高内聚低耦合
宽表是数仓里面非常重要的一块,数仓是分层的,这是技术进步和时代变化相结合的产物,数仓的分层式为了更好地管理数仓以及更加高效地进行数据开发。
宽表主要出现在dwd 层和报表层,当然有的人说dws 层也有,宽表,从字面意义上讲就是字段比较多的数据库表,通常情况下是将很多相关的数据包括维度表、实时、已有的指标或者是dws/dwd 表关联在一起形成的一张数据表。
由于把不同的内容都放在同一张表存储,宽表已经不符合范式设计的模型设计规范而且数仓里面也不强调范式设计,随之带来的就是数据的大量冗余,与之相对应的好处就是查询性能的提高与便捷。
分层的目的是为了管理方便、开发高效、问题定位、节约资源等等,那么建设宽表呢?前面学习建模方法论的时候,提到过维度模型的非强范式的,可以更好的利用大数据处理框架的处理能力,避免范式操作的过多关联操作,可以实现高度的并行化。数据仓库大多数时候是比较适合使用星型模型构建底层数据Hive表,通过大量的冗余来提升查询效率,星型模型对OLAP的分析引擎支持比较友好,这一点在Kylin中比较能体现。
维度模型可以更好地利用大数据框架,体现在哪里的,体现在数据数据冗余,可以避免很多的关联,怎么体现的呢,宽表。但是这只是站在大数据框架层面上的理解,还有其他层面上的理解。
一般情况下,宽表包含了很多相关的数据,如果在宽表的基础上做一些开发,那就很方便,直接从宽表里面取数据,避免了从头计算。
宽表的准确性,一般都是经历了时间的检验的,逻辑错误的可能性很小,可以直接使用。
其实这一点和上面一点有点重复,但是这两点的强调的方面是不一样的,因为如果报表要是都能从底层宽表出,那么报表上的指标肯定是一样的,同一个指标的口径不一致,导致提供的数据在不同的出口不一样,是业务部门经常提出的一个问题。其实这也就是一直强调的核心逻辑下沉的原因。
宽表的好处就是为什么要建设宽表的原因,当然宽表也有一些不足之处
因为宽表的计算逻辑往往很复杂,再加上宽表的数据输入是有大量依赖的,也就是说需要处理的数据量很大,在负载逻辑+大数据量的原因下,导致宽表往往运行很慢,资源占用很多,尤其是重跑的时候。
下面的最后一张表就是一张宽表,一个系统的稳定性是取决于最差的一个环节的,这就是短板理论也叫木桶理论,宽表的稳定性也是很差的,这个主要是因为宽表依赖太多,每一个表的不稳定性都会传到到宽表。
假设 一张表依赖A B C 三张表,并且这三张表的稳定性是 1/m 1/n 1/x,那么宽表的稳定性就是 1/mnx ,至于表的稳定性你可用它成功运行的次数/运行的总次数
如果性能不高和稳定性不高同时作用在一件事上的时候知道这其实是很致命的,例如你发现报表数据有问题,但是重跑需要几个小时,哈哈!
基于宽表做报表开发才是正确的姿势,但是宽表本身也开发人员开发的,因为本身的逻辑很复杂设计的业务逻辑繁多,所以给开发就带来了挑战,而且由于业务逻辑的变更也需要去维护着复杂的逻辑,例如每次都让你在几千行的SQL 里面加逻辑。
如何从设计的角度来避免宽表的不足之处
开始之前,思考一个问题,那就是宽表到底有多宽,就想分层的时候说其实不分层也玩得转,早起的数仓就只有一层,现在考虑一个问题那就是宽表到底多宽才合适,其实你要把所有的数据装进去也可以。
所以要思考到底多宽才合适的,前面介绍过数据域的概念,与其回答多宽这个问题,不如回答宽表都应该覆盖哪些数据,但是这个问题也不好回答,但是可以反着思考,宽表不应该包含什么数据,这个问题很好回答,宽表不应该包含不属于它所在域的数据,例如会员域的宽表只应该包含会员相关的信息,同理宽表是针对某一个域而言的,也就是说它是有边界的。
这下再来回答宽表到底多宽,只要不跨域,并且方便使用都是合理的。但是这似乎并不能解决上面提到的宽表的不足,只是指明了宽表的一个大致的方向。有了方向之后通过设计策略就可以让宽表瘦下来。
主次分离,其实经常听到的一句话就是做事情要搞清楚主次,看一下表设计的主次是什么,假设做的是一个会员域的宽表,但是会员域是还是一个比较大的概念,所以还要发掘出这个表的主题,例如做的是一张会员域下的会员基本信息宽表,那么专注的肯定就是基本信息,例如会员信息打通。当让因为事宽表你可能还会冗余的其他信息进来,但是当这样的信息越来越多的时候,这张表的主题就越来越弱,所以就需要做拆分。
拆分可以让更加聚焦表的主题,对于数仓开发人员而言可以更好的维护、对于使用方而言可以更加清楚的理解这张表的主题。
除了前面的主次分离还可以做冷热分离,其实冷热分离这个词相信你不是第一次听到,但是怎么看这个事情呢,你想一下你在数据存储的时候是怎么做冷热分离的,这里也是同样的理念。
假设有一张宽表,里面有200个字段,有30张报表在使用它,但是发现前面150个经常字段经常被使用,后面 50个字段只有一两张报表使用到了,那么就可以做一个冷热分离,将宽表拆分。
其实前面的主次分离、冷热分离都可以提高稳定性,但是前面不是为了稳定性分离的。
经常有这样的宽表,它依赖埋点数据,但埋点数据的特点就是量大,导致计算经常延迟,那么宽表就会受影响,从而报表就受影响,但是很多时候你发现报表根本没有用过埋点计算出来的指标,或者是只用了一两个。那可以将其拆分,如果报表没有使用到那就最好了,如果使用到了,那就后推,在报表层面上做关联,这样埋点数据即使出不来,报表数据还是可以看的。