1. 接入層(Landing)：以和源系統(tǒng)相同的結構暫存原始數據，有時被稱為“貼源層”或ODS;

　　2. 整合層(Integration)：持久存儲整合后的企業(yè)數據，針對企業(yè)信息實體和業(yè)務事件建模，代表組織的“唯 真相來源”，有時被稱為“數據倉庫”;

　　3. 表現層(Presentation)：為滿足較終用戶的需求提供可消費的數據，針對商業(yè)智能和查詢性能建模，有時被稱為“數據集市”;

　　4. 語義層(Semantic)：提供數據的呈現形式和訪問控制，例如某種報表工具;

　　5. 終端用戶應用(End-user applications)：使用語義層的工具，將表現層數據較終呈現給用戶，包括儀表板、報表、圖表等多種形式;

　　6. 元數據(Metadata)：記錄各層數據項的定義(Definitions)、血緣(Genealogy)、處理過程(Processing)。

　　來自不同數據源的“生”數據(接入層)，和經過中間處理之后得到的整合層、表現層的數據模型，都會存儲在數據湖里備用。

　　數據湖的實現通常建立在Hadoop生態(tài)上，可能直接存儲在HDFS上，也可能存儲在HBase或Hive上，也有用關系型數據庫作為數據湖存儲的可能性存在。

　　數據分析基本都是單獨的系統(tǒng)，會將其他數據源的數據(即外部數據)同步到數據平臺的存儲體系來(即數據湖)， 般數據先進入到接入層，這 層只簡單的將外部數據同步到數據分析平臺，沒有做其他處理，這樣同步出錯后重試即可，有定時同步和流式同步兩種：

　　1.定時同步即我們設定在指定時間觸發(fā)同步動作;

　　2. 流式同步即外部數據通過Kafka或MQ發(fā)送數據修改通知及內容。

　　3. 數據分析平臺執(zhí)行對應操作修改數據。

　　接入層數據需要經過ETL處理步驟才會進入數據倉庫，數據分析人員都是基于數據倉庫的數據來做分析計算，數據倉庫可以看作數據分析的唯 來源，ETL會將接入層的數據做數據清洗、轉換，再加載到數據倉庫，過濾或處理不合法、不完整的數據，并使用統(tǒng) 的維度來表示數據狀態(tài)。有的系統(tǒng)會在這 層就將數據倉庫構建成數據立方體、將維度信息構建成雪花或星型模式;也有的系統(tǒng)這 層只是統(tǒng) 了所有數據信息，沒有做數據立方體，留在數據集市做。

　　數據集市是基于數據倉庫數據對業(yè)務關心的信息做計算提取后得到的進 步信息，是業(yè)務人員直接面對的信息，是數據倉庫的進 步計算和深入分析的結果， 般都會構建數據立方體。系統(tǒng)開發(fā)人員 般會開發(fā)頁面來向用戶展示數據集市的數據。

　　基于Hadoop構建的數據分析平臺建構理論與數據處理流程與前面講的相同。傳統(tǒng)分析平臺使用數據庫套件構建，這里我們使用Hadoop平臺的組件。

　　上面這張圖是我們使用到的Hadoop平臺的組件，數據從下到動，數據處理流程和上面說的 致。

　　任務調度負責將數據處理的流程串聯起來，這里我選擇使用的是Oozie，也有很多其它選擇。

　　1、數據存儲：基于Hadoop的數據湖主要用到了HDFS、Hive和HBase，HDFS是Hadoop平臺的文件存儲系統(tǒng)，我們直接操縱文件是比較復雜的，所以可以使用分布式數據庫Hive或HBase用來做數據湖，存儲接入層、數據倉庫、數據集市的數據。

　　Hive和HBase各有優(yōu)勢：HBase是 個NoSQL數據庫，隨機查詢性能和可擴展性都比較好;而Hive是 個基于HDFS的數據庫，數據文件都以HDFS文件(夾)形式存放，存儲了表的存儲位置(即在HDFS中的位置)、存儲格式等元數據，Hive支持SQL查詢，可將查詢解析成Map/Reduce執(zhí)行，這對傳統(tǒng)的數據分析平臺開發(fā)人員更友好。

　　Hive數據格式可選擇文本格式或二進制格式，文本格式有csv、json或自定義分隔，二進制格式有orc或parquet，他們都基于行列式存儲，在查詢時性能更好。同時可選擇分區(qū)(partition)，這樣在查詢時可通過條件過濾進 步減少數據量。接入層 般選擇csv或json等文本格式，也不做分區(qū)，以盡量簡化數據同步。數據倉庫則選擇orc或parquet，以提升數據離線計算性能。

　　數據集市這塊可以選擇將數據灌回傳統(tǒng)數據庫(RDBMS)，也可以停留在數據分析平臺，使用NoSQL提供數據查詢或用Apache Kylin來構建數據立方體，提供SQL查詢接口。

　　2、數據同步：我們通過數據同步功能使得數據到達接入層，使用到了Sqoop和Kafka。數據同步可以分為全量同步和增量同步，對于小表可以采用全量同步，對于大表全量同步是比較耗時的， 般都采用增量同步，將變動同步到數據平臺執(zhí)行，以達到兩邊數據 致的目的。

　　全量同步使用Sqoop來完成，增量同步如果考慮定時執(zhí)行，也可以用Sqoop來完成?；蛘?，也可以通過Kafka等MQ流式同步數據，前提是外部數據源會將變動發(fā)送到MQ。

　　3、ETL及離線計算：我們使用Yarn來統(tǒng) 管理和調度計算資源。相較Map/Reduce，Spark SQL及Spark RDD對開發(fā)人員更友好，基于內存計算效率也更高，所以我們使用Spark on Yarn作為分析平臺的計算選型。

　　ETL可以通過Spark SQL或Hive SQL來完成，Hive在2.0以后支持存儲過程，使用起來更方便。當然，出于性能考慮Saprk SQL也是不錯的選擇。