测试知识库

<h4>1. 维度建模</h4>维度建模是数据仓库领域的灵魂人物 Ralph Kimball 推崇的方法。它的设计出发点非常明确：如何让数据分析更快、更简单。核心组件：事实表是什么：存储业务过程的度量值（通常是可加的数字，如销售额、数量、点击次数）。特点：主要由外键（指向维度表）和度量值（事实）组成。通常又细分为事务事实表（记录每个事件）、周期快照事实表（按周期汇总）和累积快照事实表（跟踪工作流过程）。例子：销售事实表 包含 销售金额、销售数量，以及 产品键、日期键、商店键 等外键。维度表是什么：存储描述业务过程的上下文和环境信息，是分析时用于“筛选、分组、标记”的文本性字段。特点：包含大量的描述性属性，通常是宽表（有很多列）。例子：产品维度表 包含 产品名称、产品类别、品牌、颜色、尺寸 等；日期维度表 包含 年月日、星期几、是否节假日、财年季度 等。常见模型：星型模式：最简单、最常用的维度模型。事实表在中心，多个维度表围绕在四周，并通过外键直接与事实表相连。雪花模式：是星型模式的规范化版本。维度表本身可能又被其他更细粒度的维度表所关联，形成一种类似雪花的层次结构。这会减少数据冗余，但会增加查询的连接次数，可能影响性能。优点：性能极佳：查询时只需要连接少数几张表，非常适合大数据量的聚合查询。易于理解和使用：业务人员可以直观地理解星型模型，因为他们思考业务的方式就是“我想按某个维度（如时间、地区）查看某个指标（如销售额）”。可扩展性好：新增维度或向维度表中添加新属性相对容易。缺点：数据冗余：维度表中的大量描述性字段会造成数据重复存储。数据更新复杂：如果维度属性发生变化（如客户地址变更），需要采用缓慢变化维技术来处理，逻辑较为复杂。不适合OLTP：无法保证复杂的事务处理和数据写入的高效性。