 HR 系统) 结合起来。

对于这些分析，如果数据都位于一个中心位置，就会容易得多。

第二，是否需要将分析数据与事务数据分离？

如前所述，你的事务系统不适合用来进行数据分析。因此，如果你在应用程序中收集了活动日志或其他可能有用的信息，那么将这些数据存储到应用程序的数据库中，并让分析师直接在生产数据库上进行数据分析可能不是一个好主意。

相反，购买一个为复杂查询而设计的数据仓库，并将分析数据保存到数据仓库里，这样会更好。这样，应用程序的性能就不会受到数据分析任务的影响。

第三，原始数据源适合用来查询吗？

例如，绝大多数 BI 工具不能很好地与 NoSQL 数据存储 (如 MongoDB) 搭在一起使用。也就是说，在后端使用 MongoDB 的应用程序需要将数据传输到数据仓库，数据分析人员才能够有效地使用它们。

第四，是否希望提高数据分析的查询性能？

如果事务数据有数十万行，那么创建汇总表可能是一个好主意，它会将数据聚合成容易查询的表单。如果不这样做，查询会非常慢，而且会给数据库带来不必要的负担。

如果你对上述任意一个问题的回答是“是”，那么你很可能需要一个数据仓库。

也就是说，在我们看来，构建一个数据仓库通常是个好主意，因为在云计算时代，数据仓库并不贵。

应该选择哪一个数据仓库？

以下是一些常见的数据仓库，你可以从中选择：

• 亚马 Redshift
• 谷歌 BigQuery
• Snowflake
• ClickHouse(自托管)
• Presto(自托管)

如果你才刚开始，还没有确定的想法，那么建议你使用谷歌 BigQuery，原因如下：

• BigQuery 前 10GB 存储和前 1TB 查询量是免费的，之后按使用量付费。
• BigQuery 是全托管的 (无服务器)，不需要启动或管理物理 (或虚拟) 服务器。
• BigQuery 的架构是可自动伸缩的：根据查询的复杂性和数据量，BigQuery 将自动确定分配给每个查询多少计算资源，无需手动调整。

但是，如果你的数据量增长速度很快，或者如果你的场景很复杂或者很特殊，就需要仔细评估你的选项。

下面，我们列出了最为流行的一些数据仓库，目的是让你对数据仓库领域最常见的选项有一个高层次的了解。这个清单并不是最完整的，也不足以帮你做出一个最完美的决定。

但我们认为，这是一个良好的开端：

名称开发商价格亚马逊 Redshift亚马逊，作为 AWS 产品的一部分按实例付费，每小时 0.25 美元起（一个月大约 180 美元）谷歌 BigQuery谷歌，作为 Google Cloud 产品的一部分按数据查询和数据存储付费，前 10GB 存储和前 1TB 查询量免费ClickHouse由 Yandex 开发，后来开源出来开源免费，可以部署在自己的服务器上SnowflakeSnowflake 公司按使用量付费Presto由 Facebook 开发，后来开源出来，现在由 Presto 基金（Linux 基金的一部分）负责管理开源免费，可以部署在自己的服务器上

数据仓库与普通 SQL 数据库有什么不一样？

这个时候，有些人可能会问：

“数据仓库不是像关系数据库一样，存储数据，然后对数据进行分析吗？难道我就不能使用 MySQL、PostgreSQL、MSSQL 或 Oracle 作为数据仓库吗？”

简单地说：可以。

但要细说起来：这个要视情况而定。首先，我们需要了解一些概念。

事务工作负载与分析工作负载

理解这两种数据库工作负载 (事务工作负载和分析工作负载) 之间的差异是非常重要的。

事务工作负载是指普通业务应用程序的查询工作负载。当访问者在 Web 应用程序中加载一个产品页面时，将向数据库发送一个查询，获取产品信息，并将结果返回给应用程序。

SELECT * FROM products WHERE id = 123 

以下是事务工作负载的几个常见属性：

• 每次查询通常返回一条记录或少量记录 (例如，获取某类别的前 10 篇博文)。
• 事务工作负载通常包含运行时间非常短 (少于 1 秒) 的简单查询。
• 在任意时刻都有大量的并发查询，这取决于应用程序的并发访问者数量。对于大型网站来说，这个数字可能是成千上万或数十万。
• 通常对全数据记录感兴趣 (例如产品表中的每一列)。

分析工作负载是指用于实现分析目的的工作负载。在生成一个数据报告时，一个查询将被发送给数据库，计算结果，然后将结果显示给最终用户。

SELECT category_name, count(*) as num_products FROM products GROUP BY 1 

分析工作负载具有以下属性：

• 每个查询通常会扫描表中的大量数据行。
• 每个查询都是重量级的，并且需要很长时间 (几分钟，甚至几小时) 才能完成。
• 并发查询并不多，主要由使用分析系统的报告或内部人员数量决定。
• 通常只对几列数据感兴趣。

下面是事务工作负载（或数据库）与分析工作负载（或数据库）的比较。

事务工作负载有很多简单的查询，而分析工作负载有一些重量级的查询。

底层架构的不同

由于上述两种工作负载之间的巨大差异，这两种工作负载的数据库底层后端设计也是非常不一样的。事务数据库的优化目标是高并发的快速短查询，而分析数据库的优化目标是长时间运行的资源密集型查询。

那么它们之间的架构区别是什么呢？这需要专门的文章才能解释清楚，不过简单地说，分析数据库使用以下技术来保证性能：

• 列式存储引擎：分析数据库不是在磁盘上逐行存储数据，而是将数据的列分组存储。
• 列式数据的压缩：压缩每个列中的数据，获得更小的存储和更快的检索速度。
• 查询执行的并行化：现代分析数据库通常运行在数千台机器上。因此，可以将每个分析查询拆分为多个更小的查询，并在这些机器之间并行执行 (分治策略)。

你可能已经猜到了，MySQL、PostgreSQL、MSSQL 和 Oracle 数据库主要用于处理事务工作负载，而数据仓库用于处理分析工作负载。

那么，我可以使用普通的 SQL 数据库作为数据仓库吗？

就像我们之前说的，可以，但要视情况而定。

如果刚开始时只有少量的数据和分析用例，选择一个普通的 SQL 数据库作为数据仓库是可以的 (最流行的是 MySQL、PostgreSQL、MSSQL 或 Oracle)。如果有很多数据，仍然可以这样做，但需要进行适当的调优和配置。

也就是说，随着像 BigQuery、Redshift 这样低成本数据仓库的出现，我们建议使用数据仓库。

不过，如果你必须要选择一个普通的基于 SQL 的数据库 (例如，你的公司只允许数据驻留在自己的网络中)，我们建议使用 PostgreSQL，因为它提供的分析功能最多。

总结

在这篇文章里，我们主要谈到了：

• 数据仓库是存储和处理数据的集中式分析数据库。
• 构建数据仓库的四个出发点。
• 一个简单的数据仓库技术列表。
• 数据仓库为分析工作负载而优化，而传统数据库为事务工作负载而优化。

原文链接：

https://towardsdatascience.com/what-is-a-data-warehouse-when-and-why-to-consider-one-2e826be68e95

关注我并转发此篇文章，私信我“领取资料”，即可免费获得InfoQ价值4999元迷你书！