hive数仓相关

最近在做hive相关的项目，以前做spark也没有太关注数仓，这更多的是关于切入问题解决问题的思路记录。
主要就是基于主题库的数据建立对应的专题库以供对应专题服务。一开始因为spark招的我，结果让我来做hive，没办法，拿人钱财，替人解忧，于是乎哼哧哼哧做数仓去了，但是没有经验的我，又没人带只有自己加油搞了咯。好歹自己还有些hive的底子。

速成策略：
1.首先了解数仓相关知识
2.了解事实表与维度表的建立与实施，
3.找出业务需求然后寻找对应的解决方案。
4，后期开发顺利推进。

• 1，数仓
  学习一样新的东西不都得是先概念再具体嘛，不然做得一脸懵逼，出来的成果也是不合适。
  1.1上图先，毕竟图片易于理解
  数据仓库的分层结构，有人说是基于ETL作为基础来分层的，（抽取，清洗，转换，加载（mysql））但是基于上图可能会更具体一些，主要就是贴近我们这个项目。

1.2通过这样子的一个架构明确我就可以明确自己接下的工作方向了。
从原子层（主题）的数据转换整合成对应专题库的数据，然后再加载到mysql供展现层调用数据。

1.3具体怎么做？
问题细分为两步：
第一步：是从原子层转换成对应专题库的数据，
第二步：是从专题库将数据加载到mysql供展现层使用。
但是这样想只是口号。我们最终要解决的还是业务导向，我们需要明确的是我们的业务需求。明确业务需求了就会知道mysql最终需要一些什么数据才能支撑。
而知道mysql数据才会知道专题库需要些什么，知道专题题库需要些什么数据。

• 2项目的实际情况架构

一、数据仓库的分层结构

1）ods层：原始数据直接同步过来；ODS作为数据缓冲层，保留的是所有的数据，理论上粒度和源系统保持一致，同时不丢数据，业务DB基本上是直接同步过来，LOG主要是做结构化。

2）维表和事实表层：该主要是将ods的数据经过规范化处理、业务逻辑处理等得到的。在该层以后使用的所有数据都必须且只能来自该层，不能再从ods层提取。

3）主题层：主要将维表和事实层的数据按照相同的业务主题进行整合得到。

4）聚合层：在事实层和主题层的基础上，按照业务需求对数据进行相应的汇总，直接面向应用层。

5）应用层：主要用于生成报表，展现给需求方。

那我们就是做聚合层应该做的事情了；

二、数据流向规范

1）原始数据需要先同步到ods层，除ods外的其他任何层都不能直接使用原始数据

2）汇总层/app层数据 不能直接依赖ods层数据

补充：
数仓分层
数仓前几层一般包括：ODS、STD、DWD
ODS是原始数据汇集层，一般把生产库的数据同步过来即可（当然要有增量数据，增量方式后面有讨论）
STD是数据标准层，针对ODS的原始数据做些基础的清洗、标准化
DWD常做为数据描述层，通常对STD层的数据按照主题、或者大的业务分类，进行数据整合，常包括数据合并拆分（表合并、分类）、数据计算（简单的计算逻辑生成需要的数据）
数仓建设完成后，通过DWD层，对使用人员提供服务。使用人员可以通过DWD层进行业务专题库建设或者数据建模，进行数据轻度汇总再对外使用等等。

作者：远处的一只猫
来源：CSDN
原文：https://blog.csdn.net/micklf/article/details/82893776

对于增量数据的合并动作（把1、2、3月的变化数据合并），在哪一层做，是有歧义的。这里有2种做法：

方案一，在ODS层合并好，然后每天晚上重新生成STD、DWD层
好处在于干净，可以由负责入库的ETL同学做掉。后面建仓的时候完全不关心。
方案二，在STD层合并好，然后每天晚上重新生成DWD层
减少一次数据拷贝（ODS到STD一般不做字段合并和拆分，所以也省不太多时间）
方案三，在DWD层，最后合并
限制较多。如果STD到DWD的按主题整理过程比较复杂（除了常见的多表合并，还会涉及计算，那从STD增量表到DWD增量表的过程就很复杂了）

由于是DWD层对外提供服务，所以上述方案都不影响使用者。

续更：
今天周五，一整天都在琢磨维度表的处理：
贴上交叉维度处理思路，接下来就是进行实施工作了
第一步；表一获取所需所有字段
第二步：将来源表字段数据转换成自己所需字段
第三步：进行时间维度进行计算
第三步：根据地域层维度进行管理
第四步：根据部门层维度进行管理
第五步：根据主题类型、问题类型、年龄段、职业类型，问题来源,高频词，性别，
第六步：计算受理案件数，受理案件数占比、办结案件数，办结中案件数、超期未办结案件总数量，案件办结率，平均投诉次数，退件次数，退件次数占比，同一邮箱频次；
第七步：得出最终结果表；

结论：如果今后拿到一分需求让做专题库；
主要思路是1.先找常量（不变的量，做维度），再找变量做计算
2.处理常量应该先找层级常量，用于下钻。
3.再找维度常量做处理。
4.处理好维度之后再做统计指标计算。