一、从定义来看
-
数据库，用来存储结构化的数据，数据库由多张表组成，每张表都有行列，是二维的。数据都是一行一行的插入到表中。
-
数据仓库，其实也是存储数据的，相对于数据库来说存储的数据量要更庞大。而且数据仓库多是用于决策分析的。
举个例子：
当我们注册一个账号的时候，后台数据库肯定有一张用户表，这张表假设有一个用户名字段和密码字段。当我们注册的时候，就会把信息一行一行的插入到表中。而当我们在前端登录的时候，就需要填写账号密码，这些数据就返回后台跟用户表进行比对，如果没错，就能登录，这就是数据库。数据库都是跟业务挂钩的，不同的业务会有不同的数据库。
由于数据库是跟业务挂钩的，那么每个业务功能就会对应有一个数据库表，比如登录功能就会对应有一个用户表。
但是当我们想统计用户登录数量最多在哪个时间段？单单一个用户表就无法得出结果。所以就需要重新设计数据库的表结构，增加不同的指标进行分析，这就需要使用数据仓库。数据仓库的表是依照业务需求进行设计的。
- 从导入数据的操作来看
1） 数据库：一定会对要插入的数据进行严格的检查，不满足要求不能插入。
2） 数据仓库：对插入的数据不会检查。Hive数据仓库会存储非常大量的数据，一次导入可能就是几百G，几十T，hive不检查是不想让导入的数据效率过于低下。
二、从整个流程架构来看
借用一张图来看看：
数据仓库是面向主题的，什么是主题？对应上面这张图就是分析OLAP阶段。其实就是为人做决策分析的。
数据仓库一般只做查询，不做修改。数据仓库的数据是由数据库中的数据抽取出来的。
因为数据仓库的每一个主题，不一定都只对应一个数据库，每个主题所需要的源数据可能分布在不同的数据库中，因此需要对数据库进行提取转换再存入到数据仓库。
对应上图来说：
源数据OLTP（数据库）收集存储各种数据，是底层的原始数据，通过ETL对数据进行抽取、转换、装载，放入到ODS层。
ODS层的功能：清洗垃圾数据，更改不能入库的格式为数仓支持的格式或优化后的格式。
通过sql、python等手段将数据进行整合、重定义，剔除数据冗余等，存放到EDW层。
根据业务需求，构建所需的指标，组建分析主题，存放到DM层。
构建面向一个一个不同主题进行分析OLAP，最后进行可视化。
三、实际就是OLTP和OLAP的区别
1、 OLTP（On-Line Transaction Processing），联机事务处理。针对具体业务在数据库联机的日常操作。
2、 OLAP（On-Line Analytical Processing），联机分析处理。针对主题历史数据进行决策分析。
| 数据库OLTP | 数据仓库OLAP |
|---|---|
| 操作型 | 分析型 |
| 实体-关系（E-R）模型 | 星型模型或雪花模型 |
| 不停存储新数据 | 存储历史数据，不包含最近的数据 |
| 可更新数据 | 只读，只追加数据 |
| 面向事务 | 面向分析 |
| 数据量相对较小 | 数据量相对较大 |
| 举例：用户登录验证 | 举例：用户登录时间分析 |
.