企业级数据架构：核心要素、架构模型、数据管理与平台搭建

李杨
资深数据架构师，在数据相关领域有10年以上工作经验。头部保险资管公司科技平台交易系统团队开发组负责人，负责多个应用以及数据平台的建设、优化以及迁移工作。曾担任某数据公司技术合伙人，负责多个金融机构的数据仓库或数据平台相关的工作。
在数据质量管理、数据治理等领域有着非常深厚的积累，熟悉不同行业的数字化转型。此外，他还是一名经验丰富的应用工程师，对大数据、数据库以及主流的技术栈有着非常深入的了解。
2022年被集团评为“优秀架构师”，积极参与行业内部的相关课题研究，是《保险问道
之保险资管数字化探索》一书的执笔人之一，是中资协《金融科技赋能保险资管风险管控的研究》课题核心组成员之一。

适读人群 ：本书从高到低主要分为三个层次的读者：高级：数据BD人员/数据架构师/中级：数据模型开发人员/ETL工程师/数据运维工程师/数据测试人员初级：想成为架构师的技术人员/对数据感

（1）作者经验丰富：头部保险资管公司深数据架构师，从事数据相关工作10余年，在数据架构、数据治理、数据资产管理等领域积累了丰富的经验。
（2）理论系统全面：系统梳理和阐述了企业架构的基础知识，以及数据架构的组成要素、架构模型、数据治理和数据资产管理的理论知识。
（3）实战案例丰富：用大量案例辅助理论讲解，同时用离线计算和实时计算两大场景的综合案例进行了详细展示。
（4）资深专家推荐：平安集团首席架构师与平安资管总经理等多位专家联袂推荐。

为何写作本书
2017年英国《经济学人》杂志提出一个观点：世界上最具价值的资源不再是石油，而是数据。有关数据的各种概念，如数据要素、数字经济、数字化转型以及数据资产定价等不断提出，对数据理论层面的探索从未停止过。各行各业乃至整个社会都对数据愈发重视，政府也提出建设“数字中国”的概念。上述种种无疑对数据从业者提出了更高的要求。
笔者工作这十几年来始终在一线从事开发工作，接触过很多企业内部的需求。笔者清楚地感受到，企业在不同时期，对于数据平台的定位或者期待发生了很大的变化，同时企业高层对于数据的重视程度也在持续提高。同时，企业内部关于数据平台建设的思路或者对于从业者技能的要求也发生了巨大的变化。
笔者花了很长时间去思考一些问题，例如：数据平台在这些年的发展过程中，有哪些内容是始终不变的，哪些内容变得更加重要；从业者需要掌握哪些技能才能更好地适应新时代的发展。基于这些思考，笔者写了这本书，从数据架构的角度阐述不同时期企业数据平台的建设，期望给从业者提供一些参考。
本书主要特点
这是一本偏落地实践的书。笔者会基于自己在一线工作的经验，在书中详细介绍数据架构涉及的技术栈、技术组件以及数据架构落地中可能遇到的问题，并提供对应的解决方案。
这也是一本包含必要理论的书。数据架构涉及大量的概念，不同的概念在不同的阶段可能会有不同的内涵。所以本书会针对这些概念以及不同概念之间的因果关系、逻辑关系等进行详细的介绍。通过这些介绍，相信读者可以更加深入地了解数据架构。
本书会将书介绍的组件与书中提到的理论相结合，并一步步地带领读者搭建自己的迷你版数据平台，以加深读者对于数据架构的理解。
本书读者对象
本书是一本企业数据架构相关的书，比较全面地介绍了企业数据架构在企业架构中的位置以及数据架构的构成等。从内容来看，本书比较适合以下读者阅读：
　对数据感兴趣的相关行业从业者。
　想了解企业数字化转型内涵的相关人员。
　期望从事数据相关工作的初学者。
　想提升自身能力的数据相关从业者。
　想拓展自己的技术领域的应用开发人员。
　正在或者将要进行数据治理或者数据资产建设的相关人员。
　在建设企业数据平台时遇到困难的一线人员。
如何阅读本书
本书共17章，分为五部分。
第一部分为架构基础（第1章），将会总览性地介绍企业架构及数据架构的内容。
第1章主要介绍企业架构的组成，例如业务架构、数据架构及应用架构等，从不同角度解析两个主要企业架构—Zachman框架及TOGAF，并对比不同组织或者机构对于数据架构的理解。
第二部分为数据架构基础（第2~6章），从不同方面阐述数据架构的组成。
第2章主要介绍数据架构的构成，例如数据模型、元数据、数据质量、数据标准、数据治理、数据资产、数据生命周期、数据分布、常见数据架构技术选型、数据调度等。如果想知道数据架构的核心组成，建议仔细阅读这一章。
第3章主要介绍数据架构中数据存储的发展以及不同类型数据存储的特点，然后分别从集中式数据库、分布式数据库、大数据存储、特定领域存储、实时计算阶段等方面进行详细阐述。如果对于不同类型的数据存储都非常了解的话，这一章可以选择性阅读。
第4章主要介绍数据存储中数据调度与消息传输的相关内容，对比了不同类型的商业ETL软件的区别，之后分别介绍了开源调度平台（Airflow）、ETL工具（DataX）、消息中间件（Kafka）的架构及核心概念等。读者可以根据自己对这些内容的了解程度有选择地阅读这一章。
第5章主要介绍数据架构的演进，引出Lambda架构和Kappa架构，并详细介绍这两种架构的组成及区别，最后简单介绍流批一体化的优劣势。
第6章主要介绍数据架构落地中可能涉及的各种辅助类应用，例如资源管理、资源及组件监控、应用监控以及日志监控等。如果企业内部已经有比较成熟的解决方案，这一章可以作为拓展阅读内容。
第三部分为数据架构模型实践（第7~9章），详细介绍了数据架构涉及的数据模型的部分。
第7章主要介绍企业内部数据区的划分以及企业内部数据的流向等内容，包括大多数企业内部数据区层级的划分以及每一层级的作用，并介绍互联网公司的集成型数据区分层特点等。
第8章主要介绍数据模型架构的内容，包括建模策略、建模步骤、建模方法论以及常见模型概述等。对于数据建模比较感兴趣的读者可以仔细阅读这一章内容。
第9章主要介绍维度建模的内容，包括维度建模概述、维度建模总线结构、维度详解、缓慢变化维度、事实表详解、事务型事实表等。对于维度建模的各种概念不是很理解的读者可以仔细阅读这一章内容。
第四部分为数据资产管理（第10~14章），第10~12章介绍数据架构的核心内容，第
13章及第14章介绍企业如何开展数据治理以及数据资产相关工作。
第10章主要介绍元数据管理，包括元数据的产生、分类及价值等，同时介绍元数据的应用及生命周期等，最后阐述如何构建元数据管理体系。
第11章主要介绍数据质量管理，主要内容包括数据质量的管理框架、核心维度及规则体系等，同时介绍企业如何进行数据质量评估。
第12章主要介绍数据标准管理，详细阐述了数据标准的内涵、体系设计框架、管理流程以及面临的挑战，最后系统阐述数据标准与数据质量的关系。如果想系统了解不同概念之间的关系，需要花点时间阅读这一章内容。
第13章主要介绍数据治理的相关内容，就数据治理的产生原因、内涵、核心准则、通用流程等内容进行阐述，最后列举数据治理面临的挑战以及相应的应对方式。推荐将要或者正在进行数据治理的读者仔细阅读这一章内容。
第14章主要介绍数据资产管理相关的内容，包括数据资产的现状以及当前企业可以进行的数据资产管理内容，梳理数据资产与其他概念之间的关系，同时详细介绍如何展开数据资产目录构建工作。
第五部分为数据架构实践（第15~17章），从实践的角度对前面的内容进行了介绍。
第15章主要介绍离线计算的相关实践，并以某个具体的场景为例展开介绍，包括架构设计、软件部署、模型设计、数据处理及离线计算数据应用等。
第16章主要介绍实时计算的相关实践，同样以某个具体的场景为例展开深入介绍，包括架构设计、软件部署、连通性配置、实时计算层等。
第17章主要结合笔者自身的理解以及在行业内的多年观察对数字未来进行展望，希望可以给读者带来一些启发。
由于水平有限，书中可能存在一些描述不准确或者错误的地方，恳请读者多多包涵。同时期待本书可以对读者的工作提供一些帮助。

目录 序 自序 前言 第一部分　架构基础 第1章　企业架构概述 3 1.1　企业架构 4 1.2　Zachman框架 4 1.2.1　Zachman框架的维度 4 1.2.2　Zachman框架的特点 5 1.2.3　Zachman框架的使用 6 1.3　TOGAF 6 1.3.1　TOGAF完善架构过程 7 1.3.2　框架核心：ADM 8 1.4　业务架构 9 1.4.1　业务架构的价值 9 1.4.2　业务架构的关键点 10 1.5　数据架构 11 1.5.1　数据架构设计 12 1.5.2　数据架构核心组成 12 1.6　总结 13 第二部分?数据架构基础 第2章　数据架构构成 18 2.1　数据模型 18 2.2　元数据 19 2.3　数据质量 20 2.4　数据标准 21 2.5　数据治理 21 2.6　数据资产 22 2.6.1　数据管理 22 2.6.2　数据仓库 22 2.6.3　数据湖 23 2.6.4　数据资产内涵 23 2.7　数据生命周期 24 2.7.1　数据创建 25 2.7.2　数据使用 25 2.7.3　数据归档 26 2.7.4　数据销毁 26 2.8　数据分布 27 2.8.1　数据存储 27 2.8.2　数据访问 27 2.9　常见数据架构技术选型 28 2.9.1　Lambda 28 2.9.2　Kappa 29 2.10　数据调度 30 2.11　总结 30 第3章　数据存储 31 3.1　数据存储基础 32 3.1.1　计算机组成基础结构 32 3.1.2　数据存储核心概念 35 3.1.3　OLTP与OLAP场景 37 3.2　集中式数据库 38 3.2.1　常见关系型数据库 38 3.2.2　分库分表 39 3.3　分布式数据库 40 3.3.1　大规模并行处理技术 40 3.3.2　分布式事务 41 3.4　大数据存储 43 3.4.1　HDFS 43 3.4.2　Yarn 44 3.4.3　Hive 44 3.4.4　HBase 45 3.4.5　Spark及Spark Streaming 46 3.5　特定领域存储 46 3.5.1　ClickHouse 46 3.5.2　Elasticsearch 48 3.6　实时计算阶段 49 3.7　总结 49 第4章　数据调度与消息传输 50 4.1　通用技术选型 50 4.2　Airflow调度平台 52 4.2.1　Airflow基础概念 52 4.2.2　Airflow架构 54 4.2.3　Airflow与其他调度平台对比 55 4.3　DataX数据同步工具 56 4.3.1　DataX基础概念 56 4.3.2　DataX数据同步 57 4.3.3　DataX优化 59 4.3.4　DataX与其他数据同步工具 　　　对比 60 4.4　Kafka消息中间件 62 4.4.1　Kafka基础概念 62 4.4.2　Kafka架构概述 63 4.4.3　Kafka高性能原理 63 4.4.4　Kafka与其他中间件对比 67 4.5　总结 68 第5章　Lambda架构与Kappa架构 69 5.1　架构演进 69 5.1.1　传统数据仓库架构 70 5.1.2　传统大数据架构 71 5.1.3　流式计算架构 72 5.1.4　Lambda架构 73 5.1.5　Kappa架构 74 5.2　Lambda架构详解 75 5.2.1　架构解析 76 5.2.2　核心组件 78 5.2.3　数据流向 81 5.3　Kappa架构详解 82 5.3.1　架构解析 82 5.3.2　核心组件 85 5.3.3　数据流向 87 5.4　Lambda与Kappa对比 87 5.5　流批一体化 89 5.6　总结 90 第6章　辅助类应用体系介绍 91 6.1　资源管理 91 6.1.1　开源堡垒机JumpServer 92 6.1.2　部署与负载均衡 92 6.1.3　核心概念 94 6.1.4　最佳实践 95 6.2　资源及组件监控 95 6.2.1　开源监控系统Prometheus 96 6.2.2　可视化系统Grafana 98 6.2.3　告警模块AlertManager 100 6.2.4　小结 101 6.3　应用监控 102 6.3.1　应用链路监控Pinpoint 102 6.3.2　原理与组件介绍 103 6.3.3　最佳实践 104 6.3.4　小结 106 6.4　日志监控 107 6.4.1　ELK 107 6.4.2　直连式日志收集架构 107 6.4.3　高并发日志收集架构 108 6.5　总结 109 第三部分?数据架构模型实践 第7章　企业数据区与数据流向 113 7.1　数据区概述 113 7.2　数据区详解 115 7.2.1　操作型数据区 115 7.2.2　集成型数据区 116 7.2.3　分析型数据区 117 7.2.4　历史数据区 118 7.3　企业数据流向 119 7.3.1　操作型数据区数据流向 119 7.3.2　集成型数据区数据流向 120 7.3.3　分析型数据区数据流向 121 7.3.4　历史数据区数据流向 122 7.4　企业数据分层 123 7.5　企业集成型数据区层级 124 7.5.1　数据缓冲层 125 7.5.2　数据贴源层 126 7.5.3　标准模型层 127 7.5.4　整合模型层 127 7.5.5　数据集市层 128 7.6　互联网公司的集成型数据区分层 　　　特点 129 7.7　总结 130 第8章　数据模型架构详解 131 8.1　为什么要建模 132 8.2　建模策略 134 8.2.1　数据缓冲层建模策略 135 8.2.2　数据贴源层建模策略 135 8.2.3　标准模型层建模策略 136 8.2.4　整合模型层建模策略 136 8.2.5　数据集市层建模策略 137 8.3　建模三步走 137 8.3.1　第一步：概念模型 138 8.3.2　第二步：逻辑模型 139 8.3.3　第三步：物理模型 140 8.4　建模方法论 141 8.4.1　范式的概念 142 8.4.2　范式建模? 145 8.4.3　维度建模 146 8.4.4　范式建模与维度建模对比 146 8.5　常见模型概述 147 8.5.1　星型模型 147 8.5.2　雪花模型 149 8.5.3　星座模型 150 8.6　数据层级与数据模型的关系 151 8.7　总结 152 第9章　维度建模解析 153 9.1　维度建模概述 153 9.1.1　维度与事实 154 9.1.2　维度建模目标 155 9.1.3　维度建模局限 155 9.2　维度建模总线结构 156 9.2.1　总线矩阵 157 9.2.2　一致性维度 157 9.2.3　一致性事实 159 9.3　维度详解 159 9.4　缓慢变化维度 162 9.4.1　缓慢变化维度的作用 163 9.4.2　缓慢变化维度的处理方式 164 9.4.3　小结 167 9.5　事实表详解 167 9.6　事务型事实表 170 9.6.1　事务型事实表概述 170 9.6.2　事务型事实表处理 171 9.6.3　事实表处理拓展 172 9.7　总结 172 第四部分?数据资产管理 第10章　元数据管理 178 10.1　元数据概述 178 10.2　元数据的产生 179 10.3　不同类型元数据详解 182 10.3.1　技术元数据 183 10.3.2　业务元数据 185 10.3.3　管理元数据 185 10.4　元数据的价值 187 10.4.1　大数据时代前 187 10.4.2　大数据时代后 188 10.5　元数据的应用 189 10.5.1　血缘分析 189 10.5.2　影响分析 190 10.6　元数据的生命周期 191 10.7　元数据管理体系构建 191 10.7.1　元数据采集模块 192 10.7.2　元数据分析模块 192 10.7.3　元数据管理模块 192 10.7.4　元数据访问模块 192 10.8　总结 193 第11章　数据质量管理 194 11.1　数据质量概述 194 11.2　数据质量内涵 195 11.3　数据质量管理框架 196 11.3.1　事前防范 196 11.3.2　事中监控 197 11.3.3　事后治理 198 11.4　数据质量核心维度 200 11.4.1　完备性 200 11.4.2　唯一性 201 11.4.3　及时性 201 11.4.4　有效性 201 11.4.5　准确性 202 11.4.6　一致性 202 11.5　数据质量规则体系 203 11.5.1　业务规则体系 203 11.5.2　技术规则体系 204 11.6　数据质量评估 206 11.6.1　数据质量评估算法 206 11.6.2　数据质量基线报告 208 11.6.3　数据质量趋势报告 209 11.7　总结 210 第12章　数据标准管理 211 12.1　数据标准概述 211 12.2　数据标准内涵 212 12.3　数据标准体系设计框架 213 12.3.1　数据标准的原则 213 12.3.2　数据标准的调研 214 12.3.3　数据标准的确定 217 12.3.4　数据标准的评估 219 12.4　数据标准管理流程 219 12.4.1　数据标准的制定 220 12.4.2　数据标准的审核与发布 221 12.4.3　数据标准的执行 221 12.4.4　数据标准的变更 222 12.4.5　数据标准的审查 222 12.5　数据标准的挑战 223 12.6　数据标准与数据质量的关系 224 12.7　总结 226 第13章　数据治理 227 13.1　为什么需要数据治理 227 13.1.1　烟囱系统 228 13.1.2　数字化转型 228 13.1.3　数据治理的作用 229 13.2　数据治理内涵 229 13.2.1　数据治理内容 229 13.2.2　数据治理范围 230 13.3　数据治理核心准则 232 13.3.1　确定范围 233 13.3.2　融入团队 233 13.3.3　由点到面 234 13.3.4　团结业务 234 13.3.5　主动沟通 235 13.3.6　定期汇报成果 235 13.4　数据治理通用流程 236 13.4.1　准备阶段 237 13.4.2　设计阶段 239 13.4.3　运营阶段 241 13.5　数据治理的挑战 242 13.6　总结 243 第14章　数据资产管理与数据 　　　　 资产目录 244 14.1　数据资产内涵 245 14.1.1　数据相关概念 245 14.1.2　数据资产构成 247 14.2　数据资产管理活动职能 253 14.3　数据资产目录实践 254 14.3.1　数据目录与数据资产目录 254 14.3.2　数据资产目录构建 255 14.4　总结 260 第五部分?数据架构实践 第15章　离线计算 263 15.1　离线计算架构概述 263 15.2　架构设计 264 15.3　软件部署 265 15.3.1　JDK部署 265 15.3.2　Hadoop部署 266 15.3.3　Hive部署 273 15.3.4　Sqoop部署 279 15.4　模型设计 281 15.4.1　数据存储层模型设计 282 15.4.2　数据贴源层模型设计 284 15.4.3　标准模型层模型设计 287 15.4.4　整合模型层模型设计 288 15.4.5　数据集市层模型设计 289 15.5　数据处理 291 15.5.1　源系统数据同步 291 15.5.2　数据贴源层数据处理 294 15.5.3　标准模型层数据处理 295 15.5.4　整合模型层数据处理 296 15.5.5　数据集市层数据处理 297 15.6　离线计算数据应用 298 15.7　总结 299 第16章　实时计算 300 16.1　实时计算架构概述 300 16.2　架构设计 301 16.3　软件部署 303 16.3.1　Flume部署 303 16.3.2　Kafka部署 304 16.3.3　Flink部署 307 16.4　连通性配置 310 16.4.1　Flume与Kafka 311 16.4.2　Kafka与Flink 314 16.5　实时计算层 315 16.5.1　数据层级设计 315 16.5.2　实时计算开发 316 16.5.3　实时数据应用 322 16.6　总结 322 第17章　对数字未来的展望 324 17.1　建设数字中国 324 17.2　金融行业的数字化转型 325 17.3　数据架构核心 326 17.4　数据开发趋势 326 17.5　DataOps发展 327 17.6　总结 328