BI笔记之---增量方式处理多维数据集

本文将模拟一个数据仓库系统，其中有用户数据，产品数据以及订单数据。根据这些数据结构建立多维数据集，并且以增量更新的方式对其进行处理。

之所以强调增量的方式，是考虑到事实表中数据的增长，假设以后增长到几十亿，全量处理就变得很不现实，所以方案中着重演示以增量方式处理多维数据集的方案。

增量处理多维数据集的关键是要将事实数据分为两部分处理，一个是增量事实表，一个是历史事实表，多维数据集第一次处理历史事实表中的数据，以后每次周期性的处理都是处理增量表中的数据。

本文中提及的SQLServer和Visual Studio都是2008版本，2005版本同样也适用。

数据假设:一张用户表，一张产品表，一张订单表，订单里记录的是谁买了什么。多维数据集统计的需求就是根据订单统计谁买过什么。

首先，建立数据仓库，在数据引擎下新建BIDemo库。

接下来建立用户表，结构如下：

此外还有产品表：

以及历史订单表和建立增量订单表，它们的结构是一样的：

为了测试方便，我们在用户表中加入一些测试数据：

然后在产品表中加入一些测试数据

至于事实表，手动加入测试数据就不现实了，所以这里写了一个程序利用随机数来灌测试数据：

这个程序的代码可以在本文中找到。生成后的数据基本如下所示：

到此，测试的数据结构以及数据就已经准备好了，相当于有了一个小型的数据仓库。

接下来在Visual Studio中建立BI解决方案，方案下分为一个SSIS项目和一个SSAS项目。

在SSAS项目下建立数据源和数据源视图，这里需要注意的是，事实表用历史表，而不是增量表，尽管其还没有数据。

首先建立数据源，连接刚才建立的数据库，并且在数据源视图里定义好关系，如下图：

然后，根据此数据源视图建立多维数据集，需要注意的是，度量选择历史表，维度选择用户和产品两个表。

最后，部署多维数据集。这里只部署就可以了，不需要处理，处理任务将在以后的SSIS包中处理。

下面来看SSIS项目。在SSIS包里建立四个任务模块，类型分别如下：

前两个多维数据集处理模块是用来处理多维数据集的，数据流负责把增量事实表的数据导到历史事实表中，最后执行一个SQL任务把增量表中的数据删除。

两个多维数据集模块，前一个是专门处理维度，第二个是处理cube。这里之所以要把多维数据集维度处理单独拿出来放在前面，是因为在笔者经验中，对多维数据集的处理虽然是全部处理，但是新增维度的数据不会被聚合到其中，所以需要单独拿出来放在前面处理。

（题外话：对于这个地方笔者一直也不是很理解，按理说既然是全部处理那么怎么连维度都不处理呢，还需要单拿出来）

以下是设置维度处理模块，在界面中选择维度即可。

然后是cube处理模块，如下图。

然后指定增量更新，并且配置增量更新的数据表，这里指定增量表。

多维数据集处理完成之后就可以把增量表的数据放到历史表中了，以保证第二天加入的数据都是增量数据。

需要注意的是，在实际的运行当中，一定要保证BI的处理过程时业务系统没有发生数据，否则就会造成数据遗漏而导致不平。所以，BI的处理一般都是在凌晨。

然后是第三步的数据流模块，此部分的主要任务是将增量表的数据转移到历史表中。

最后的一个SQL任务是一个Delete或者Truncate table任务，把增量表里的数据清空。

最终的任务流程如下图：

执行包，全部成功之后应该如下图所示：

执行成功后，打开历史表，可以发现数据已经在里面了，而且增量表中的数据已经不存在了。

查询多维数据集，可以看到新的数据被聚合到其中。

通过以上透视表可以清晰的看到谁买了什么样的产品。

再次运行Rubbish往增量表里灌几条数据，然后重新运行此SSIS包，可以发现新增的数据已经被聚合到多维数据集中了，注意处理的方式是增量的。

本文提及的数据结构模型都很简单，主要介绍的是多维数据集处理的流程以及方法，重点阐述增量部分的方案，以及需要注意的问题。希望有知道更好方法的兄弟一起交流探讨。

 

本文提及的相关数据库，项目文件以及程序下载

 

FAQ:

1.增量数据是怎么来的？

笔者个人认为这个需要跟业务系统配合来做，比如加入触发器等。或者通过时间戳，到业务系统中能提取到。

2.如果有更新和删除怎么办？

通常是在本文提到的方案之上，再加一个度量值位，标识为1，代表新增。对于删除的记录，实际上是加入了一个同样的记录，并且表示为为-1。更新则是加入了两条记录，一条记录为-1跟删除差不多，一条就为1代表修改后的记录，三个一样的记录靠时间戳来标记哪一个是修改后的记录。主要就是以这个标识位作为度量进行统计。