1. 数据仓库是如何分层的并且每层都承担什么作用。

大数据技术交流（1群）讨论（年年平安、夜里的那条路、吉西岛等）：

  1. 可以分为四层：

ods：原始数据层，db数据，log数据 dwd：数据明细层 和 dim：维度层 dm/dws：数据宽表 app：这层基本上很少用到了

  1. 可以分为三层：

ods：贴源层 大家都一样 dw：报表数据，log数据，部分产品表数据 dm：集市层根据业务划分提供给不同的业务系统

大数据技术交流（2群）讨论（绝域时空、才不是天下第一大笨蛋、啊呀丶卖枸杞的张三皮、苏家小草、张家锋等）：

  1. 可以分为五层：

ODS： 原始层 DWD： 标准明细层 DWS： 主题明细 DWT： 主题汇总 DWM： 业务集市针对部门提供数据

大数据技术交流（4群）讨论（噼里、八华幸❗、云落CD、natural等）：

  1. 可以分为六层：

ODS： 原始层 DWD： 明细数据层，对ODS进行数据清洗 DIM：维度层，保存维度数据 DWS： 服务数据层，按天进行数据汇总 DWT： 数据主题层，对数据进行累计汇总 ADS： 数据应用层，为统计报表提供数据

  1. 可以分为六层：

ODS（原始数据层） DWD（明细数据层） DWS（轻度汇总层） DM（数据集市层） ADS（数据应用层） DIM（维度表）

  1. 可以分为六层：

ods 、dwd、eds、app、 dw、bi

  1. 数仓分层没有严格标准，根据业务情况进行适当分层，完成维度建模，之后重点设计ETL架构，否则后期运行起来，天天报数据更新不及时。

大数据技术交流（5群）讨论（浮生 等）：

传统三层 ods dw dm，后面根据业务和需求可以继续细化。 DW也可以继续分 总的来说 我的理解中 dw就是就去清洗和转化 建立了标准数据的层 也可以说是维度建模体现的层 DM就根据主题域进行划分，简单理解就是数据可直接拿来用的那一层。

FLINK群 讨论（特略、谢帮桂、吴杰、皓、学不动了、blue、blueblueblue 等）：

  1. 不分层
  2. 分四层：源表-明细-汇总-输出

2.数据仓库为什么要分层。

大数据技术交流（4群）讨论（噼里、八华幸❗、云落CD、natural等）：

  1. 解耦，以空间换时间
  2. 把复杂的问题简单化
  3. 减少重复开发
  4. 隔离原始数据

大数据技术交流（5群）讨论（浮生 等）：

不同的分层只是表达上不一样没必要为了分层而分层 ， 主要是为了能解决ETL中各类问题。

3.Lambda架构和Kappa架构的对比。

大数据技术交流（4群）讨论（云落CD）

Lamdba架构 是批流混合，历史按批处理，实时一套流处理，批处理做流处理的校验，总的数据以批处理（T-1)+流处理(当日）的为统计窗口；当有更新时，需维护两套代码。 Kappa架构 只有一套流处理，维护一套代码即可，需要考虑重算的场景。

4.土哥公众号相关链接

实时数仓之 Kappa 架构与 Lambda 架构（建议收藏！）