【数据仓库】数据仓库建模方法及企业数据中台建设

水深无声 2023-01-07 10:18 209阅读 0赞

### 一、数据仓库建模方法 ###

每个行业有自己的模型，但是 不同行业的数据模型，在数据建模的方法上，却都有着共通的基本特点。

##### 什么是数据模型？ #####

数据模型是抽象描述现实世界的一种工具和方法，是通过抽象的实体及实体之间联系的形式，来表示现实世界中事务的相互关系的一种映射。  
在这里，数据模型表现的抽象的是实体和实体之间的关系，通过对实体和实体之间关系的定义和描述，来表达实际的业务中具体的业务关系。  
数据仓库模型是数据模型中针对特定的数据仓库应用系统的一种特定的数据模型，一般来说，我们数据仓库模型分为几下几个层次。

![20210117111714410.png_pic_center][]

通过上面的图形，我们能够很容易的看出在整个数据仓库得建模过程中，我们需要经历一般四个过程：

*  业务建模，生成业务模型，主要解决业务层面的分解和程序化。
 *  领域建模，生成领域模型，主要是对业务模型进行抽象处理，生成领域概念模型。
 *  逻辑建模，生成逻辑模型，主要是将领域模型的概念实体以及实体之间的关系进行数据库层次的逻辑化。
 *  物理建模，生成物理模型，主要解决，逻辑模型针对不同关系型数据库的物理化以及性能等一些具体的技术问题。

因此，在整个数据仓库的模型的设计和架构中，既涉及到业务知识，也涉及到了具体的技术，我们既需要了解丰富的行业经验，同时，也需要一定的信息技术来帮助我们实现我们的数据模型，最重要的是，我们还需要一个非常适用的方法论，来指导我们自己针对我们的业务进行抽象，处理，生成各个阶段的模型。

##### 为什么需要数据模型？ #####

在数据仓库的建设中，我们一再强调需要数据模型，那么数据模型究竟为什么这么重要呢？首先我们需要了解整个数据仓库的建设的发展史。  
数据仓库的发展大致经历了这样的三个过程：

*  简单报表阶段：这个阶段，系统的主要目标是解决一些日常的工作中业务人员需要的报表，以及生成一些简单的能够帮助领导进行决策所需要的汇总数据。这个阶段的大部分表现形式为数据库和前端报表工具。
 *  数据集市阶段：这个阶段，主要是根据某个业务部门的需要，进行一定的数据的采集，整理，按照业务人员的需要，进行多维报表的展现，能够提供对特定业务指导的数据，并且能够提供特定的领导决策数据。
 *  数据仓库阶段：这个阶段，主要是按照一定的数据模型，对整个企业的数据进行采集，整理，并且能够按照各个业务部门的需要，提供跨部门的，完全一致的业务报表数据，能够通过数据仓库生成对对业务具有指导性的数据，同时，为领导决策提供全面的数据支持。

通过数据仓库建设的发展阶段，我们能够看出，数据仓库的建设和数据集市的建设的重要区别就在于数据模型的支持。因此，数据模型的建设，对于我们数据仓库的建设，有着决定性的意义。  
一般来说，数据模型的建设主要能够帮助我们解决以下的一些问题：

*  进行全面的业务梳理，改进业务流程。在业务模型建设的阶段，能够帮助我们的企业或者是管理机关对本单位的业务进行全面的梳理。通过业务模型的建设，我们应该能够全面了解该单位的业务架构图和整个业务的运行情况，能够将业务按照特定的规律进行分门别类和程序化，同时，帮助我们进一步的改进业务的流程，提高业务效率，指导我们的业务部门的生产。
 *  建立全方位的数据视角，消灭信息孤岛和数据差异。通过数据仓库的模型建设，能够为企业提供一个整体的数据视角，不再是各个部门只是关注自己的数据，而且通过模型的建设，勾勒出了部门之间内在的联系，帮助消灭各个部门之间的信息孤岛的问题，更为重要的是，通过数据模型的建设，能够保证整个企业的数据的一致性，各个部门之间数据的差异将会得到有效解决。
 *  解决业务的变动和数据仓库的灵活性。通过数据模型的建设，能够很好的分离出底层技术的实现和上层业务的展现。当上层业务发生变化时，通过数据模型，底层的技术实现可以非常轻松的完成业务的变动，从而达到整个数据仓库系统的灵活性。
 *  帮助数据仓库系统本身的建设。通过数据仓库的模型建设，开发人员和业务人员能够很容易的达成系统建设范围的界定，以及长期目标的规划，从而能够使整个项目组明确当前的任务，加快整个系统建设的速度。

##### 如何建设数据模型？ #####

建设数据模型既然是整个数据仓库建设中一个非常重要的关键部分，那么，怎么建设我们的数据仓库模型就是我们需要解决的一个问题。这里我们将要详细介绍如何创建适合自己的数据模型。

###### 数据仓库数据模型架构 ######

数据仓库的数据模型的架构和数据仓库的整体架构是紧密关联在一起的，我们首先来了解一下整个数据仓库的数据模型应该包含的几个部分。从下图我们可以很清楚地看到，整个数据模型的架构分成 5 大部分，每个部分其实都有其独特的功能。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center][]

从上图我们可以看出，整个数据仓库的数据模型可以分为大概 5 大部分：

*  系统记录域（System of Record）：这部分是主要的数据仓库业务数据存储区，数据模型在这里保证了数据的一致性。
 *  内部管理域（Housekeeping）：这部分主要存储数据仓库用于内部管理的元数据，数据模型在这里能够帮助进行统一的元数据的管理。
 *  汇总域（Summary of Area）：这部分数据来自于系统记录域的汇总，数据模型在这里保证了分析域的主题分析的性能，满足了部分的报表查询。
 *  分析域（Analysis Area）：这部分数据模型主要用于各个业务部分的具体的主题业务分析。这部分数据模型可以单独存储在相应的数据集市中。
 *  反馈域（Feedback Area）：可选项，这部分数据模型主要用于相应前端的反馈数据，数据仓库可以视业务的需要设置这一区域。

通过对整个数据仓库模型的数据区域的划分，我们可以了解到，一个好的数据模型，不仅仅是对业务进行抽象划分，而且对实现技术也进行具体的指导，它应该涵盖了从业务到实现技术的各个部分。

###### 数据仓库建模阶段划分 ######

我们前面介绍了数据仓库模型的几个层次，下面我们讲一下，针对这几个层次的不同阶段的数据建模的工作的主要内容：

![20210117112828553.png_pic_center][]

从上图我们可以清楚地看出，数据仓库的数据建模大致分为四个阶段：

1.  业务建模，这部分建模工作，主要包含以下几个部分：

*  划分整个单位的业务，一般按照业务部门的划分，进行各个部分之间业务工作的界定，理清各业务部门之间的关系。
 *  深入了解各个业务部门的内具体业务流程并将其程序化。
 *  提出修改和改进业务部门工作流程的方法并程序化。
 *  数据建模的范围界定，整个数据仓库项目的目标和阶段划分。

1.  领域概念建模，这部分得建模工作，主要包含以下几个部分：

*  抽取关键业务概念，并将之抽象化。
 *  将业务概念分组，按照业务主线聚合类似的分组概念。
 *  细化分组概念，理清分组概念内的业务流程并抽象化。
 *  理清分组概念之间的关联，形成完整的领域概念模型。

1.  逻辑建模，这部分的建模工作，主要包含以下几个部分：

*  业务概念实体化，并考虑其具体的属性。
 *  事件实体化，并考虑其属性内容。
 *  说明实体化，并考虑其属性内容。

1.  物理建模，这部分得建模工作，主要包含以下几个部分：

*  针对特定物理化平台，做出相应的技术调整。
 *  针对模型的性能考虑，对特定平台作出相应的调整。
 *  针对管理的需要，结合特定的平台，做出相应的调整。
 *  生成最后的执行脚本，并完善之。

从我们上面对数据仓库的数据建模阶段的各个阶段的划分，我们能够了解到整个数据仓库建模的主要工作和工作量，希望能够对我们在实际的项目建设能够有所帮助。

##### 数据仓库建模方法 #####

大千世界，表面看五彩缤纷，实质上，万物都遵循其自有的法则。数据仓库得建模方法同样也有很多种，每一种建模方法其实代表了哲学上的一个观点，代表了一种归纳，概括世界的一种方法。目前业界较为流行的数据仓库的建模方法非常多，这里主要介绍范式建模法，维度建模法，实体建模法等几种方法，每种方法其实从本质上讲就是从不同的角度看我们业务中的问题，不管从技术层面还是业务层面，其实代表的是哲学上的一种世界观。我们下面给大家详细介绍一下这些建模方法。

1.  范式建模法（Third Normal Form ，3NF ）

范式建模法其实是我们在构建数据模型常用的一个方法，该方法的主要由 Inmon 所提倡，主要解决关系型数据库得数据存储，利用的一种技术层面上的方法。目前，我们在关系型数据库中的建模方法，大部分采用的是三范式建模法。  
范式是数据库逻辑模型设计的基本理论，一个关系模型可以从第一范式到第五范式进行无损分解，这个过程也可称为规范化。在数据仓库的模型设计中目前一般采用第三范式，它有着严格的数学定义。从其表达的含义来看，一个符合第三范式的关系必须具有以下三个条件：

*  每个属性值唯一，不具有多义性；
 *  每个非主属性必须完全依赖于整个主键，而非主键的一部分；
 *  每个非主属性不能依赖于其他关系中的属性，因为这样的话，这种属性应该归到其他关系中去。

由于范式是基于整个关系型数据库的理论基础之上发展而来的，因此，本人在这里不多做介绍，有兴趣的读者可以通过阅读相应的材料来获得这方面的知识。  
根据 Inmon 的观点，数据仓库模型得建设方法和业务系统的企业数据模型类似。在业务系统中，企业数据模型决定了数据的来源，而企业数据模型也分为两个层次，即主题域模型和逻辑模型。同样，主题域模型可以看成是业务模型的概念模型，而逻辑模型则是域模型在关系型数据库上的实例。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 1][]

从业务数据模型转向数据仓库模型时，同样也需要有数据仓库的域模型，即概念模型，同时也存在域模型的逻辑模型。这里，业务模型中的数据模型和数据仓库的模型稍微有一些不同。主要区别在于：

*  数据仓库的域模型应该包含企业数据模型得域模型之间的关系，以及各主题域定义。数据仓库的域模型的概念应该比业务系统的主题域模型范围更加广。
 *  在数据仓库的逻辑模型需要从业务系统的数据模型中的逻辑模型中抽象实体，实体的属性，实体的子类，以及实体的关系等。

以笔者的观点来看，Inmon 的范式建模法的最大优点就是从关系型数据库的角度出发，结合了业务系统的数据模型，能够比较方便的实现数据仓库的建模。但其缺点也是明显的，由于建模方法限定在关系型数据库之上，在某些时候反而限制了整个数据仓库模型的灵活性，性能等，特别是考虑到数据仓库的底层数据向数据集市的数据进行汇总时，需要进行一定的变通才能满足相应的需求。因此，笔者建议读者们在实际的使用中，参考使用这一建模方式。

1.  维度建模法

维度建模法， Kimball 最先提出这一概念。其最简单的描述就是，按照事实表，维表来构建数据仓库，数据集市。这种方法的最被人广泛知晓的名字就是星型模式（ Star-schema ）。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 2][]

上图的这个架构中是典型的星型架构。星型模式之所以广泛被使用，在于针对各个维作了大量的预处理，如按照维进行预先的统计、分类、排序等。通过这些预处理，能够极大的提升数据仓库的处理能力。特别是针对 3NF 的建模方法，星型模式在性能上占据明显的优势。  
同时，维度建模法的另外一个优点是，维度建模非常直观，紧紧围绕着业务模型，可以直观的反映出业务模型中的业务问题。不需要经过特别的抽象处理，即可以完成维度建模。这一点也是维度建模的优势。但是，维度建模法的缺点也是非常明显的，由于在构建星型模式之前需要进行大量的数据预处理，因此会导致大量的数据处理工作。而且，当业务发生变化，需要重新进行维度的定义时，往往需要重新进行维度数据的预处理。而在这些与处理过程中，往往会导致大量的数据冗余。  
另外一个维度建模法的缺点就是，如果只是依靠单纯的维度建模，不能保证数据来源的一致性和准确性，而且在数据仓库的底层，不是特别适用于维度建模的方法。  
因此以笔者的观点看，维度建模的领域主要适用与数据集市层，它的最大的作用其实是为了解决数据仓库建模中的性能问题。维度建模很难能够提供一个完整地描述真实业务实体之间的复杂关系的抽象方法。

1.  实体建模法

实体建模法并不是数据仓库建模中常见的一个方法，它来源于哲学的一个流派。从哲学的意义上说，客观世界应该是可以细分的，客观世界应该可以分成由一个个实体，以及实体与实体之间的关系组成。那么我们在数据仓库的建模过程中完全可以引入这个抽象的方法，将整个业务也可以划分成一个个的实体，而每个实体之间的关系，以及针对这些关系的说明就是我们数据建模需要做的工作。  
虽然实体法粗看起来好像有一些抽象，其实理解起来很容易。即我们可以将任何一个业务过程划分成 3 个部分，实体，事件和说明，如下图所示：

![20210117114740391.png_pic_center][]

上图表述的是一个抽象的含义，如果我们描述一个简单的事实：“小明开车去学校上学”。以这个业务事实为例，我们可以把“小明”，“学校”看成是一个实体，“上学”描述的是一个业务过程，我们在这里可以抽象为一个具体“事件”，而“开车去”则可以看成是事件“上学”的一个说明。  
从上面的举例我们可以了解，我们使用的抽象归纳方法其实很简单，任何业务可以看成 3 个部分：

*  实体，主要指领域模型中特定的概念主体，指发生业务关系的对象。
 *  事件，主要指概念主体之间完成一次业务流程的过程，特指特定的业务过程。
 *  说明，主要是针对实体和事件的特殊说明。

由于实体建模法，能够很轻松的实现业务模型的划分，因此，在业务建模阶段和领域概念建模阶段，实体建模法有着广泛的应用。从笔者的经验来看，再没有现成的行业模型的情况下，我们可以采用实体建模的方法，和客户一起理清整个业务的模型，进行领域概念模型的划分，抽象出具体的业务概念，结合客户的使用特点，完全可以创建出一个符合自己需要的数据仓库模型来。  
但是，实体建模法也有着自己先天的缺陷，由于实体说明法只是一种抽象客观世界的方法，因此，注定了该建模方法只能局限在业务建模和领域概念建模阶段。因此，到了逻辑建模阶段和物理建模阶段，则是范式建模和维度建模发挥长处的阶段。  
因此，笔者建议读者在创建自己的数据仓库模型的时候，可以参考使用上述的三种数据仓库得建模方法，在各个不同阶段采用不同的方法，从而能够保证整个数据仓库建模的质量。

##### 数据仓库建模样例 #####

上面介绍得是一些抽象得建模方法和理论，可能理解起来相对有些难度，因此，笔者在这里举一个例子，读者可以跟着我们的这个样例，来初步了解整个数据仓库建模的大概过程。

###### 背景介绍 ######

熟悉社保行业的读者可以知道，目前我们国家的社保主要分为养老，失业，工伤，生育，医疗保险和劳动力市场这 6 大块主要业务领域。在这 6 大业务领域中，目前的状况养老和事业的系统已经基本完善，已经有一部分数据开始联网检测。而，对于工伤，生育，医疗和劳动力市场这一块业务，有些地方发展的比较成熟，而有些地方还不够成熟。

1.  业务建模阶段

基于以上的背景介绍，我们在业务建模阶段，就很容易来划分相应的业务。因此，在业务建模阶段，我们基本上确定我们本次数据仓库建设的目标，建设的方法，以及长远规划等。如下图：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 3][]

在这里，我们将整个业务很清楚地划分成了几个大的业务主线，例如：养老，失业，工伤，生育，医疗，劳动力等着几个大的部分，然后我们可以根据这些大的模块，在每个业务主线内，考虑具体的业务主线内需要分析的业务主题。  
因此，业务建模阶段其实是一次和业务人员梳理业务的过程，在这个过程中，不仅能帮助我们技术人员更好的理解业务，另一方面，也能够发现业务流程中的一些不合理的环节，加以改善和改进。  
同时，业务建模阶段的另一个重要工作就是确定我们数据建模的范围，例如：在某些数据准备不够充分的业务模块内，我们可以考虑先不建设相应的数据模型。等到条件充分成熟的情况下，我们可以再来考虑数据建模的问题。

1.  领域概念建模阶段

领域概念建模阶段是数据仓库数据建模的一个重要阶段，由于我们在业务建模阶段已经完全理清相应的业务范围和流程，因此，我们在这个领域概念建模阶段的最主要的工作就是进行概念的抽象，整个领域概念建模的工作层次如下图所示：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 4][]

从上图我们可以清楚地看到，领域概念建模就是运用了实体建模法，从纷繁的业务表象背后通过实体建模法，抽象出实体，事件，说明等抽象的实体，从而找出业务表象后抽象实体间的相互的关联性，保证了我们数据仓库数据按照数据模型所能达到的一致性和关联性。  
从图上看，我们可以把整个抽象过程分为四个层次，分别为：

*  抽象方法层，整个数据模型的核心方法，领域概念建模的实体的划分通过这种抽象方法来实现。
 *  领域概念层，这是我们整个数据模型的核心部分，因为不同程度的抽象方法，决定了我们领域概念的不同。例如：在这里，我们可以使用“参与方”这个概念，同时，你也可以把他分成三个概念：“个人”，“公司”，和“经办机构”这三个概念。而我们在构建自己的模型的时候，可以参考业务的状况以及我们自己模型的需要，选择抽象程度高的概念或者是抽象程度低的概念。相对来说，抽象程度高的概念，理解起来较为复杂，需要专业的建模专家才能理解，而抽象程度低的概念，较适合于一般业务人员的理解，使用起来比较方便。笔者在这里建议读者可以选用抽象概念较低的实体，以方便业务人员和技术人员之间的交流和沟通。
 *  具体业务层，主要是解决具体的业务问题，从这张图我们可以看出，具体的业务层，其实只是领域概念模型中实体之间的一些不同组合而已。因此，完整的数据仓库的数据模型应该能够相应灵活多变的前端业务的需求，而其本身的模型架构具有很强的灵活性。这也是数据仓库模型所具备的功能之一。
 *  业务主线层，这个层次主要划分大的业务领域，一般在业务建模阶段即已经完成这方面的划分。

我们一般通过这种大的业务主线来划分整个业务模型大的框架。  
通过领域概念建模，数据仓库的模型已经被抽象成一个个的实体，模型的框架已经搭建完毕，下面的工作就是给这些框架注入有效的肌体。

1.  逻辑建模阶段

通过领域概念建模之后，虽然模型的框架已经完成，但是还有很多细致的工作需要完成。一般在这个阶段，我们还需要做非常多的工作，主要包括：

*  实例化每一个抽象的实体，例如：在上面的概念模型之后，我们需要对“人”和“公司”等这些抽象实体进行实例化。主要是，我们需要考虑“人”的属性包括那些，在业务模块中，用到的所有跟“人”相关的属性是哪些，我们都需要将这些属性附着在我们数据模型的“人”这个实体上，例如“人”的年龄，性别，受教育程度等等。同理，我们对其他属性同样需要做这个工作。
 *  找出抽象实体间的联系，并将其实例话。这里，我们主要考虑是“事件”这个抽象概念的实例化，例如：对于养老金征缴这个“事件”的属性得考虑，对于失业劳动者培训这个“事件”的属性得考虑等等。
 *  找出抽象事件的关系，并对其进行说明。在这里我们主要是要针对“事件”进行完善的“说明”。例如：对于“事件”中的地域，事件等因素的考量等等。

总而言之，在逻辑建模阶段，我们主要考虑得是抽象实体的一些细致的属性。通过逻辑建模阶段，我们才能够将整个概念模型完整串联成一个有机的实体，才能够完整的表达出业务之间的关联性。  
在这个阶段，笔者建议大家可以参考 3NF 的建模方法，表达出实体的属性，以及实体与实体之间的联系。例如：在这个阶段，我们可以通过采用 ERWIN 等建模工具等作出符合 3NF 的关系型数据模型来。

1.  物理建模阶段

物理建模阶段是整个数据建模的最后一个过程，这个过程其实是将前面的逻辑数据模型落地的一个过程。考虑到数据仓库平台的不同，因此，数据模型得物理建模过程可能会稍微有一些不同，在这个阶段我们主要的工作是：

*  生成创建表的脚本。不同的数据仓库平台可能生成不同的脚本。
 *  针对不同的数据仓库平台，进行一些相应的优化工作，例如对于 DB2 数据仓库来说，创建一些 MQT 表，来加速报表的生成等等。
 *  针对数据集市的需要，按照维度建模的方法，生成一些事实表，维表等工作。
 *  针对数据仓库的 ETL 车和元数据管理的需要，生成一些数据仓库维护的表，例如：日志表等。

经过物理建模阶段，整个数据仓库的模型已经全部完成，我们可以按照自己的设计来针对当前的行业创建满足自己需要的数据模型来。

### 二、企业数据中台建设 ###

#### 1、为什么需要数据中台 ####

##### 1.1 数据中台的由来 #####

随着互联网的高速发展，背后对数据的需求越来越多，数据的应用场景也越来越多。大规模数据的应用，也逐渐暴露出一些问题。业务发展前期，为了快速实现业务的需求，烟囱式的开发导致企业不同业务线，甚至相同业务线的不同应用之间，数据都是割裂的。两个数据应  
用的相同指标，展示的结果不一致，导致运营对数据的信任度下降。数据割裂的另外一个问题，就是大量的重复计算、开发，导致的研发效率的浪费，计算、存储资源的浪费，大数据的应用成本越来越高。这些问题的根源在于，数据无法共享。  
于是乎在2016 年，阿里巴巴率先提出了“数据中台”的口号。2018、2019数据中台在各行业开始不断崛起。数据中台的核心，是避免数据的重复计算，通过数据服务化，提高数据的共享能力，赋能数据应用以及企业的数智化发展。

##### 1.2 数据中台是什么 #####

数据中台是一套“让企业数据用起来”的机制，是一套能持续不断把数据变成资产并服务共享于业务的机制。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 5][]

数据中台是指通过数据技术，对全域数据（结构化数据和非结构化数据）进行采集汇聚、存储、计算、加工，同时统一数据标准和口径、规范数据质量和安全权限，最终将资产通过服务共享开放出去，进而为客户提供高效服务，赋能各类型的数据应用。  
数据中台的宗旨，是避免数据的重复计算，消除数据标准和口径不一致的问题 ， 通过数据服务化，提高数据的共享能力，赋能数据应用，加速企业的数据价值变现。

##### 1.3 数据中台与传统数仓的区别 #####

<table> 
 <thead> 
  <tr> 
   <th>维度</th> 
   <th>传统数据仓库</th> 
   <th>数据中台</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>数据来源</td> 
   <td>业务数据库</td> 
   <td>全域数据包括业务数据、日志数据、埋点数据、爬虫数据、IOT数据等</td> 
  </tr> 
  <tr> 
   <td>数据格式</td> 
   <td>结构化数据</td> 
   <td>结构化、半结构化、非结构化数据</td> 
  </tr> 
  <tr> 
   <td>数据资产</td> 
   <td>缺少数据标准化、规范化</td> 
   <td>数据标准化、规范化，统一技术标准和口径，减少重复造轮子</td> 
  </tr> 
  <tr> 
   <td>数据计算</td> 
   <td>离线</td> 
   <td>离线+实时</td> 
  </tr> 
  <tr> 
   <td>数据应用</td> 
   <td>BI报表为主，主要以数据本身的方式开放</td> 
   <td>灵活服务于前台，主要以数据服务共享的方式开放</td> 
  </tr> 
  <tr> 
   <td>数据价值</td> 
   <td>数据质量较低，取数效率较低、成本较高</td> 
   <td>数据质量较高，取数效率较高、成本较低，离业务更近，数据化驱动智能运营</td> 
  </tr> 
 </tbody> 
</table>

##### 1.4 数据中台的价值 #####

数据中台改变了企业原来利用数据的形式（传统数仓、BI） ， 通过业务数据化、数据资产化、资产服务化、服务业务化的四化良性高效闭环，加速了从数据资源到数据资产到价值变现的过程，提高了企业的业务响应力、创新力、价值力。通过降本增效，数据化智能运营，打造出数据驱动的智能化企业，从而更高效的为企业创造更多的价值。

#### 2、哪些企业适合做数据中台 ####

不可否认，数据中台的构建需要非常大的投入：

*  一方面数据中台的建设离不开系统支撑，研发系统需要投入大量的人力，而这些系统是否能够匹配中台建设的需求，还需要持续打磨。
 *  另外一方面，面对大量的数据需求，要花费额外的人力去做数据模型的重构，也需要下定决心。

所以数据中台的建设，需要结合企业的现状，根据需要进行选择。我认为企业在选择数据中台的时候，应该考虑这样几个因素：

1.  企业是否有大量的数据应用场景： 数据中台本身并不能直接产生业务价值，数据中台的本质是支撑快速地孵化数据应用。所以当你的企业有较多数据应用的场景时（一般有3个以上就可以考虑）。
2.  经过了快速的信息化建设，企业存在较多的业务数据的孤岛，需要整合各个业务系统的数据，进行关联的分析，此时，你需要构建一个数据中台。
3.  当你的团队正在面临效率、质量和成本的苦恼时，面对大量的开发，却不知道如何提高效能，数据经常出问题而束手无策，老板还要求你控制数据的成本，这个时候，数据中台可以帮助你。
4.  当你所在的企业面临经营困难，需要通过数据实现精益运营，提高企业的运营效率的时候，你需要构建一个数据中台，同时结合可视化的BI数据产品，实现数据从应用到中台的完整构建，这种类型往往出现在传统企业中。
5.  企业规模也是必须要考虑的一个因素，数据中台因为投入大，收益偏长线，所以更适合业务相对稳定的大公司，并不适合初创型的小公司。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 6][]

如果你的公司有以上几个特征，基本不要怀疑，请把数据中台提上日程吧。

#### 3、数据中台建设方法论与策略 ####

关于数据中台的建设，目前并没有一个标准的解决方案，也没有一个数据中台能适用于所有的公司，每个公司都应该结合自己的业务规模及数据需求现状来研发适合自己公司的数据中台。阿里是最早提出中台概念的，阿里数据中台的3One建设体系（OneId、OneData、OneService）也成了业界建设数据中台的主要参考方法论，这里我们大概介绍下，并推荐一些建设策略供大家参考。

##### 3.1 阿里3 One体系 #####

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 7][]

##### 3.2 相关建设策略 #####

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 8][]

#### 4、数据中台建设方案 ####

##### 4.1 整体架构 #####

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 9][]

##### 4.2 元数据 #####

###### 4.2.1 元数据包括哪些 ######

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 10][]

###### 4.2.2 元数据中心整体架构 ######

目前开源方案有：Netflix Metacat（数据字典采集） 、Apache Atlas（数据血缘采集）。我们设计时可以参考借鉴开源的部分实现思路。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 11][]

##### 4.3 数据地图 #####

数据地图是基于元数据中心构建的一站式企业数据资产目录，可以看作是元数据中心的界面。数据开发、分析师、数据运营、算法工程师都可以在数据地图上进行数据的检索，解决了“不知道有哪些数据？”“到哪里找数据？”“如何准确的理解数据”的难题。  
主要功能有：

1.  支持根据标签（主题域、分层信息、指标）、表名、字段名等进行检索；
2.  支持表级和字段级检索；
3.  数据总览目录支持按技术资产、业务资产、指标资产等目录进行下钻导览；
4.  表详细信息包括表的基础信息，字段信息、分区信息、产出信息以及数据血缘信息等。

数据资产目录：

![20210117123803149.png_pic_center][]

数据检索：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 12][]

表详情：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 13][]

##### 4.4 指标管理 #####

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 14][]  
![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 15][]

##### 4.5 数据模型规范设计 #####

###### 4.5.1 数仓模型介绍 ######

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 16][]  
说明：

1.  数据贴源层ODS：基本保持和业务数据源的表结构、表记录数一致，相当于是原始数据的备份；
2.  数据公共层CDM：包括明细层DWD和汇总层DWS，以及公共维度DIM DWD的明细事实表和DIM的维表数据由ODS层加工而成。DWS一般是公共指标数据，由DWD明细事实表和维表进行汇总加工而成。数据公共层主要采用维度建模方法作为理论基础，更多地采用维度退化手法，将维度退化到事实表中，减少事实表与维表的关联，提高明细数据表的易用性，比如可以将事实表设计为复合结构的宽表；同时在汇总数据层，加强指标的维度退化，采取更多地宽表化手段构建公共指标数据层，提升公共指标的复用性，减少重复加工。主要功能如下：

*  组合相关与相似的数据：数据清理整合、规范化，形成明细宽表，同一份数据要归一（DWD）；
 *  公共指标统一加工：构建命名规范、口径一致和算法统一的统计指标（DWS）；
 *  建立一致性维度：建立一致的数据分析维表，降低数据计算口径，算法不一的风险（DIM）；

1.  数据应用层ADS：存放数据产品应用需要的个性化的统计指标数据，一般不直接作为服务对外提供；
2.  要避免跨层调用或逆向调用，如ODS层数据只能被DWD层调用。

###### 4.5.2 表命名规范 ######

<table> 
 <thead> 
  <tr> 
   <th>所在层</th> 
   <th>表命名规范</th> 
   <th>例子</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>ODS</td> 
   <td>ods_业务系统数据库名_业务系统数据库表名_分区规则</td> 
   <td>ods_crm_order_info_dd</td> 
  </tr> 
  <tr> 
   <td>DWD、DWS、ADS</td> 
   <td>层次_主题域_业务过程_内容描述_分区规则</td> 
   <td>dwd_wms_instock_item_info_di</td> 
  </tr> 
  <tr> 
   <td>DIM</td> 
   <td>dim_主题域_维度定义_分区规则</td> 
   <td>dim_wms_area_type_dd</td> 
  </tr> 
 </tbody> 
</table>

![20210117125555987.png_pic_center][]

###### 4.5.3 涉及相关功能 ######

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 17][]

###### 4.5.4 模型设计步骤 ######

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 18][]  
部分流程说明：

1.  划分主题域，构建总线矩阵：  
    主题域是业务过程的抽象集合。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 19][]

构建总线矩阵需要明确每个主题域下有哪些业务过程，业务过程与哪些维度相关，并定义每个主题域下的业务过程和维度。

![20210117130015552.png_pic_center][]

1.  模型设计

Ａ）构建一致性维表：  
在维度建模中，通常将指标的度量称之为“事实”，将产生度量的环境称之为“维度”。将描述同一个业务实体的的多个维度列组合在一起，就是常说的“维度表”。维度表通常就是指业务过程中的一些基础业务实体信息（比如：商品、用户、时间、区域等），实体的属性，比如商品类别、商品品牌就是维度属性。维度表一般由【代理键、自然键、维度属性】三部分构成。

*  代理键：不具有任何业务含义，仅做维度表数据唯一性区分的属性，通常以主键形式出现，代理键根据场景需要再使用。
 *  自然键：具有业务含义，是业务实体一个实例的唯一性区分（如，商品ID），在维度表中不一定做表的主键。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 20][]

B）构建事实表：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 21][]

##### 4.6 数据质量 #####

###### 4.6.1 如何提升数据质量 ######

最重要的是能做到：早发现、早恢复，做到数据全链路各环节多层级的质量监控保护体系。  
早发现：要能够先于数据使用方发现数据的问题，尽可能在出现问题的源头发现问题，这样就为“早恢复”争取到了大量的时间。  
早恢复：要缩短故障恢复的时间，降低故障对数据产出的影响。  
一般通过以下的方式去执行：

1.  事前定义监控规则
2.  事中监控和控制数据生产过程
3.  事后分析和问题跟踪闭环

###### 4.6.2 数据质量稽核规则 ######

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 22][]

稽核规则的完整性：优先保障核心指标、核心表、重要工作流的监控，日常再不断完善。

###### 4.6.3 建立全链路数据质量监控 ######

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 23][]

###### 4.6.4 数据质量中心DQC架构 ######

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 24][]

##### 4.7 成本优化 #####

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 25][]

##### 4.8 数据服务 #####

###### 4.8.1 数据服务架构 ######

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 26][]

###### 4.8.2 查询引擎选择 ######

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 27][]

##### 4.9 实时数仓 #####

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 28][]

#### 5、业界数据中台介绍资料 ####

##### 5.1 华为云dayu介绍 #####

华为云智能数据运营平台： [https://support.huaweicloud.com/wtsnew-dayu/index.html][https_support.huaweicloud.com_wtsnew-dayu_index.html]

#### 5.2 阿里数据中台介绍 ####

Maxcompute：[https://help.aliyun.com/product/27797.html?spm=5176.7944453.751670.btn11.2ebc52dfUOpjI7][https_help.aliyun.com_product_27797.html_spm_5176.7944453.751670.btn11.2ebc52dfUOpjI7]  
Dataworks：[  
https://help.aliyun.com/product/72772.html?spm=5176.10695662.881989.3.4da72bf7ggpQpS][https_help.aliyun.com_product_72772.html_spm_5176.10695662.881989.3.4da72bf7ggpQpS]  
dataworks 公开课 ： [https://blog.csdn.net/weixin\_34124577/article/details/89590494][https_blog.csdn.net_weixin_34124577_article_details_89590494]  
dataworks核心技术讲解：  
[https://yq.aliyun.com/download/2377？do=login&accounttraceid=b05fbf4d1f154cb486c74bc64ed87540pewc][https_yq.aliyun.com_download_2377_do_login_accounttraceid_b05fbf4d1f154cb486c74bc64ed87540pewc]

#### 5.3 网易数据中台介绍 ####

网易数据中台实践： [https://pan.baidu.com/s/1rXm0F2TvM4dh2TFNg-b4Xg][https_pan.baidu.com_s_1rXm0F2TvM4dh2TFNg-b4Xg] 提取码: 9t3p

#### 5.4 转转数据中台介绍 ####

转转数据中台架构：[https://ppt.infoq.cn/slide/show?cid=57&pid=2717][https_ppt.infoq.cn_slide_show_cid_57_pid_2717]

[20210117111714410.png_pic_center]: /images/20221119/429f32e7dd7140f1b56e2eb9757ec1db.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center]: /images/20221119/b0015d60879d4eebb955ff4a4fcc985a.png
[20210117112828553.png_pic_center]: /images/20221119/65528d6124b24d0991a04b89956bfcbc.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221119/38f5e64f0ff74f1aba012231f540d98a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221119/19bb1bd78cce4c2bb15f64b2e2a9fd74.png
[20210117114740391.png_pic_center]: /images/20221119/6e5cf22525a640398c9a672c53d1cdb0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 3]: /images/20221119/4291ba050f8646aa8ce54b717dd15ba1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 4]: /images/20221119/ecbd84f1142e4096b169f6b80f8c3598.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 5]: /images/20221119/ade13ec67709454b9b6ca32a26dad4f0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 6]: /images/20221119/ba503bc7b9b144ea9352506d8416a280.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 7]: /images/20221119/5b2807abefcf4f23b2509db3acc6b95c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 8]: /images/20221119/16faeea5a2aa49539c657149d08bfbbd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 9]: /images/20221119/6533737b78e54c0ca3e2dabbb22fe975.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 10]: /images/20221119/e0e8729e2e334127958d867be735a130.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 11]: /images/20221119/291cc5244e7044a78d9641428ee79835.png
[20210117123803149.png_pic_center]: /images/20221119/acf5a6138af04a07a80ed123b120584b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 12]: /images/20221119/f2c3959871e14ff6b0a31a16550f3a04.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 13]: /images/20221119/ea0adf308b3149398cd2bca4e450dcbf.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 14]: /images/20221119/82997cb96f194a03aab7a22008932d93.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 15]: /images/20221119/a448777ad1da4a1d874abe17e87b9aa2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 16]: /images/20221119/dcf262e3dfe04912b5d78d0e5b8f822b.png
[20210117125555987.png_pic_center]: /images/20221119/e264b373c82c4439b0245dc2810aaa5f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 17]: /images/20221119/0dc6cf9631c04f07ac560f284942452b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 18]: /images/20221119/5b91d4c66062465f8f32719deecca181.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 19]: /images/20221119/e2fc47cd99564295b29a27eff3254b82.png
[20210117130015552.png_pic_center]: /images/20221119/f1f05dc126d0423d8eb733b93c7c046c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 20]: /images/20221119/98e74ce41df444b39d629c9fe1ed82bb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 21]: /images/20221119/bd700cee7b78435ab7af28328cb1c0a1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 22]: /images/20221119/b76d107ca5b341339c79bdf7356c5dfe.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 23]: /images/20221119/4b8287dc5a774eb0aaabe196b03abd62.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 24]: /images/20221119/9fd2a851a70d433184696b9155af62e6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 25]: /images/20221119/ee70d90ef2844fbe9c55b0fb2b10e6b0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 26]: /images/20221119/000e941428b145c386d4b95206a67e3b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 27]: /images/20221119/7a9f701c131c4e9b94f4479512194670.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dvbmd4aWZhY2FpX2JlbGlldmU_size_16_color_FFFFFF_t_70_pic_center 28]: /images/20221119/859182b5dc554d908fa38fb7bff4e366.png
[https_support.huaweicloud.com_wtsnew-dayu_index.html]: https://support.huaweicloud.com/wtsnew-dayu/index.html
[https_help.aliyun.com_product_27797.html_spm_5176.7944453.751670.btn11.2ebc52dfUOpjI7]: https://help.aliyun.com/product/27797.html?spm=5176.7944453.751670.btn11.2ebc52dfUOpjI7
[https_help.aliyun.com_product_72772.html_spm_5176.10695662.881989.3.4da72bf7ggpQpS]: https://help.aliyun.com/product/72772.html?spm=5176.10695662.881989.3.4da72bf7ggpQpS
[https_blog.csdn.net_weixin_34124577_article_details_89590494]: https://blog.csdn.net/weixin_34124577/article/details/89590494
[https_yq.aliyun.com_download_2377_do_login_accounttraceid_b05fbf4d1f154cb486c74bc64ed87540pewc]: https://yq.aliyun.com/download/2377？do=login&accounttraceid=b05fbf4d1f154cb486c74bc64ed87540pewc
[https_pan.baidu.com_s_1rXm0F2TvM4dh2TFNg-b4Xg]: https://pan.baidu.com/s/1rXm0F2TvM4dh2TFNg-b4Xg
[https_ppt.infoq.cn_slide_show_cid_57_pid_2717]: https://ppt.infoq.cn/slide/show?cid=57&pid=2717