目前智能手机随处可见,各种年龄段的人群都可以在网络上随心所欲的购买商品。巨量电商数据的存储及分析成为了人们普遍关注的话题。在大批量数据的计算场景中,时效性低的离线数据仓库是大多数业务的首要选择。企业需要依靠最近发生的事件迅速决策时,离线数据仓库就无法满足要求,比如金融系统中距离预测点越近的股票成交价格往往会影响投资者的决策,电商系统中可以根据商品的销售情况赠送优惠券促进消费,或根据用户下单的高频关键词推送相近产品给用户,需要根据当前商品的销售情况动态调整,这些问题都具有时效性。各大互联网公司的离线数据仓库已经成熟,搭建实时数据仓库可以促进用户消费,提高营收。各行各业都在通过实时数据仓库加快抢占巨大的经济市场,各大互联网公司实时数据仓库的落地并产生巨大收益也表明搭建实时数据仓库分析、发现数据的潜在价值是有必要而且可行的。因此开发实时数据仓库系统是很有必要的,一方面在异常事件发生时可以被开发人员迅速处理,为公司决策层提供数据支撑,减少企业面临的损失,另一方面可以和离线数据仓库结合起来排查问题。本文分析了数据仓库技术中处理引擎的演进历程,针对Map Reduce、Spark Streaming和Flink三大主流框架多方面对比,最终使用Flink作为搭建实时数据仓库的处理引擎。本文的具体工作如下:（1）根据数据仓库的分层策略,将实时数据仓库自底向上分为ODS、DWD、DWM和DWS层,每层的数据粒度由小变大,开发了通用的DWM中间层数据表,能够极大的减少重复计算。顶层计算时复用底层的数据,提高了计算效率,而且在寻找和使用数据时方便定位数据表所在的分层。（2）设计了基于Flink的实时数据处理系统,通过消费Kafka消息队列中的埋点和业务交易数据,对电商数据进行清洗、实时ETL处理,最后将数据的处理结果写入外部容器,为数据分析人员提供数据支撑。（3）计算了电商实时数据仓库的关键指标,对于初入市场的电商公司来说,网站的实时活跃用户数、留存率、GMV等是衡量电商网站普及程度和运营情况的重要指标。本文通过Springboot接口查询DWS层Clickhouse数据库,通过可视化工具将指标数据渲染成图表后进行可视化展示,方便数据分析人员查看电商系统的运行情况,并通过指标排查异常和竞品分析。在电商系统的业务配置表中新增业务线或对原有的业务线变更时,会导致和现有数据处理的逻辑不匹配,因此需要修改底层代码的业务逻辑,开发成本较高。为达到在业务线变更时通过追踪业务表的变化情况实时更新数据仓库的业务线处理策略,更新数据仓库底层数据的处理逻辑,本文使用Flink CDC监控业务表的二进制binlog日志,将解析后的业务表变更数据根据业务配置表的数据项处理并保存至外部容器。