数仓主流架构
数据仓库在不同企业，它的架构也会有所差异。但分层和基本功能上大同小异，可能命名上有所不同，或者根据企业的业务特点做了一定的定制。
现在国内主流的架构还是以阿里为参考，整体架构如图所示：
从图中色块的不同，也能大体看到架构整体上分为四部分：ETL、ODS、CDM、ADS。
按照数据流动的方向，从下而上依次进行讲解。
ETL
ETL 是数据同步模块，表示将数据从来源端经过抽取（extract）、交互转换（transform）、加载（load）至目的端的过程。
数据仓库因为要定期从业务数据库中同步数据，整个过程就是通过 ETL 来实现的。
ETL 一般会采用现成的工具，如 Sqoop、Kattle 等直接完成数据从数据库到数据仓库的加载工作。
有些企业除了需要收集业务数据库的数据，还会采集日志等文件数据，需要使用 Flume、Logstash 等工具，可能也会构建定制化的 ETL 系统。
对数据库数据的抽取，工作量较少，因为本身数据库中的数据就很规范。但对于非数据库中的数据，比如日志，数据较为杂乱，可能在抽取过程中要进行相当繁杂的数据清洗工作。
ODS（操作数据源层）
数据通过 ETL 流程抽取到数据仓库中后，会进入到 ODS 层。这一层与原始数据保持一致，不进行任何的修改，目的就是为了原始数据的保存。为业务数据库减负后，业务数据库会将历史数据删除，之后如果需要用到这部分数据，就只能从数据仓库的 ODS 层中进行寻找。
这里体现了数据仓库的非易失性，即不允许修改的特性。
CDM（公共维度模型层）
公共维度模型层主要是为了数据分析提供服务的。它又包含 DWD（数据明细层）、DWS（数据汇总层）。
DWD（数据明细层）
因为 ODS 层保留着原始数据，而来自不同数据源的原始数据格式不统一，无法进行直接的数据分析任务。所以要对这些数据进行清洗、标准化，剔除异常数据，统一编码、单位、字段描述等。处理之后的数据，存储到数据明细层 DWD 中进行保存。
DWS（数据汇总层）
数据仓库中的数据主要是满足数据分析的需要，所以要对数据按照主题进行汇总、聚合，满足对特定主题以及不同维度的分析。
但 DWD 层存储的数据依然是满足三范式的数据，且比较零散，所以要按照分析主题对数据汇总、聚合后，存储到 DWS（数据汇总层）中进行存储。DWS 层的数据已经脱离了三范式，大多以大宽表的形式存在。
因为数据分析会进行多维度的探索，所以这一层的数据为了提升数据分析的性能，会对数据进行建模，以模型的方式进行保存。数据仓库的模型设计也出现在这一层中。
ADS（数据应用层）
数据分析人员对 DWS（数据汇总层）的数据进行分析运算后，会将最终的结果表存储到 ADS 层中，这些数据需要提供以报表的形式提供给上层进行决策，或者直接提供给业务系统进行展示，所以一般 ADS 层直接对接报表系统、业务系统。
ADS 层是必要的，它可以进行单独的权限管控，是外部系统的数据结构，更加注重于其他系统的交互速度。但数据仓库一般更注重聚合、分析，所以 ADS 层一般会选择其他注重交互速度的系统，甚至传统数据库来搭建。
小结
本节主要讲解了数据仓库的整体架构，包括 ETL、ODS、DWD、DWS、ADS。其中 ETL 完成了数据接入的功能，ODS 完成了历史数据积存功能，DWD、DWS、ADS 完成了数据分析功能。而 DWD、DWS 为数据分析提供服务，归在 CDM（公共维度模型层）中，ADS 用于存储结果数据，且对外部系统开发查询接口。接下来会对每个部分进行详细讲解。
