一、知识点
1. NoSQL数据库概述
NoSQL（Not Only SQL）是指非关系型的数据库，用于解决传统关系数据库在大数据、高并发、灵活数据模型等场景下的局限性。
NoSQL的四大分类：
类型 | 特点 | 典型产品 | 适用场景 |
键值存储 | 基于哈希表，key唯一，value无结构 | Redis, Memcached, DynamoDB | 缓存、会话管理、配置存储 |
列族存储 | 按列族存储，适合稀疏表，支持动态列 | HBase, Cassandra | 大数据分析、日志存储、时序数据 |
文档存储 | 存储JSON/BSON文档，支持嵌套结构 | MongoDB, CouchDB | Web应用、内容管理、用户资料 |
图数据库 | 以节点、边、属性表示数据，高效处理关系 | Neo4j, JanusGraph | 社交网络、推荐系统、知识图谱 |
NoSQL的特点（对比关系数据库）：
灵活的数据模型：无需预定义 schema，可动态添加字段。
水平扩展：通过分片（sharding）可轻松扩展到成百上千台节点。
高并发读写：牺牲强一致性（通常提供最终一致性），换取高吞吐量。
无复杂关联：通常不支持多表连接，更适合单表查询。
BASE 理论：基本可用（Basically Available）、软状态（Soft state）、最终一致性（Eventually consistent），替代 ACID。
2. 数据仓库概述
数据仓库（Data Warehouse，DW）是面向主题、集成、非易失、时变的数据集合，用于支持管理决策。
核心特征：
面向主题：围绕业务主题（如销售、客户）组织数据，而非应用。
集成：从多个异构数据源（关系数据库、日志文件等）抽取、清洗、转换后加载。
非易失：数据一旦写入，通常不修改，只追加和查询。
时变：保存历史数据，可追溯时间变化。
数据仓库架构：
ETL（抽取、转换、加载） 进行清洗、转换，加载到数据仓库。
数据存储：通常采用维度建模（星型模型、雪花模型）。
元数据管理：记录数据来源、转换规则等。
前端展示：报表、OLAP分析、数据挖掘。
OLAP（联机分析处理）：
支持多维分析操作：上卷（roll-up）、下钻（drill-down）、切片（slice）、切块（dice）、旋转（pivot）。
数据存储方式：MOLAP（多维数组）、ROLAP（关系表）、HOLAP（混合）。
事实表与维度表：
事实表：存储可度量的数值（如销售额、数量），包含指向维度表的外键。
维度表：存储描述性属性（如时间、产品、客户），用于分组、筛选。
3. NoSQL 与数据仓库的关系
不同目的：NoSQL 主要应对 OLTP 的高并发、灵活数据模型；数据仓库主要服务于 OLAP 分析决策。
可结合使用：将 NoSQL 中的数据通过 ETL 导入数据仓库进行分析；或使用数据仓库作为 NoSQL 的历史数据归档。
二、具体事例
事例1：NoSQL 选型（社交网络）
某社交平台需要存储用户关系（谁关注谁）、用户动态（时间线）、点赞记录。
用户关系：适合用图数据库（Neo4j），便于查询“朋友的朋友”等复杂关系。
用户动态：适合用文档数据库（MongoDB），每条动态可包含文本、图片、位置等嵌套结构。
点赞计数：适合用键值存储（Redis），实时读写高频。
事例2：数据仓库维度建模（电商销售）
事实表：销售事实（销售ID，日期维度ID，产品维度ID，客户维度ID，销售额，数量）
维度表：
日期维度（日期ID，年，季度，月，日）
产品维度（产品ID，产品名称，类别，价格）
客户维度（客户ID，姓名，城市，等级）
典型查询：统计 2024 年第一季度每个产品类别的总销售额。
sql
SELECT p.类别, SUM(f.销售额)FROM 销售事实 fJOIN 日期维度 d ON f.日期维度ID = d.日期IDJOIN 产品维度 p ON f.产品维度ID = p.产品IDWHERE d.年 = 2024 AND d.季度 = 1GROUP BY p.类别;
事例3：ETL 过程
从业务数据库（MySQL）抽取订单数据 → 清洗（去除无效订单，统一日期格式） → 转换（计算总价，映射维度ID） → 加载到数据仓库的事实表。