TPCH导入数据库及学习

　　我们使用TPCH生成测试数据集来进行数据挖掘算法的测试，这是学习记录

一、TPC-H简介

　　 TPC-H是TPC提供的一个benchmark，用来模拟一个现实中的商业应用，可以生成一堆虚构的数据，且自带一些查询，可以导入到各种数据库中来模拟现实需求，检查性能

二、获取TPC-H文件

　　进入官网 http://www.tpc.org/tpch/ ，最左下边栏目里找到Downloads，点击进入，然后找到TPC-H对应的source code下载到本地

三、导入到数据库

　　导入到Mysql：https://www.cnblogs.com/zyz2085/p/9762878.html

扫描二维码关注公众号，回复： 4082751 查看本文章

　　导入到Hive：https://www.cnblogs.com/zyz2085/p/9806555.html

四、TPC-H学习

　　1.TPC-H各字段的含义

　　图例:·每个表名后面的括号内为这个表的列名的前缀; ·箭头指出表与表之间的一对多的关系; ·每个表名下方的数字或公式表示表的行数。一些是 SF(Scale Factor)中的因子，用来获得数据库的大小。在 LINEITEM 表中的行数是近似值

　　2.各表信息

（1） suplier表——供应商信息：key + 姓名、地址、电话、国家代码、余货、评论。其中国家代码需要和 nation 表做 join 以获得详细国家信息。

（2） region表——地区信息：key + 地区名

（3） customer表——用户表：key + 姓名、地址、国家代号、电话等。用户表按照 key 做 64 个 hash 分区

（4） part配件表——配件表：key + 配件名、厂商、品牌、类型、大小、包装、零售价

（5） partsupp配件供应表——配件key + 供应商key + 供应数量、批发价、评论

（6） orders零售订单表——订单key + 客户key + 订单状态、订单总价、下单日期、优先级、收银员、发货优先级

（7） lineitem订单明细表——订单key + 配件key + 供应商key + 流水号、数量、价格、折扣、税、明细状态、发货日期、预计到达日期、实际到达日期、运单处理策略（原返？拒收退回？等）、运输途径（火车、汽运、邮寄等）