Azure SQL 数据库仓库Data Warehouse入门

小提示：您能找到这篇{Azure SQL 数据库仓库Data Warehouse入门}绝对不是偶然，我们能帮您找到潜在客户，解决您的困扰。如果您对本页介绍的Azure SQL 数据库仓库Data Warehouse入门内容感兴趣，有相关需求意向欢迎拨打我们的服务热线，或留言咨询，我们将第一时间联系您！

< font-size: 16px;">

< font-size: 16px;">1.什么是SQL数据库仓库(SQL DW)

< font-size: 16px;">SQL DW是云端的企业级数据仓库，用来处理TB，甚至PB级别的关系型数据库的OLAP(联机分析处理)场景，主要用来做数据分析和查询。

< font-size: 16px;">2.什么是OLAP

< font-size: 16px;">OLAP(Online Analysis Processing)联机分析处理。表示从多维数据集的多维结构来对数据进行聚合处理

< font-size: 16px;">3.OLAP和OLTP的区别

< font-size: 16px;">OLTP(Online Transaction Pr淘宝运营培训ocessing)，联机事务处理。表示事务性非常高的系统，高频度的插入、读取、删除操作

< font-size: 16px;">OLAP和OLTP的使用场景不一样

< font-size: 16px;">4.SQL Data Warehouse不适合的场景

< font-size: 16px;">SQL DW不适合OLTP的场景，不适合数据库的高频Insert/update/delete

< font-size: 16px;">(1)OLTP工作负载

< font-size: 16px;">(2)大量的小读写

< font-size: 16px;">(3)多租户数据库

< font-size: 16px;">(4)经常更改架构

< font-size: 16px;">(5)逐行处理

< font-size: 16px;">(6)JSON，XML数据和Spatial，Struct，Array和Map数据类型

< font-size: 16px;">(7)Power BI直接查询需要仪表板性能

< font-size: 16px;">(8)查询的高并发性（例如，数十万个并发查询）

< font-size: 16px;">(9)小数据集（小于250GB）

< font-size: 16px;">(10)通过严格的RPO和RTO进行灾难恢复

< font-size: 16px;">5.SQL DW适合的场景

< font-size: 16px;">SQL适合OLAP(联机分析处理)的场景，比如报告，统计，分析等场景

< font-size: 16px;">6.SQL DW的设计模式

< font-size: 16px;">(1)批量导入数据

< font-size: 16px;">(2)将Table数据拆分为事实表和维度表

< font-size: 16px;">(3)涉及多张表链接的复杂查询

< font-size: 16px;">(4)针对某些维度的聚合查询

< font-size: 16px;">7.什么叫做事实表和维度表

< font-size: 16px;">(1)事实表，就是用来存储真实数据的表，包含数字信息。比如订单数据表，销售数据表等。事实表中的数据量一般很大

< font-size: 16px;">(2)维度表，就是用来描述用户分析数据的角度。一般是事实表的外键表，比如年-月-日，大洲-国家-省份。

< font-size: 16px;">一般来说，事实表就是要关注的内容，维度表就是进行统计的角度。

< font-size: 16px;">8.SQL DW的使用场景

< font-size: 16px;">(1)在过去1个月内，有多少客户订购了该产品，统计库存水平是否足够

< font-size: 16px;">(2)一周内，哪一天客户从ATM取款最多

< font-size: 16px;">(3)统计过去30天内，每天的销售额有多少

< font-size: 16px;">9.Azure SQL DW采用了大规模并行处理(MP网站建设需要平台P)架构。

< font-size: 16px;">作为微软云Azure的一种服务，Azure SQL DW由微软维护底层的硬件和软件，以保证SQL DW始终运行在Azure最新的硬件和软件上

< font-size: 16px;">客户可以轻松的把数据加载到SQL DW并进行查询，在业务高峰时，可以横向扩展计算节点

< font-size: 16px;">10.什么是大规模并行处理MPP架构

< font-size: 16px;">MPP架构的角色分为头节点(Head Node)和工作节点(Work Node)。

< font-size: 16px;">Head Node保存了数据表的源数据(Meta data)，也就是说Head Node知道数据库的哪些数据，保存在哪些Work Node里

< font-size: 16px;">用户的数据表分布在不同的Work Node里。

< font-size: 16px;">当用户对SQL DW进行查询的时候，Head Node会把查询语句分解为很多子查询，根据需要进行数据移动，并且把这些子查询发送给Work Node以进行并行执行

< font-size: 16px;">举个例子，假设1个班级有60个学生，当老师需要批改作业的时候，有两种方法：

< font-size: 16px;">(1)老师一个人批改所有60个学生的试卷，速度会很慢

< font-size: 16px;">(2)老师把学生分为6组，每组10个人。然后把全班的试卷平均的分配给这6组。由每个组各自批改试卷。这样批改作业就平行了

< font-size: 16px;">显而易见，第二种方法的效率最高

< font-size: 16px;">MPP架构，除了微软的SQL DW以外，还有Hadoop(Hive和Spark),Teradata,Amazon Redshift,Vertica等产品

< font-size: 16px;">11.SMP架构

< font-size: 16px;">与MPP相反架构，是SMP(Symmetric Multiprocessing)，这就类似于传统的单一数据库。所有的业务逻辑都有1台服务器在处理

< font-size: 16px;">比如传统的SQL Server,MySQL等，都属于SMP架构

< font-size: 16px;">12.MPP架构和SMP架构，如何支撑更多的业务需求

< font-size: 16px;">(1)在MPP架构里，计算节点是横向扩展的。比如从6个节点并行处理，横向扩展为20个节点并行处理。这种方式又被称为Scale-Out

< font-size: 16px;">(2)在SMP架构里，计算节点和向上向下扩展的。比如从1台8Core/16GB的服务器，向上扩展为1台32Core/512GB的服务器。这种方式又被称为Scale-Up