实时数仓和离线数仓的区别是什么？企业如何选择合适的数仓架构？

数字天下

于 2025-05-27 09:00:06 发布

阅读量972

点赞数 21

CC 4.0 BY-SA版权

文章标签：架构数据库大数据

本文链接：https://blog.csdn.net/qq_22201881/article/details/148244396

实时数仓和离线数仓的区别是什么？企业如何选择合适的数仓架构？

时数仓和离线数仓都是数据仓库的不同类型，用于存储和管理企业的数据，但它们在数据处理和使用的时间、速度以及用途方面有明显的区别。

在介绍实时数仓之前，我们理应先来了解一下传统的离线数仓。毕竟在企业早期的数据建设规划中，在数据实时性要求不高的前提下，基本一开始都会选择建设离线数仓。

一、离线数仓

离线数仓是什么？
离线数仓（Offline Data Warehouse）是一个用于存储和处理批处理数据的系统。它的特点是数据的处理和分析是基于批处理作业进行的，通常以较长的时间周期为单位。传统离线数仓的数据时效性是 T+1，调度频率以天为单位，无法支撑实时场景的数据需求。即使能将调度频率设置成小时，也只能解决部分时效性要求不高的场景，对于实效性要求很高的场景还是无法优雅的支撑。
离线数仓的特点
批处理：离线数仓通过批处理作业处理数据，这意味着数据在一定时间周期内收集、存储，然后一次性处理。

高容量：离线数仓通常设计用于存储大量历史数据。

延迟较高：由于数据处理是批处理的，因此离线数仓不适合需要实时或近实时数据的应用。

离线数仓的适用场景
需要进行历史数据分析、报告生成的应用，如销售报告、月度财务报表等。

数据量较大且处理时间不是关键问题的应用。

但是随着企业的发展，数据量日益增大，传统数据的方案在时效性上和数据维护上变得越来越困难。这时，实时数仓应运而生。

二、实时数仓

实时数仓是什么？
实时数仓（Real-time Data Warehouse）是一个用于存储和处理实时数据的系统。它的主要特点是数据的处理和分析是即时进行的，数据几乎立即进入数仓并可以立即用于分析和决策。
实时数仓的特点
低延迟：实时数仓能够在数据产生后迅速将其捕捉和处理，通常以秒或亚秒级的速度。

数据流处理：实时数仓通常使用流式处理技术来处理数据，这允许数据在进入仓库时立即进行转换和计算。

实时分析：数据可以用于实时监控、仪表板、预测和决策支持。

高吞吐量：实时数仓需要处理大量的数据流，因此需要具备高吞吐量的性能。

复杂性：由于需要处理实时数据流，实时数仓的架构和技术通常比较复杂。

实时数仓的适用场景
需要实时监控业务指标的应用，如金融交易看板、实时销售报表、在线广告投放分析等。

需要立即采取行动以应对实时事件的应用，如异常监测大屏、欺诈实时检测等。

三、由数仓需求变化带来的数据仓库架构的演变
从1990年 Inmon 提出数据仓库概念到今天，数仓架构经历了最初的传统数仓架构、离线大数据架构、Lambda 架构、Kappa 架构以及由Flink 的火热带出的流批一体架构，数据架构技术不断演进，本质是在往流批一体的方向发展，让用户能以最自然、最小的成本完成实时计算。

传统数仓架构

这是比较传统的一种方式，结构或半结构化数据通过离线ETL定期加载到离线数仓，之后通过计算引擎取得结果，供前端使用。这里的离线数仓+计算引擎，通常是使用大型商业数据库来承担，例如Oracle、DB2、Teradata等。

离线大数据架构
随着数据规模的不断增大，传统数仓方式难以承载海量数据。随着大数据技术的普及，采用大数据技术来承载存储与计算任务。数据源通过离线的方式导入到离线数仓中。下游应用根据业务需求选择直接读取 DM 或加一层数据服务，比如 MySQL 或 Redis。

数据仓库从模型层面分为三层：

ODS，操作数据层，保存原始数据；

DWD，数据仓库明细层，根据主题定义好事实与维度表，保存最细粒度的事实数据；

DM，数据集市/轻度汇总层，在 DWD 层的基础之上根据不同的业务需求做轻度汇总。

当然，也可以使用传传统数据库集群或MPP架构数据库来完成。例如Hadoop+Hive/Spark、Oracle RAC、GreenPlum等。

Lambda架构
随着业务的发展，随着业务的发展，人们对数据实时性提出了更高的要求。此时，出现了Lambda架构，其将对实时性要求高的部分拆分出来，增加条实时计算链路。从源头开始做流式改造，将数据发送到消息队列中，实时计算引擎消费队列数据，完成实时数据的增量计算。与此同时，批量处理部分依然存在，实时与批量并行运行。最终由统一的数据服务层合并结果给于前端。一般是以批量处理结果为准，实时结果主要为快速响应。
Kappa架构
而Lambda架构，一个比较严重的问题就是需要维护两套逻辑。一部分在批量引擎实现，一部分在流式引擎实现，维护成本很高。此外，对资源消耗也较大。随后诞生的Kappa架构，正是为了解决上述问题。其在数据需要重新处理或数据变更时，可通过历史数据重新处理来完成。方式是通过上游重放完成(从数据源拉取数据重新计算)。

可Kappa架构最大的问题是流式重新处理历史的吞吐能力会低于批处理，但这个可以通过增加计算资源来弥补。