OLAP与数据仓库------《Designing Data-Intensive Applications》读书笔记4

由于第三章的内容比较多，这里我们拆分成两篇读书笔记来记录。上一章我们聊了聊如何数据库是如何实现存储和检索的，今天这篇我们继续来看看OLTP与OLAP存储引擎的区别与联系。

1.OLTP与OLAP

联机事务处理过程（On-Line Transaction Processing）也就是我们通常称之的OLTP。
联机分析处理过程（On-Line Analysis Processing）则被称为OLAP。

在文中，作者列出了两类处理过程的区别，我们来一一梳理一下：

• OLTP的应用通常读写较少的数据，处理的记录数目也较小。而OLAP的应用处理的数据量级通常是OLTP应用的数十，甚至数百倍。
• OLTP的应用通常直接面对应用程序，读写延迟容忍度低。而OLAP的应用通常作为内部数据分析，作为决策支持，读写延迟的容忍度相对较高。（所以OLAP应用通常是大数据分析的基石，笔者入职狼厂的部门，也主要从事OLAP系统Palo的开发工作）
• OLTP的应用通常读写的都是最新的数据。而OLAP的应用通常处理的都是海量的历史数据。

SQL语言它适用于OLTP类型的查询以及OLAP类型查询。但是将两者类型的应用混杂与同一个数据库，会大大提升DBA的运维难度，同时数据库也没办法因地制宜的更好来设计优化不同的应用。

OLTP系统通常解决的是应用程序高可用性和低延迟的读写请求，往往是业务运行的关键所在。DBA也并不愿意让数据分析师在OLTP数据库上运行特殊的解析查询，因为这些查询通常需要扫描数据集的大部分，这会损害并发执行事务的性能。 所以随着海量数据不断增长，越来越多的公司选择将OLAP应用运行在一个单独的数据库来分析。这个单独的数据库称为数据仓库。

2.数据仓库

数据仓库，是一个独立的数据库，主要负责分析查询数据，而不会影响OLTP操作。数据仓库中包含公司在各种OLTP系统的数据的只读副本。数据从OLTP数据库中提取（周期性的进行数据转储或持续不断的更新），将提取的数据的结构转为易于分析的结构，然后加载到数据仓库。这样过程称为提取–变换–加载（Extract-Transform-Load）

使用一个单独的数据仓库，而不是查询OLTP数据库直接分析。是因为数据仓库可以根据访问的特点优化查询。上一篇讨论的存储索引结构，通常都适用于OLTP数据库，但不适用于OLAP系统。接下来我们来看看适用于OLAP系统的存储索引结构。

3.面向列的存储

在典型的数据仓库中，表的结构通常非常宽。事实表通常有超过一百列，有时设置为几百列。而通常数据仓库的查询只访问一次4或5列的查询。

大多数的OLTP数据库，存储是面向行的：一行之中的所有值会连续存放。
但是，当一个OLAP的存储查询需要少数的列时（每行由100多个列组成），需要将数据从磁盘加载到内存中，并解析它们，并过滤掉那些不符合所需条件的列。这会造成很多不必要的查询消耗。

• 列存储
  面向列存储的思想很简单：不要将所有值从一行存储在一起，而是将每个列中的所有值存储在一起。如果每个列都存储在一个单独的文件中，那么查询只需要读取和解析查询中使用的那些列，并且同样的列会更加易于压缩存储，这样就可以减少大量的工作。
  

• 列压缩
  通常列中的数据会出现重复，这就大大适用于压缩策略。可以根据列中的数据，使用不同的压缩技术。位图编码是数据仓库中的十分有效的压缩技术：
  

• 列排序

在列存储中，存储行的顺序并不重要。最简单的就是将它们按照插入的顺序排序，因为插入一个新行只意味着追加到每个列文件中。但是，选择逻辑顺序，可以带来几点好处。
（1） 排序之后的列是有序的，更有利于定位查询数据。（如：按照时间排序，查询某个时间段内产生的数据）
（2） 它有助于压缩列。如果主排序列没有许多不同的值，那么在排序之后，它将有许多重复的序列。简单的编码压缩之后，就可以极大的降低存储开销。

注意，对每个列进行独立排序是没有意义的，因为我们将不再知道列中属于哪一行。可以新建一个索引来指向对应的行。有序又要求高效，所以排序列的存储通常都是通过上文提及的SSTable格式在内存之中灵活处理。

4.聚合：物化视图

数据仓库另一个常用的优化方式是：物化视图。如前所述，数据仓库查询通常涉及聚合函数，如SQL中的计数、总和、平均值、最小值或最大值。如果相同的聚合被许多不同的查询使用，那么每次都对原始数据进行处理是十分浪费的。为什么不缓存查询中经常使用的一些计数或总数呢？

在关系型的数据模型中，它通常被定义为标准（虚拟）视图：一个表一样的对象，其内容是一些查询的结果。虚拟视图只是编写查询的快捷方式。当您从虚拟视图中读取时，SQL引擎将它展开为视图的底层查询，然后处理展开的查询。而物化视图是将实际的查询结果写入磁盘，不需要额外的计算过程。但是当底层数据发生变化时，物化视图需要更新，因为它是一个非规范化的数据复制。（类似于触发器的工作原理）。所以物化视图是不常用于OLTP数据库，而在数据仓库进行ETL时进行更新。

物化视图的好处是:某些查询变得非常快因为他们已经被预先计算。
但物化视图的缺点是:查询原始数据的灵活性不足。 例如，没有办法计算哪种销售成本超过100美元的商品的比例。因此，大多数数据仓库尽量保留尽可能多的原始数据，并且只使用物化视图作为对某些常用查询的性能提升。

小结：

梳理了OLAP与数据仓库的联系，同时总结了几种在数据仓库种子常用的存储结构与对应的优化方式。接下来，我们进入下一章来看看编码在存储之中的意义。