数据库设计（1/9）：数据元（Data Elements）

对于设计和创建数据库完全是个新手？没关系，Joe Celko，世界上读者数量最多的SQL作者之一，会告诉你这些基础。和往常一样，即使是最专业的数据库老手，也会给他们带来惊喜。Joe是DMBS杂志是多年来最受读者喜爱的作者。他在美国、英国，北欧，南美及非洲传授SQL知识。他在ANSI / ISO SQL标准委员会工作了10年，为SQL-89和SQL-92标准做出了杰出贡献。

---

在你开始考虑你的数据库架构或表前，你需要细想下你的数据：数据是什么类型，你使用值的范围。它应该是唯一的，精确的且不含糊的。然后你的命名应该通俗易懂的。Joe Celko这样解释道。

不要太惊讶，在数据库设计里第一步是数据。但事实上，太多的程序员不会花时间在它们的数据设计上，而是首先设计架构。这样行不通。SQL处理的是结构化数据，而不是想文本或图片的非结构化数据。在关系型数据库管理系统（RDBMS）里一个基本概念是Codd博士所谓的信息原则（Information Principle）。这个规则写道：在关系型数据库管理系统里，所有的数据被建模为表里行里列里的标量。

这就是说表里的所有行有同样的结构。也就是说正确的表设计不会出现有一行是汽车的模型，另一行是鱿鱼的模型，还有一行表示Lady Gaga。

同样，这就是说行里的每列是同样数据元的值。在表里，一个列不会从鞋子大小变成其它温度的值。也就是说范围不会改变——如果你以摄氏度测量温度，那么这列的所有值都使用摄氏度的范围。

选择数据的范围和类型很重要。它让在一些范围内做数学和比较有意义，而不是与其它。这也解释了为什么SQL 是强类型语言（strongly typed language）。一些语言是弱类型的——那就是，变量在程序执行期间可以修改数据类型——一些则是强类型的；那些就是变量保持同样的数据类型，只有你在强制转化的时候才会是新的数据类型。并不是所有的强制转化都合法。弱类型转化问题的经典例子是PL/I里，如果你分配单个数组元为负数的平方根，它会把整个数组从FLOAT转为COMPLEX类型。这个发生的时候没有任何警告信息。关于弱数据类型有个老笑话：

教师：“比利，6乘以9多少？”

比利：“额~~，红色？”

教师：“不是！萨利，6乘以9多少？”

萨利：“星期四？”

教师：“不是！汤米，6乘以9多少？”

汤米：“54”

教师：“回答正确！现在告诉大家你怎么得到答案的。”

汤米：“我用红色除以星期四！”

人们在写弱类型语言时，经常会在数据元名称加上前缀或词尾，告诉大家原始数据类型，防止在程序中大家修改类型。这违反了ISO-11179元数据规则。这个标准总结了命名数据元是它本身应该是什么，而不是它在存储中的位置，或者在表里如何使用。

对于数据元，ISO_11179格式是“[<角色>_]<属性名>_<特征名>]"（“[<role>_]<attribute>_<property>”）。在整个架构里，一个数据元有一个且只有一个名称。如果在整个企业里有且只有一个名称更佳。最好的话，在宇宙里有且只有一个名称。我来告诉你另一个老笑话：

“我是小孩时，我们有三只猫。”

“它们的名字是什么？”

“猫，猫和猫。”

“听起来分不清；你怎么把它们区分开？”

“谁在乎呢？当你叫它们时，它们也不会过来！”

我们希望数据在叫的时候就知道它是什么。逻辑上称同一律（the Law of Identity），通常简单的从字面上说A就是A。更正式的话，我们称作：

1. “是”就特指某物；实体应有名称。
2. “不是”任何特定之物，就彻底不是任何事物；实体应是唯一且精确的。
3. “是”任何一般之物，就彻底不是任何（其它）事物；实体应无二义性。

例如，没有一个东西可以是“id”——它太模糊，太通用（它是用来标识汽车，鱿鱼还是布兰妮·斯皮尔斯么？）。它是没有性质的属性。更好的命名会是”vehicle_id"，如果那是我们有的属性性质（attribute property）。最好的数据元名称是“vin”，这个是普遍使用和定义的ISO 4030“车辆识别码（Vehicle Identification Number）”标准。VIN精确且很好理解。

同样，你也会看到没有性质的属性。我个人最爱的是“sex”，它可以是“sex_code”（按ISO 5218定义，可以参考它的标志符“SEX”，虽然这不是个好主意）。"sex_type"(动物或植物的生理选项：雄性还是雌性)或者“sex_frequency”(在我这一厢情愿的想法)。

可能最荒谬的错误是性质链。想下“type_code_id”什么意思。如果它是个标识，俺么在数据模型里它是唯一的并属于一个实体（想下"emp_id"）。如果它是个代码，那么它有个外部的权威（想下“邮编”）。如果它是个类型，那对它有个测试（想下“血型”）。这就像没有一个名词来修改的一连串形容词。增加一个属性到链不会拯救含糊问题。

再次强调，基本规则是一个数据元名词告诉我们它是什么。名称不会告诉我们：

1. 有表名的架构里它的位置
2. 在特定表里它如何使用的（例如在名称里没有pk-，fk-或vw-等词缀的话）
3. 它的数据如何物理存储的（例如对于整形、字符型等没有“i-”，“str-”等词缀）
4. 没有告诉我们数据元不是什么。要确定并精确。

性质组件是从标准化列表里选取，你可以按需添加。这个列表成为你数据字典的一部分，并需要被执行。

在同个表里，当同样的数据元出现2个或更多的角色，要用到<角色>。例如，在组织报表里会有“supervisor_emp_id”和“subordinate_emp_id”，都来自Personnel表里的员工标识数据元“emp_id”。

来看下名称的长度。数据元名称太长或太短都不好。太短的名称很难理解，除非它是标准的缩写。它们也会模棱两可；我最喜欢的例子是一个系统，在数据元名称里有多个student的缩写方式，其中一个是“std”——经常会被误认为是“standard”的缩写，在有些地方甚至是“sexually transmitted disease（性病，由性交引起的病）”。

在名称里避免所有的特殊字符。坚持使用Latin-1字母，数字和下划线。它们会在其它程序语言里复用。没错，数据元名称不只为SQL。同样，避免同时使用仅微软支持的方括号“["或者仅ANSI/IOS支持的双引号标记。这个只是为在数据库里显示格式草率的编程完成，而不是前端显示。有一个可能的异常会是语言翻译问题，Latin-1字母不能正常工作。

执行大写规则来避免大小写敏感问题。我的规则是SQL 关键字是大写，标量数据元是小写，架构对象是大写。在我的《SQL 编程风格（Sql Programming Style ）》书里有这方面的研究，但这里我会跳过细节。

对于数据元素名称的标准化性质后缀列表是基于Teradata的内部标准建立，在行业刊物上通用（CMP,MKP和其它出版商）。这些后缀有精确的含义。如果你需要发明你自己的，它们也要是精确的。

"_id"=标识者。在架构里它是唯一的，在架构里任何地方它指的是一个实体。唯一性和标识者不是同个东西。圆周率数字它是唯一的，但他不能标识一个实体。绝不使用“<表名>_id"；这是基于位置的名字，并告诉你很可能这不是个真正的主键。简单的”id“太含糊，当你有无限个这样的名称，你就吧你的数据字典弄混。显然，自增长值也不是个标识。我一会谈下这个谬论。

"_date"或"_dt"=日期时间的维度。它是一些时间——工作，出生，终止等等。没有本身就是日期这样列名，那样会很糟糕，因为DATA在SQL里是注册的关键字。

"_nbr"或"_num"=标签数字；这是命名一些的数字字符。不要使用"_no"，因为它看起来像布尔的是否值。我更喜欢"nbr"或"num"，因为在多个欧洲语言里，它是常见的缩写，而且在"_num"里类似形状字母的组合会有视觉混淆。

"_name"或"_nm"=这是个字母名称本身就能看懂。它也成为名称量表。

"_code"或"_cd"=代码，被可信源，通常是企业外标准化维护的。例如，邮编是有米国邮政服务维护的。在它的上下文里，代码很好理解，因此你可能不需要翻译它。

"_size"=对于一个商品，例如衣服，鞋子， 信封或机器螺丝的行业标准或公司规模。

"_seq"=序列，序数。和标签数不是同个东西，因为它不会缺口。

"_tot"=合计，一个聚合的维度，逻辑上不同的部分。

"_tally"=值的个数，一个聚合的维度。也称为绝对标度。

"_status"=一个内部编码，反射了在知道的模式里将要修改的状态。考虑下军事地位。你会出生，然后改变状态到合法年龄。同时你不能和多个人结婚。你可以从已婚状态修改为离婚，从离婚变成已婚。如果你死了的话，就不能结婚。

"_cat"=分类，来自内部源的需要官方判定的编码。例如，五个飓风的类别。这不像个代码，需要这样的官方判定。

"_class"=不需要外部源的内部编码。一个类别就有一些共性一系列东西；对于动物分类你有规则，是哺乳还是爬行。有些情况你很难使用这些规则，例如在澳大利亚的哺乳动物，但是例外会变成它们自己的分类——单孔目。

"_type"=内外都有同样含义的编码。血型有新定义的测试过程。比起class，type通常更不正式，且会有重叠。type是三类中最弱的，它需要一个判断。在一些州，三轮摩托车是作为摩托车注册。在其它州，会作为汽车。在一些州，如果它有倒车档的话，也会作为汽车。

在实际的使用中，这3个方面会混淆。因此以行业标准来，即使它违反了上述的定义。

"_addr"或"_loc"=实体的地址或位置。地址和位置间有微妙的区别。地址可以指的是街道地址或一些外部的地理系统。位置指的是内部架构，例如仓库仓号。仓号可以保持一样，即使物理位置改变了。

"_img"=图片数据类型，例如.jpg,  .gif等等。使用特定的格式作为性质会是重要的。

如果需要的话，可以随意添加。但记得跟踪并标准化你所做的。

原文链接：http://www.sqlservercentral.com/articles/Stairway+Series/69801/