数据仓库学习路线 | 26 年最新零基础到精通一条龙（万人收藏⭐️）
编程导航学习网站：学编程、做项目、拿 Offer！
企业高频面试题库：开始刷题，面试遇原题！
精选简历模板大全：1 分钟搞定简历！
AI 资源导航网站：获取最新 AI 黑科技！
1 对 1 模拟面试：随时随地提升面试能力
数据仓库求职高频面试题：开始刷题
开篇介绍
数据仓库（Data Warehouse）是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，用于支持管理决策。数据仓库将企业各个业务系统的数据集中存储和管理，经过清洗、转换、整合后，以统一的格式提供给数据分析和商业智能系统使用。数据仓库是企业数据管理的核心基础设施。
经过 30 多年的发展，数据仓库技术已经非常成熟。从传统的关系型数据仓库（如 Oracle、Teradata）到大数据数据仓库（如 Hive、ClickHouse），从批处理数仓到实时数仓，数据仓库技术在不断演进。2025 年，数据湖仓（Data Lakehouse）成为新的趋势，结合了数据湖和数据仓库的优势。
为什么要学数据仓库？
数据仓库是企业数据分析的基础，几乎所有大中型企业都建设了数据仓库。数据仓库工程师负责数据仓库的设计、开发、维护，是企业数据团队的核心岗位。而且数据仓库工程师的薪资不错，一线城市的数仓工程师平均薪资在 20-40K，资深数仓专家可以达到 40-80K+。
数据仓库的核心技术包括：数据建模（维度建模、范式建模）、ETL（Extract-Transform-Load，数据抽取、转换、加载）、OLAP（联机分析处理）、数据分层（ODS、DW、DM）、数据治理、元数据管理等。Hive 是大数据数仓的主流技术，基于 Hadoop 构建，使用 SQL 进行数据处理。
要注意数据仓库和数据库的区别：数据库用于事务处理（OLTP），强调增删改查的性能；数据仓库用于分析处理（OLAP），强调查询和分析的性能。数据仓库一般定期从数据库中抽取数据，经过清洗和整合后存储。
学习前提
学习数据仓库建议先掌握：
- SQL 基础：熟练使用 SQL 进行查询和分析【必学】
- 数据库基础：理解关系型数据库【建议】
- 大数据基础：了解 Hadoop、Hive 等【建议】
关于 SQL 的详细学习，可以查看 SQL 学习路线
学习路线图
就业方向
学完数据仓库后，可以从事以下岗位：
- 数据仓库工程师：设计和开发数据仓库
- ETL 工程师：开发 ETL 流程
- 大数据开发工程师：使用 Hive、Spark 开发数仓。关于大数据开发的详细学习，可以查看 大数据开发学习路线；关于 Spark 的详细学习，可以查看 Spark 大数据学习路线
- 数据架构师：设计企业数据架构
- 数据治理工程师：负责数据质量和元数据管理
整体学习建议
1）SQL 是基础：数据仓库的核心是 SQL，一定要熟练掌握 SQL，特别是复杂查询、窗口函数、多表关联等高级特性。
2）数据建模是核心：数据建模决定了数仓的结构和性能，要重点学习维度建模（星型模型、雪花模型）。
3）理论结合实践：数据仓库的概念很多，建议边学边做项目。可以搭建一个简单的数仓，体验完整的开发流程。
4）关注大数据技术：现代数据仓库主要基于大数据技术（如 Hive、Spark），要学习大数据相关知识。
5）善用 AI 工具：学习数据仓库时可以用 AI 工具辅助编写 SQL、理解概念。可以多看看鱼皮的 AI 资源大全网站 中的工具。
阶段 1：数据仓库基础（10-20 天，仅供参考）
学习目标
理解数据仓库的基本概念和架构。
知识点
数仓基础概念【必学】：
- 数据仓库的定义和特点
- OLTP 和 OLAP 的区别
- 数据仓库的架构
- 事实表和维度表
数仓分层【必学】：
- ODS（操作数据层）
- DW（数据仓库层）：DWD、DWS、DWT
- DM（数据集市层）
- 分层的意义
数据仓库 vs 数据湖 vs 数据湖仓【建议学】：
- 三者的区别和联系
- 数据湖仓架构【可不学】
学习重点
1）数据仓库是面向主题的，按照业务主题（如销售、库存、客户）组织数据，而不是按照业务系统。
2）数仓分层是数据仓库的重要设计，可以提高数据质量、简化ETL逻辑、提升查询性能。ODS 是贴源层，DW 是加工层，DM 是应用层。
3）理解事实表和维度表的区别。事实表存储业务过程的度量值（如销售额、数量），维度表存储描述性信息（如时间、地点、产品）。
学习资源
- 从分层架构到数据湖仓架构：2025 数据仓库分层
- 数仓工程师发展路线：月薪 10K 到 50K
阶段 2：数据建模（15-25 天，仅供参考）
数据建模是数据仓库的核心，包括维度建模、星型模型、雪花模型等，决定了数据仓库的结构和性能。
学习目标
掌握数据建模方法，能够设计数据仓库模型。
知识点
维度建模【必学，核心重点】：
- 星型模型（Star Schema）
- 雪花模型（Snowflake Schema）
- 事实表的类型（事务型、周期快照型、累积快照型）
- 维度表的设计（SCD 缓慢变化维）
- 维度建模的步骤
范式建模【建议学】：
- 第一范式、第二范式、第三范式
- 范式建模和维度建模的对比
数据建模工具【建议学】：
- PowerDesigner
- ERwin
- 在线建模工具
学习建议
1）维度建模是数据仓库最流行
