Hive拉链表设计、实现、总结

水善利万物而不争，处众人之所恶，故几于道💦

文章目录

环境介绍

  拉链表可以用来记录数据的声明周期，适合那种数据量大但新增和修改频率不是很高的场景。比如总共100万条数据，每天新增大约1万条，修改1万条，这种变化不是很大的维度数据可以用拉链表来存。

  我们这里将拉链表中

每日最新的数据放入到9999-12-31分区中

，过期的数据放入到前一天的分区中。

  比如，2024-01-12日所有新增和修改数据（该拉链表采用增量同步）被采集到数仓的ODS层中，进入DIM层的时候将2024-01-12日修改过的老状态的数据（也就是过期数据）结束时间设置为前一天（标志该条数据生命周期结束），并放入前一天的分区中，而新增的数据和没有修改（没有修改过，那么这条数据的状态目前也是最新数据）过的数据放入到9999-12-31分区中，表示这张表最新状态的数据。

实现

1. 初始化拉链表

  第一次向拉链表中导入数据的时候直接将ODS层中所有的数据overwrite到9999-12-31分区中就可以了，因为那天的数据就是最新的数据。

insert overwrite table dim_user_zip partition(dt="9999-12-31")--insert overwrite local directory "ods_user2"selectdata.id,data.login_name,data.nick_name,data.name,data.phone_num,data.email,data.user_level,data.birthday,data.gender,data.create_time,data.operate_time,
date_format(nvl(data.operate_time,data.create_time),"yyyy-MM-dd") start_time,"9999-12-31" end_time
from ods_user_info_inc
where dt="2024-01-11"andtype="bootstrap-insert"

这步完成后就初始化完成了拉链表，也就对应上图中左上角那个 “该表9999-12-31分区原来的数据” 表中的数据。

2. 后续拉链表数据的更新

方式1：
新增数据和原来分区的数据进行 full join 然后判断选择要哪条数据，然后overwrite到表中就行了

with new as(select*,"2024-01-12" start_date,"9999-12-31" end_date
    from ods_user_info_inc
    where dt ="2024-01-12"), old as(select*from dim_user_zip_inc
         where dt ="9999-12-31"), full_user as(select 
                old表的所有字段,
                new表的所有字段
         from old fulljoin new
         on old.id=new.id
)-- 将数据更新到dim层的拉链表中，这里采用动态分区，按最后一列选插入到哪个分区insert overwrite table dim_user_zip_inc partition(dt)selectif(new_id isnotnull, new_id, old_id),......--取完表中的字段后，要多加一个字段，用来动态分区到哪个分区中，最新的数据要放入9999-12-31分区if(new_id isnotnull, new_end_date, old_end_date)from full_user
-- 这是筛选出新增的数据和没有修改过的数据where new_id isnotnullor(new_id isnulland old_id isnotnull)unionallselect
    选出老数据的字段,注意最后一个失效时间要改成前一天
    cast (date_sub("2024-01-12",1)as string),-- 最后还是要多加一个字段，用来动态分区到哪个分区中，过期的数据要放入前一天分区
    cast (date_sub("2024-01-12",1)as string)from full_user
-- 这是筛选出修改过的老数据where new_id isnotnulland old_id isnotnull;========================================================================with new as(select id,
           login_name,
           nick_name,
           name,
           phone_num,
           email,
           user_level,
           birthday,
           gender,
           create_time,
           operate_time,
           start_date,
           end_date
    from(selectdata.id,data.login_name,data.nick_name,data.name,data.phone_num,data.email,data.user_level,data.birthday,data.gender,data.create_time,data.operate_time,"2024-01-12" start_date,"9999-12-31" end_date,
                    row_number()over(partitionbydata.id orderby ts desc) rn
             from ods_user_info_inc
             where dt ="2024-01-12") t1
    where rn =1), old as(select id,
           login_name,
           nick_name,
           name,
           phone_num,
           email,
           user_level,
           birthday,
           gender,
           create_time,
           operate_time,
           start_date,
           end_date
    from dim_user_zip
    where dt="9999-12-31"), full_user as(select
    old.id old_id,
    old.login_name old_login_name,
    old.nick_name old_nick_name,
    old.name old_name,
    old.phone_num old_phone_num,
    old.email old_email,
    old.user_level old_user_level,
    old.birthday old_birthday,
    old.gender old_gender,
    old.create_time old_create_time ,
    old.operate_time old_operate_time ,
    old.start_date old_start_date,
    old.end_date old_end_date,
    new.id new_id,
    new.login_name new_login_name,
    new.nick_name new_nick_name,
    new.name new_name,
    new.phone_num new_phone_num,
    new.email new_email,
    new.user_level new_user_level,
    new.birthday new_birthday,
    new.gender new_gender,
    new.create_time new_create_time ,
    new.operate_time new_operate_time ,
    new.start_date new_start_date,
    new.end_date new_end_date
    from old fulljoin new on old.id=new.id
)insert overwrite table dim_user_zip partition(dt)selectif(new_id isnotnull,new_id,old_id),if(new_id isnotnull,new_login_name,old_login_name),if(new_id isnotnull,new_nick_name,old_nick_name),if(new_id isnotnull,new_name,old_name),if(new_id isnotnull,new_phone_num,old_phone_num),if(new_id isnotnull,new_email,old_email),if(new_id isnotnull,new_user_level,old_user_level),if(new_id isnotnull,new_birthday,old_birthday),if(new_id isnotnull,new_gender,old_gender),if(new_id isnotnull,new_create_time,old_create_time),if(new_id isnotnull,new_operate_time,old_operate_time),if(new_id isnotnull,new_start_date,old_start_date),if(new_id isnotnull,new_end_date,old_end_date),if(new_id isnotnull,new_end_date,old_end_date)from full_user where new_id isnotnullor(new_id isnulland old_id isnotnull)unionallselect
    old_id,
    old_login_name,
    old_nick_name,
    old_name,
    old_phone_num,
    old_email,
    old_user_level,
    old_birthday,
    old_gender,
    old_create_time ,
    old_operate_time ,
    old_start_date,
    cast(date_sub("2024-01-12",1)as string),
    cast(date_sub("2024-01-12",1)as string)from full_user where new_id isnotnulland old_id isnotnull;

方式二：
将旧数据和新数据都查出来然后union all到一起，然后根据用户id和start_time倒叙排序，编号为1的就是最新的数据，放到最新的分区，否则就是过期数据放到前一天的分区

with new as(-- 取出当天修改的最后一条结果select*,'2024-01-12' start_time,"9999-12-31" end_time
    from(select*,
                 row_number()over(partitionby user_id orderby ts desc) rn
          from ods_user_info_inc
          where dt ='2024-01-12') t1
    where rn =1), old as(select*from dim_user_zip_inc
    where dt ="9999-12-31"), full_user as(select*from new
    unionallselect*from old
), ordered as(select*,
           row_number()over(partitionby user_id orderby start_time desc) rn
    from full_user
)insert overwrite table dim_user_zip_inc partition(dt)select*,if(rn=1,"9999-12-31",cast(date_sub("2024-01-12",1)as string)),if(rn=1,"9999-12-31",cast(date_sub("2024-01-12",1)as string))from ordered

==============================================================================with new as(-- 取出当天修改的最后一条结果select id,
           login_name,
           nick_name,
           name,
           phone_num,
           email,
           user_level,
           birthday,
           gender,
           create_time,
           operate_time,
           start_time,
           end_time
    from(selectdata.id,data.login_name,data.nick_name,data.name,data.phone_num,data.email,data.user_level,data.birthday,data.gender,data.create_time,data.operate_time,"2024-01-12" start_time,"9999-12-31" end_time,
                row_number()over(partitionbydata.id orderby ts desc) rn
          from ods_user_info_inc
          where dt ='2024-01-12') t1 where rn=1), old as(select id,
           login_name,
           nick_name,
           name,
           phone_num,
           email,
           user_level,
           birthday,
           gender,
           create_time,
           operate_time,
           start_date,
           end_date
    from dim_user_zip
    where dt ="9999-12-31"), full_user as(select*from new
    unionallselect*from old
), ordered as(select id,
           login_name,
           nick_name,
           name,
           phone_num,
           email,
           user_level,
           birthday,
           gender,
           create_time,
           operate_time,
           start_time,
           end_time,
           row_number()over(partitionby id orderby start_time desc) rn
    from full_user
)insert overwrite table dim_user_zip partition(dt)--insert overwrite local directory "dim_user_zip2"select id,
       login_name,
       nick_name,
       name,
       phone_num,
       email,
       user_level,
       birthday,
       gender,
       create_time,
       operate_time,
       start_time,if(rn=1,end_time,date_sub('2024-01-12',1)),if(rn=1,'9999-12-31',cast(date_sub('2024-01-12',1)as string))from ordered

这样就完成了拉链表的制作，包括拉链表的初始化和后续拉链表数据的更新，以后只需要改里面的时间就可以了。

总结

拉链表第一次导入数据就都是最新状态的数据，然后新采集到的数据和最新状态的数据join后将最新状态的数据写入最新的分区，过期数据写入前一天的分区，注意日期不要交叉。

踩坑：脚本中日期引用不要使用双引号，使用单引号就行了，也就是sql中变量字符等用单引号，双引号写入脚本中，最后再套一个双引号有问题。

FAILED: Execution Error,return code 1from org.apache.hadoop.hive.ql.exec.MoveTask. Exception when loading 2intable dim_user_zip with loadPath=hdfs://hadoop101:8020/warehouse/gmall/dim/dim_user_zip/.hive-staging_hive_2024-02-16_14-55-57_153_8417650511018457362-1/-ext-10000

彩蛋 - 想清空表的数据：转成内部表，清空数据后，再转成外部表，将分区目录删掉，然后再次跑脚本，其他表都没问题就拉链表新算出过期分区的数据拉不进去，这是啥原因？有高人指点一下吗？

我目前的解决方案是：删除了表然后重新建下就好了。

我查的原因是文件有特殊字符（这个不太可能，同样的数据重建表就能，应该不是数据问题），修复元数据也没用，分区字段有问题（这个也没问题，我检查了），重建元数据库（这个不靠谱，没试）搞了好久，没找到根本原因，放弃了，有大哥知道的话，麻烦指点一下🎈