数据仓库 --拉链表技术介绍

拉链表：

维护历史状态，以及最新状态数据的一种表，拉链表根据拉链粒度的不同，实际上相当于快照，只不过做了优化，去除了一部分不变的记录，通过拉链表可以很方便的还原出拉链时点的客户记录。

数据仓库的数据模型设计过程中，经常会遇到这样的需求：

1. 表中的部分字段会被update，例如：
   • 用户的地址，产品的描述信息，品牌信息等等;
2. 需要查看某一个时间点或者时间段的历史快照信息，例如：
   • 查看某一个产品在历史某一时间点的状态
   • 查看某一个用户在过去某一段时间内，更新过几次等等
3. 变化的比例和频率不是很大，例如：
   • 总共有1000万的会员，每天新增和发生变化的有10万左右

商品历史快照案例

需求：

有一个商品表：

列名	类型	说明
goods_id	varchar(50)	商品编号
goods_status	varchar(50)	商品状态（待审核、待售、在售、已删除）
createtime	varchar(50)	商品创建日期
modifytime	varchar(50)	商品修改日期

2019年12月20日的数据如下所示：

goods_id	goods_status	createtime	modifytime
001	待审核	2019-12-20	2019-12-20
002	待售	2019-12-20	2019-12-20
003	在售	2019-12-20	2019-12-20
004	已删除	2019-12-20	2019-12-20

商品的状态，会随着时间推移而变化，我们需要将商品的所有变化的历史信息都保存下来。如何实现呢？

方案一：快照每一天的数据到数仓

该方案为：

• 每一天都保存一份全量，将所有数据同步到数仓中
• 很多记录都是重复保存，没有任何变化

12月20日（4条数据）

goods_id	goods_status	createtime	modifytime
001	待审核	2019-12-18	2019-12-20
002	待售	2019-12-19	2019-12-20
003	在售	2019-12-20	2019-12-20
004	已删除	2019-12-15	2019-12-20

12月21日（10条数据）

goods_id	goods_status	createtime	modifytime
以下为12月20日快照数据
001	待审核	2019-12-18	2019-12-20
002	待售	2019-12-19	2019-12-20
003	在售	2019-12-20	2019-12-20
004	已删除	2019-12-15	2019-12-20
以下为12月21日快照数据
001	待售（从待审核到待售）	2019-12-18	2019-12-21
002	待售	2019-12-19	2019-12-20
003	在售	2019-12-20	2019-12-20
004	已删除	2019-12-15	2019-12-20
005（新商品）	待审核	2019-12-21	2019-12-21
006（新商品）	待审核	2019-12-21	2019-12-21

12月22日（18条数据）

goods_id	goods_status	createtime	modifytime
以下为12月20日快照数据
001	待审核	2019-12-18	2019-12-20
002	待售	2019-12-19	2019-12-20
003	在售	2019-12-20	2019-12-20
004	已删除	2019-12-15	2019-12-20
以下为12月21日快照数据
001	待售（从待审核到待售）	2019-12-18	2019-12-21
002	待售	2019-12-19	2019-12-20
003	在售	2019-12-20	2019-12-20
004	已删除	2019-12-15	2019-12-20
005	待审核	2019-12-21	2019-12-21
006	待审核	2019-12-21	2019-12-21
以下为12月22日快照数据
001	待售	2019-12-18	2019-12-21
002	待售	2019-12-19	2019-12-20
003	已删除（从在售到已删除）	2019-12-20	2019-12-22
004	待审核	2019-12-21	2019-12-21
005	待审核	2019-12-21	2019-12-21
006	已删除（从待审核到已删除）	2019-12-21	2019-12-22
007	待审核	2019-12-22	2019-12-22
008	待审核	2019-12-22	2019-12-22

方案一：MySQL到Hive数仓代码实现

MySQL&Hive初始化

1、在MySQL demo库中 创建表

-- 创建数据库
create database if not exists demo;
​
-- 创建商品表
create table if not exists `demo`.`t_product`(
goods_id varchar(50), -- 商品编号
  goods_status varchar(50), -- 商品状态
  createtime varchar(50), -- 商品创建时间
  modifytime varchar(50) -- 商品修改时间
);

2、在Hive中 demo库创建表

-- 创建表
create database if not exists `demo`;
​
-- 创建ods层表
create table if not exists `demo`.`ods_product`(
  goods_id string,        -- 商品编号
  goods_status string,    -- 商品状态
  createtime string,      -- 商品创建时间
  modifytime string       -- 商品修改时间
)
partitioned by (dt string)
row format delimited fields terminated by ',' stored as TEXTFILE;
​
-- 创建dw层表
create table if not exists `demo`.`dw_product`(
  goods_id string,        -- 商品编号
  goods_status string,    -- 商品状态
  createtime string,      -- 商品创建时间
  modifytime string       -- 商品修改时间
)
partitioned by (dt string)
row format delimited fields terminated by ',' stored as TEXTFILE;

增量导入12月20日数据

1、MySQL数据库导入12月20日数据（4条数据）

insert into `demo`.`t_product`(goods_id, goods_status, createtime, modifytime) values
('001', '待审核', '2019-12-18', '2019-12-20'),
('002', '待售', '2019-12-19', '2019-12-20'),
('003', '在售', '2019-12-20', '2019-12-20'),
('004', '已删除', '2019-12-15', '2019-12-20');

2、使用Kettle将MySQL数据导出，并导入到分区HDFS位置

Kettle转换流程图

创建Hive分区

-- 创建分区
alter table `demo`.`ods_product` add if not exists partition (dt='2019-12-20');

表输入

Hadoop File output

3、Hive中查询数据

select * from `demo`.`ods_product`

4、数据导入维度表

insert overwrite table `demo`.`dw_product` partition(dt='2019-12-20')
select  
  goods_id,
  goods_status,
  createtime,
  modifytime
from `demo`.`ods_product` where dt='2019-12-20';

增量导入12月21日数据

1、MySQL数据库导入12月21日数据（6条数据）

UPDATE `demo`.`t_product` SET goods_status = '待售', modifytime = '2019-12-21' WHERE goods_id = '001';
INSERT INTO `demo`.`t_product`(goods_id, goods_status, createtime, modifytime) VALUES
('005', '待审核', '2019-12-21', '2019-12-21'),
('006', '待审核', '2019-12-21', '2019-12-21');

2、运行Kettle转换，导入2019年12月21日数据

3、Hive查询数据

select * from `demo`.`ods_product` where dt='2019-12-21';

4、数据导入dw层表

insert overwrite table `demo`.`dw_product` partition(dt='2019-12-21')
select  
  goods_id,
  goods_status,
  createtime,
  modifytime
from `demo`.`ods_product` where dt='2019-12-21';

增量导入12月22日数据

1、MySQL数据库导入12月22日数据（6条数据）

UPDATE `demo`.`t_product` SET goods_status = '已删除', modifytime = '2019-12-22' WHERE goods_id = '003';
UPDATE `demo`.`t_product` SET goods_status = '已删除', modifytime = '2019-12-22' WHERE goods_id = '006';
INSERT INTO `demo`.`t_product`(goods_id, goods_status, createtime, modifytime) VALUES
('007', '待审核', '2019-12-22', '2019-12-22'),
('008', '待审核', '2019-12-22', '2019-12-22');

2、运行Kettle转换，导入2019年12月22日数据

3、Hive查询数据

select * from ods_product where dt='2019-12-22';

4、数据导入dw层表

insert overwrite table `demo`.`dw_product` partition(dt='2019-12-22')
select  
  goods_id,
  goods_status,
  createtime,
  modifytime
from `demo`.`ods_product` where dt='2019-12-22';

从上述案例，可以看到：

• 表每天保留一份全量，每次全量中会保存很多不变的信息，如果数据量很大的话，对存储是极大的浪费

可以将表设计为拉链表，既能满足反应数据的历史状态，又可以最大限度地节省存储空间

 

方案二：使用拉链表保存历史快照思路

拉链表

• 拉链表不存储冗余的数据，只有某行的数据发生变化，才需要保存下来，相比每次全量同步会节省存储空间
• 能够查询到历史快照
• 额外的增加了两列（dw_start_date、dw_end_date），为数据行的生命周期

12月20日商品拉链表的数据：

goods_id	goods_status	createtime	modifytime	dw_start_date	dw_end_date
001	待审核	2019-12-18	2019-12-20	2019-12-20	9999-12-31
002	待售	2019-12-19	2019-12-20	2019-12-20	9999-12-31
003	在售	2019-12-20	2019-12-20	2019-12-20	9999-12-31
004	已删除	2019-12-15	2019-12-20	2019-12-20	9999-12-31

• 12月20日的数据是全新的数据导入到dw表
• dw_start_date表示某一条数据的生命周期起始时间，即数据从该时间开始有效（即生效日期）
• dw_end_date表示某一条数据的生命周期结束时间，即数据到这一天（不包含）（即失效日期）
• dw_end_date为9999-12-31，表示当前这条数据是最新的数据，数据到9999-12-31才过期

12月21日商品拉链表的数据

goods_id	goods_status	createtime	modifytime	dw_start_date	dw_end_date
001	待审核	2019-12-18	2019-12-20	2019-12-20	2019-12-21
002	待售	2019-12-19	2019-12-20	2019-12-20	9999-12-31
003	在售	2019-12-20	2019-12-20	2019-12-20	9999-12-31
004	已删除	2019-12-15	2019-12-20	2019-12-20	9999-12-31
001（变）	待售	2019-12-18	2019-12-21	2019-12-21	9999-12-31
005（新）	待审核	2019-12-21	2019-12-21	2019-12-21	9999-12-31
006（新）	待审核	2019-12-21	2019-12-21	2019-12-21	9999-12-31

• 拉链表中没有存储冗余的数据，（只要数据没有变化，无需同步）
• 001编号的商品数据的状态发生了变化（从待审核 → 待售），需要将原有的dw_end_date从9999-12-31变为2019-12-21，表示待审核状态，在2019/12/20（包含） - 2019/12/21（不包含）有效 
• 001编号新的状态重新保存了一条记录，dw_start_date为2019/12/21，dw_end_date为9999/12/31
• 新数据005、006、dw_start_date为2019/12/21，dw_end_date为9999/12/31

12月22日商品拉链表的数据

goods_id	goods_status	createtime	modifytime	dw_start_date	dw_end_date
001	待审核	2019-12-18	2019-12-20	2019-12-20	2019-12-21
002	待售	2019-12-19	2019-12-20	2019-12-20	9999-12-31
003	在售	2019-12-20	2019-12-20	2019-12-20	2019-12-22
004	已删除	2019-12-15	2019-12-20	2019-12-20	9999-12-31
001	待售	2019-12-18	2019-12-21	2019-12-21	9999-12-31
005	待审核	2019-12-21	2019-12-21	2019-12-21	9999-12-31
006	待审核	2019-12-21	2019-12-21	2019-12-21	9999-12-31
003（变）	已删除	2019-12-20	2019-12-22	2019-12-22	9999-12-31
007（新）	待审核	2019-12-22	2019-12-22	2019-12-22	9999-12-31
008（新）	待审核	2019-12-22	2019-12-22	2019-12-22	9999-12-31

• 003编号的商品数据的状态发生了变化（从在售→已删除），需要将原有的dw_end_date从9999-12-31变为2019-12-22，表示在售状态，在2019/12/20（包含） - 2019/12/22（不包含）有效
• 003编号新的状态重新保存了一条记录，dw_start_date为2019/12/22，dw_end_date为9999/12/31
• 新数据007、008、dw_start_date为2019/12/22，dw_end_date为9999/12/31

 

方案二：拉链表存储历史快照代码实现

操作步骤：

1. 在原有dw层表上，添加额外的两列
   • 生效日期（dw_start_date）
   • 失效日期（dw_end_date）
2. 只同步当天修改的数据到ods层
3. 拉链表算法实现
   • 编写SQL处理当天最新的数据（新添加的数据和修改过的数据）
   • 编写SQL处理dw层历史数据，重新计算之前的dw_end_date
4. 拉链表的数据为：当天最新的数据 UNION ALL 历史数据

代码实现：

1、MySQL&Hive表初始化

MySQL创建商品表2

-- 创建数据库
create database if not exists demo;
​
-- 创建商品表
create table if not exists `demo`.`t_product_2`(
goods_id varchar(50), -- 商品编号
  goods_status varchar(50), -- 商品状态
  createtime varchar(50), -- 商品创建时间
  modifytime varchar(50) -- 商品修改时间
);

Hive ODS层建表

-- 创建表
create database if not exists `demo`;
​
-- 创建ods层表
create table if not exists `demo`.`ods_product_2`(
  goods_id string,        -- 商品编号
  goods_status string,    -- 商品状态
  createtime string,      -- 商品创建时间
  modifytime string       -- 商品修改时间
)
partitioned by (dt string)
row format delimited fields terminated by ',' stored as TEXTFILE;

Hive dw层创建拉链表

-- 创建拉链表
create table if not exists `demo`.`dw_product_2`(
  goods_id string,        -- 商品编号
  goods_status string,    -- 商品状态
  createtime string,      -- 商品创建时间
  modifytime string,       -- 商品修改时间
  dw_start_date string,   -- 生效日期
  dw_end_date string      -- 失效日期
)
row format delimited fields terminated by ',' stored as TEXTFILE;

全量导入2019年12月20日数据

1、MySQL数据库导入12月20日数据（4条数据）

insert into `demo`.`t_product_2`(goods_id, goods_status, createtime, modifytime) values
('001', '待审核', '2019-12-18', '2019-12-20'),
('002', '待售', '2019-12-19', '2019-12-20'),
('003', '在售', '2019-12-20', '2019-12-20'),
('004', '已删除', '2019-12-15', '2019-12-20');

2、使用Kettle进行全量同步MySQL数据到Hive ods层表

Kettle组件图

设置命名参数

创建Hive分区

-- 创建分区
alter table `demo`.`ods_product_2` add if not exists partition (dt='${dt}');

表输入

SELECT
*
FROM t_product_2
where modifytime <= '${dt}'

Hadoop File Ouput

3、编写SQL从ods导入dw当天最新的数据

-- 从ods层导入dw当天最新数据
insert overwrite table `demo`.`dw_product_2`
select
  goods_id,                -- 商品编号
  goods_status,            -- 商品状态
  createtime,              -- 商品创建时间
  modifytime,              -- 商品修改时间
  modifytime as dw_start_date,    -- 生效日期
   '9999-12-31' as dw_end_date     -- 失效日期
from
  `demo`.`ods_product_2`
where
  dt = '2019-12-20';

增量导入2019年12月21日数据

1、MySQL数据库导入12月21日数据（6条数据）

UPDATE `demo`.`t_product_2` SET goods_status = '待售', modifytime = '2019-12-21' WHERE goods_id = '001';
INSERT INTO `demo`.`t_product_2`(goods_id, goods_status, createtime, modifytime) VALUES
('005', '待审核', '2019-12-21', '2019-12-21'),
('006', '待审核', '2019-12-21', '2019-12-21');

2、使用Kettle开发增量同步MySQL数据到Hive ods层表

Hive创建分区

-- 创建分区
alter table `demo`.`ods_product_2` add if not exists partition (dt='${dt}');

表输入读取MySQL数据

SELECT
*
FROM t_product_2
where modifytime = '${dt}'

3、编写SQL处理dw层历史数据，重新计算之前的dw_end_date

-- 重新计算dw层拉链表中的失效时间
select
  t1.goods_id,                -- 商品编号
  t1.goods_status,            -- 商品状态
  t1.createtime,              -- 商品创建时间
  t1.modifytime,              -- 商品修改时间
  t1.dw_start_date,           -- 生效日期（生效日期无需重新计算）
  case when (t2.goods_id is not null and t1.dw_end_date > '2019-12-21')
  then '2019-12-21'
  else t1.dw_end_date     -- 小的是以前修改的，不用修改，只修改9999-12-31的数据
  end as dw_end_date       -- 更新生效日期（需要重新计算）
from
  `demo`.`dw_product_2` t1
  left join
  (select * from `demo`.`ods_product_2` where dt='2019-12-21') t2
   on t1.goods_id = t2.goods_id

6、合并当天最新的数据和历史数据到

insert overwrite table `demo`.`dw_product_2`
select
  t1.goods_id,                -- 商品编号
  t1.goods_status,            -- 商品状态
  t1.createtime,              -- 商品创建时间
  t1.modifytime,              -- 商品修改时间
  t1.dw_start_date,           -- 生效日期（生效日期无需重新计算）
  case when (t2.goods_id is not null and t1.dw_end_date > '2019-12-21')
  then '2019-12-21'
  else t1.dw_end_date
  end as dw_end_date       -- 更新生效日期（需要重新计算）
from
  `demo`.`dw_product_2` t1
  left join
  (select * from `demo`.`ods_product_2` where dt='2019-12-21') t2
   on t1.goods_id = t2.goods_id
union all
select 
  goods_id,                -- 商品编号
  goods_status,            -- 商品状态
  createtime,              -- 商品创建时间
  modifytime,              -- 商品修改时间
  modifytime as dw_start_date,  -- 生效日期
   '9999-12-31' as dw_end_date   -- 失效日期
from
  `demo`.`ods_product_2` where dt='2019-12-21'    -- 只有新增和修改的数据
order by dw_start_date, goods_id;

查询拉链表

1、获取2019-12-20日的历史快照数据

select * from demo.dw_product_2 where dw_start_date <= '2019-12-20' and dw_end_date > '2019-12-20' order by goods_id;

2、获取最新的商品快照数据

select * from demo.dw_product_2 where dw_end_date = '9999-12-31' order by goods_id;