1. 全量表:每天的所有的最新狀态的資料,
2. 增量表:每天的新增資料,增量資料是上次導出之後的新資料。
3. 拉連結清單:維護曆史狀态,以及最新狀态資料的一種表,拉連結清單根據拉鍊粒度的不同,實際上相當于快照,隻不過做了優化,去除了一部分不變的記錄而已,通過拉連結清單可以很友善的還原出拉鍊時點的客戶記錄。
4. 流水表: 對于表的每一個修改都會記錄,可以用于反映實際記錄的變更。
拉連結清單通常是對賬戶資訊的曆史變動進行處理保留的結果,流水表是每天的交易形成的曆史;
流水表用于統計業務相關情況,拉連結清單用于統計賬戶及客戶的情況
資料倉庫之拉連結清單(原理、設計以及在Hive中的實作)
在有些情況下,為了保持曆史的一些狀态,需要用拉連結清單來做,這樣做目的在可以保留所有狀态的情況下可以節省空間。
拉連結清單适用于以下幾種情況吧
資料量有點大,表中某些字段有變化,但是呢變化的頻率也不是很高,業務需求呢又需要統計這種變化狀态,每天全量一份呢,有點不太現實,
不僅浪費了存儲空間,有時可能業務統計也有點麻煩,這時,拉連結清單的作用就提現出來了,既節省空間,又滿足了需求。
一般在數倉中通過增加begin_date,en_date來表示,如下例,後兩列是start_date和end_date.
1 2016-08-20 2016-08-20 建立 2016-08-20 2016-08-20
1 2016-08-20 2016-08-21 支付 2016-08-21 2016-08-21
1 2016-08-20 2016-08-22 完成 2016-08-22 9999-12-31
2 2016-08-20 2016-08-20 建立 2016-08-20 2016-08-20
2 2016-08-20 2016-08-21 完成 2016-08-21 9999-12-31
3 2016-08-20 2016-08-20 建立 2016-08-20 2016-08-21
3 2016-08-20 2016-08-22 支付 2016-08-22 9999-12-31
4 2016-08-21 2016-08-21 建立 2016-08-21 2016-08-21
4 2016-08-21 2016-08-22 支付 2016-08-22 9999-12-31
5 2016-08-22 2016-08-22 建立 2016-08-22 9999-12-31
begin_date表示該條記錄的生命周期開始時間,end_date表示該條記錄的生命周期結束時間;
end_date = ‘9999-12-31’表示該條記錄目前處于有效狀态;
如果查詢目前所有有效的記錄,則select * from order_his where dw_end_date = ‘9999-12-31′
如果查詢2016-08-21的曆史快照,則select * from order_his where begin_date <= ‘2016-08-21′ and end_date >= ‘2016-08-21’
再簡單介紹一下拉連結清單的更新:
假設以天為次元,以每天的最後一個狀态為當天的最終狀态。
以一張訂單表為例,如下是原始資料,每天的訂單狀态明細
1 2016-08-20 2016-08-20 建立
2 2016-08-20 2016-08-20 建立
3 2016-08-20 2016-08-20 建立
1 2016-08-20 2016-08-21 支付
2 2016-08-20 2016-08-21 完成
4 2016-08-21 2016-08-21 建立
1 2016-08-20 2016-08-22 完成
3 2016-08-20 2016-08-22 支付
4 2016-08-21 2016-08-22 支付
5 2016-08-22 2016-08-22 建立
根據拉連結清單我們希望得到的是
1 2016-08-20 2016-08-20 建立 2016-08-20 2016-08-20
1 2016-08-20 2016-08-21 支付 2016-08-21 2016-08-21
1 2016-08-20 2016-08-22 完成 2016-08-22 9999-12-31
2 2016-08-20 2016-08-20 建立 2016-08-20 2016-08-20
2 2016-08-20 2016-08-21 完成 2016-08-21 9999-12-31
3 2016-08-20 2016-08-20 建立 2016-08-20 2016-08-21
3 2016-08-20 2016-08-22 支付 2016-08-22 9999-12-31
4 2016-08-21 2016-08-21 建立 2016-08-21 2016-08-21
4 2016-08-21 2016-08-22 支付 2016-08-22 9999-12-31
5 2016-08-22 2016-08-22 建立 2016-08-22 9999-12-31
可以看出 1,2,3,4每個訂單的狀态都有,并且也能統計到目前的有效狀态。
本例以hive為例,隻考慮到實作,與性能無關
首先建立表
CREATE TABLE orders (
orderid INT,
createtime STRING,
modifiedtime STRING,
status STRING
) row format delimited fields terminated by '\t'
CREATE TABLE ods_orders_inc (
orderid INT,
createtime STRING,
modifiedtime STRING,
status STRING
) PARTITIONED BY (day STRING)
row format delimited fields terminated by '\t'
CREATE TABLE dw_orders_his (
orderid INT,
createtime STRING,
modifiedtime STRING,
status STRING,
dw_start_date STRING,
dw_end_date STRING
) row format delimited fields terminated by '\t' ;
首先全量更新,我們先到2016-08-20為止的資料。
初始化,先把2016-08-20的資料初始化進去
INSERT overwrite TABLE ods_orders_inc PARTITION (day = '2016-08-20')
SELECT orderid,createtime,modifiedtime,status
FROM orders
WHERE createtime < '2016-08-21' and modifiedtime <'2016-08-21';
刷到dw中
INSERT overwrite TABLE dw_orders_his
SELECT orderid,createtime,modifiedtime,status,
createtime AS dw_start_date,
'9999-12-31' AS dw_end_date
FROM ods_orders_inc
WHERE day = '2016-08-20';
如下結果
select * from dw_orders_his;
OK
1 2016-08-20 2016-08-20 建立 2016-08-20 9999-12-31
2 2016-08-20 2016-08-20 建立 2016-08-20 9999-12-31
3 2016-08-20 2016-08-20 建立 2016-08-20 9999-12-31
剩餘需要進行增量更新
INSERT overwrite TABLE ods_orders_inc PARTITION (day = '2016-08-21')
SELECT orderid,createtime,modifiedtime,status
FROM orders
WHERE (createtime = '2016-08-21' and modifiedtime = '2016-08-21') OR modifiedtime = '2016-08-21';
select * from ods_orders_inc where day='2016-08-21';
OK
1 2016-08-20 2016-08-21 支付 2016-08-21
2 2016-08-20 2016-08-21 完成 2016-08-21
4 2016-08-21 2016-08-21 建立 2016-08-21
先放到增量表中,然後進行關聯到一張臨時表中,在插入到新表中
DROP TABLE IF EXISTS dw_orders_his_tmp;
CREATE TABLE dw_orders_his_tmp AS
SELECT orderid,
createtime,
modifiedtime,
status,
dw_start_date,
dw_end_date
FROM (
SELECT a.orderid,
a.createtime,
a.modifiedtime,
a.status,
a.dw_start_date,
CASE WHEN b.orderid IS NOT NULL AND a.dw_end_date > '2016-08-21' THEN '2016-08-21' ELSE a.dw_end_date END AS dw_end_date
FROM dw_orders_his a
left outer join (SELECT * FROM ods_orders_inc WHERE day = '2016-08-21') b
ON (a.orderid = b.orderid)
UNION ALL
SELECT orderid,
createtime,
modifiedtime,
status,
modifiedtime AS dw_start_date,
'9999-12-31' AS dw_end_date
FROM ods_orders_inc
WHERE day = '2016-08-21'
) x
ORDER BY orderid,dw_start_date;
INSERT overwrite TABLE dw_orders_his
SELECT * FROM dw_orders_his_tmp;
在根據上面步驟把2016-08-22号的資料更新進去,最後結果如下
select * from dw_orders_his;
OK
1 2016-08-20 2016-08-20 建立 2016-08-20 2016-08-20
1 2016-08-20 2016-08-21 支付 2016-08-21 2016-08-21
1 2016-08-20 2016-08-22 完成 2016-08-22 9999-12-31
2 2016-08-20 2016-08-20 建立 2016-08-20 2016-08-20
2 2016-08-20 2016-08-21 完成 2016-08-21 9999-12-31
3 2016-08-20 2016-08-20 建立 2016-08-20 2016-08-21
3 2016-08-20 2016-08-22 支付 2016-08-22 9999-12-31
4 2016-08-21 2016-08-21 建立 2016-08-21 2016-08-21
4 2016-08-21 2016-08-22 支付 2016-08-22 9999-12-31
5 2016-08-22 2016-08-22 建立 2016-08-22 9999-12-31
至此,就得到了我們想要的資料。
值得注意的是,訂單表中資料同一天有多次狀态更新,應以每天的最後一個狀态為當天的最終狀态。比如一天之内訂單狀态建立,支付,完成都有,應拉取最終的狀态進行拉練表更新,否則後面的資料可能就會出現異常,比如
6 2016-08-22 2016-08-22 建立 2016-08-22 9999-12-31
6 2016-08-22 2016-08-22 支付 2016-08-22 9999-12-31
6 2016-08-22 2016-08-22 完成 2016-08-22 9999-12-31
http://www.cnblogs.com/wujin/p/6121754.html
http://www.jianshu.com/p/799252156379
http://lxw1234.com/archives/2015/04/20.htm
---------------------
作者:mtj66
來源:CSDN
原文:https://blog.csdn.net/mtj66/article/details/78019370?utm_source=copy
https://blog.csdn.net/baidu_21088863/article/details/77802758