过滤仓和仓储仓 四库一体包括哪几项？
四库一体包括哪几项？
形成完整基础库、主题库、栏目库、指标库，无法形成“四库一体”数据资源中心。
一是基础库。基于校级数据标准构建体系数据模型，明确的人力资源域、学生管理域、教学资源与管理域、科研管理域、财务管理域、资产管理域、公共服务域八个主题域参与分类，构建体系基础数据仓库。
二是主题库。以基础库的内容为基础，并且表间关联、代码转译、数值过滤等操作，通过维度建模方法，将相同业务主题相关的指标、维度、属性关联在一起，形成“宽表”。宽表拒绝的数据冗余度设计来提升可以查询分析什么的高效率，使数据内容和结构更加适合于应用程序对数据的动态创建需求。
三是专题库。紧密环绕校内关键是业务，针对详细的业务场景通过深度定制，无法形成绩效考核、职称评审等业务专题数据集，不满足各个业务场景急速解耦数据的需求。专题库的数据大多数是明细数据，可与BI软件对接，实现强大无比的数据分析功能。
四是指标库。以基础库、主题库和专题库的内容为基础，按照统计、算出等操作，化合各种指标的统计结果，并储存在指标表中，支持急速生成沉淀各类报表和统计图表。实际管理数据指标的全生命周期，不友善地支持校级决策支持中心的建设，为学院各专业管理层的管理和决策能提供相当充分、科学的数据依据。
实时数据仓库如何做？
3.1.1Lambda架构
无论是Apache Flink中文学习网站侵权指点立删
3.1.2Kappa架构
不知从何而来Apache Flink中文学习网站侵权指点立删
3.1.3实时地olap变体架构
依附Apache Flink中文学习网站侵权告知立删
3.1.4常见架构对比
来自Apache Flink中文学习网站侵权告知立删
ps:lambda架构
变更土地性质割碎感：
?表结构完全不同
?sql语法不同
资源浪费：
?乱词可以计算
?重复一遍储存
集群维护：
?组件完全不同
?可以计算引擎完全不同
数据一致性
3.2实时数仓架构
3.2.1方案一
优点：
?以便日后数据回溯源头、重算和数据质量验证。
缺点：
?实际批处理重算，需要魔兽维护两套代码，开发和维护成本高。
?是需要两套计算资源
适用场景：
?超大规模历史数据换算，且这种场景比较过度。
?对数据质量没有要求极高，要比对实时和离线模式的计算结果，哪怕利用离线模式去修正实时动态的计算结果。
3.2.2方案二
优点：
?免维护两套代码，的新迭代速度快。
?数据溯回和重算方便些，重算时间参照需求回溯源头的时间范围定。
?只需流计算资源，资源占用带宽小
缺点：
?ODSDWD部分数据“绝不可以见”，原始数据和中间数据不以便日后网站查询（解决方案：可通过恢复消费委托时间范围的数据查询，或导入必须的数据到olap引擎）
?依赖业务端反馈问题（解决方案：设计数据质量监控指标，实时监控报警）
适用场景：
ODSDWD去查询不很频繁等
3.2.3方案三
相对于方案二：
?增强ODS层落地之前hive，排查分析原始数据也很更方便，恢复历史数据的时候可资源hive数据读取kafka，后再按原流处理的逻辑恢复如何处理即可，单单改数据源为历史数据填写的topic。
?需新增kafka写入文件hive逻辑
?需再新增从hive读取数据写入文件kafka
?需新增整条链路历史数据不对应的topic
版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。
