0


拉链表详解

拉链表产生背景

在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、数据量比较大;

2、表中的部分字段会被update,如用户的地址,产品的描述信息,订单的状态等等;

3、需要查看某一个时间点或者时间段的历史快照信息,比如,查看某一个订单在历史某一个时间点的状态,比如,查看某一个用户在过去某一段时间内,更新过几次等等;

4、变化的比例和频率不是很大,比如,总共有1000万的会员,每天新增和发生变化的有10万左右;

5、如果对这边表每天都保留一份全量,那么每次全量中会保存很多不变的信息,对存储是极大的浪费;

对于这种表有几种方案可选:

  • 方案一:每天只留最新的一份,比如我们每天用Sqoop抽取最新的一份全量数据到Hive中。
  • 方案二:每天保留一份全量的切片数据。
  • 方案三:使用拉链表。

以上方案对比

方案一

这种方案就不用多说了,实现起来很简单,每天drop掉前一天的数据,重新抽一份最新的。

优点很明显,节省空间,一些普通的使用也很方便,不用在选择表的时候加一个时间分区什么的。

缺点同样明显,没有历史数据,先翻翻旧账只能通过其它方式,比如从流水表里面抽。

方案二

每天一份全量的切片是一种比较稳妥的方案,而且历史数据也在。

缺点就是存储空间占用量太大太大了,如果对这边表每天都保留一份全量,那么每次全量中会保存很多不变的信息,对存储是极大的浪费,这点我感触还是很深的…

当然我们也可以做一些取舍,比如只保留近一个月的数据?但是,需求是无耻的,数据的生命周期不是我们能完全左右的。

拉链表

拉链表在使用上基本兼顾了我们的需求。

首先它在空间上做了一个取舍,虽说不像方案一那样占用量那么小,但是它每日的增量可能只有方案二的千分之一甚至是万分之一。

其实它能满足方案二所能满足的需求,既能获取最新的数据,也能添加筛选条件也获取历史的数据。

所以我们还是很有必要来使用拉链表的。

拉链表概念

拉链表是一种数据模型,主要是针对数据仓库设计中表存储数据的方式而定义的,顾名思义,所谓拉链,就是记录历史。记录一个事物从开始,一直到当前状态的所有变化的信息。拉链表可以避免按每一天存储所有记录造成的海量存储问题,同时也是处理缓慢变化数据(SCD2)的一种常见方式。

百度百科的解释:拉链表是维护历史状态,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。

拉链表算法

1、采集当日全量数据到ND(NowDay当日)表;

2、可从历史表中取出昨日全量数据存储到OD(OldDay上日)表;

3、两个表进行全字段比较,(ND-OD)就是当日新增和变化的数据,也就是当天的增量,用W_I表示;

4、两个表进行全字段比较,(OD-ND)为状态到此结束需要封链的数据,需要修改END_DATE,用W_U表示;

5、将W_I表的内容全部插入到历史表中,这些是新增记录,start_date为当天,而end_date为max值,可以设为’9999-12-31‘;

6、对历史表进行W_U部份的更新操作,start_date保持不变,而end_date改为当天,也就是关链操作,历史表(OD)和W_U表比较,START_DATE,END_DATE除外,以W_U表为准,两者交集将其END_DATE改成当日,说明该记录失效。

拉链表示例1

举个简单例子,比如有一张订单表:

6月20号有3条记录:
订单创建日期订单编号订单状态2012-06-20001创建订单2012-06-20002创建订单2012-06-20003支付完成
到6月21日,表中有5条记录:
订单创建日期订单编号订单状态2012-06-20001创建订单2012-06-20002创建订单2012-06-20003支付完成2012-06-21004创建订单2012-06-21005创建订单
到6月22日,表中有6条记录:
订单创建日期订单编号订单状态2012-06-20001创建订单2012-06-20002创建订单2012-06-20003支付完成2012-06-21004创建订单2012-06-21005创建订单2012-06-22006创建订单
数据仓库中对该表的保留方法:

1、只保留一份全量,则数据和6月22日的记录一样,如果需要查看6月21日订单001的状态,则无法满足;

2、每天都保留一份全量,则数据仓库中的该表共有14条记录,但好多记录都是重复保存,没有任务变化,如订单002,004,数据量大了,会造成很大的存储浪费;

如果在数据仓库中设计成历史拉链表保存该表,则会有下面这样一张表:
订单创建日期订单编号订单状态dw_bigin_datedw_end_date2012-06-20001创建订单2012-06-202012-06-202012-06-20001支付完成2012-06-219999-12-312012-06-20002创建订单2012-06-209999-12-312012-06-20003支付完成2012-06-202012-06-212012-06-20003已发货2012-06-229999-12-312012-06-21004创建订单2012-06-219999-12-312012-06-21005创建订单2012-06-212012-06-212012-06-21005支付完成2012-06-229999-12-312012-06-22006创建订单2012-06-229999-12-31
说明:

1、dw_begin_date表示该条记录的生命周期开始时间,dw_end_date表示该条记录的生命周期结束时间;

2、dw_end_date = '9999-12-31’表示该条记录目前处于有效状态;

3、如果查询当前所有有效的记录,则select * from order_his where dw_end_date = ‘9999-12-31’;

4、如果查询2012-06-21的历史快照,则select * from order_his where dw_begin_date <= ‘2012-06-21’ and end_date >= ‘2012-06-21’,这条语句会查询到以下记录:
订单创建日期订单编号订单状态dw_bigin_datedw_end_date2012-06-20001支付完成2012-06-219999-12-312012-06-20002创建订单2012-06-209999-12-312012-06-20003支付完成2012-06-202012-06-212012-06-21004创建订单2012-06-219999-12-312012-06-21005创建订单2012-06-212012-06-21
和源表在6月21日的记录完全一致:
订单创建日期订单编号订单状态2012-06-20001创建订单2012-06-20002创建订单2012-06-20003支付完成2012-06-21004创建订单2012-06-21005创建订单
可以看出,这样的历史拉链表,既能满足对历史数据的需求,又能很大程度的节省存储资源;

拉链表示例2:

在历史表中对人的一生的记录可能就这样几条记录,避免了按每一天记录客户状态造成的海量存储的问题:
人名开始日期结束日期状态client1900010119070901H在家client1907090119130901A小学client1913090119160901B初中client1916090119190901C高中client1919090119230901D大学client1923090119601231E公司client1960123129991231H退休在家
上面的每一条记录都是不算末尾的,比如到19070901,client已经在A,而不是H了。所以除最后一条记录因为状态到目前都未改变的,其余的记录实际上在结束日期那天,都不在是该条记录结束日期那天的状态。这种现象可以理解为算头不算尾。

拉链表实现方式

1、定义两个临时表,一个为当日全量数据,另一个为需要新增或更新的数据;

CREATE VOLATILE TABLE VT_xxxx_NEW AS xxxx WITHNODATAONCOMMIT PRESERVE ROWS;CREATE VOLATILE SETTABLE VT_xxxx_CHG,NO LOG AS xxxx WITHNODATAONCOMMIT PRESERVE ROWS;

2、获取当日全量数据

INSERTINTO VT_xxxx_NEW(xx)SELECT(xx,cur_date, max_date)FROM xxxx_sorce;

3、抽取新增或有变化的数据,从xxxx_NEW临时表到xxxx_CHG临时表;

INSERTINTO VT_xxxx_CHG(xx)SELECT xx FROM VT_xxxx_NEW
WHERE(xx)NOTIN(select xx from xxxx_HIS where end_date='max_date');

4、更新历史表的失效记录的end_date为max值

UPDATE A1 FROM xxxx_HIS A1, VT_xxxx_CHG A2
SET End_Date='current_date'WHERE A1.xx=A2.xx AND A1.End_Date='max_date';

5、将新增或者有变化的数据插入目标表

INSERTINTO xxxx_HIS SELECT*FROM VT_xxxx_CHG;

以商品数据为例

存在商品表 t_product,表结构如下:
列名类型说明goods_idvarchar(50)商品编号goods_statusvarchar(50)商品状态(待审核、待售、在售、已删除)createtimevarchar(50)商品创建日期modifytimevarchar(50)商品修改日期
2019年12月20日的数据如下所示:
goods_idgoods_statuscreatetime****modifytime001待审核2019-12-202019-12-20002待售2019-12-202019-12-20003在售2019-12-202019-12-20004已删除2019-12-202019-12-20
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。

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_idgoods_statuscreatetime****modifytime001待审核2019-12-182019-12-20002待售2019-12-192019-12-20003在售2019-12-202019-12-20004已删除2019-12-152019-12-20

12月21日(10条数据)

goods_idgoods_statuscreatetime****modifytime以下为12月20日快照数据001待审核2019-12-182019-12-20002待售2019-12-192019-12-20003在售2019-12-202019-12-20004已删除2019-12-152019-12-20以下为12月21日快照数据001待售(从待审核到待售)2019-12-182019-12-21002待售2019-12-192019-12-20003在售2019-12-202019-12-20004已删除2019-12-152019-12-20005(新商品)待审核2019-12-212019-12-21006(新商品)待审核2019-12-212019-12-21

12月22日(18条数据)

goods_idgoods_statuscreatetime****modifytime以下为12月20日快照数据001待审核2019-12-182019-12-20002待售2019-12-192019-12-20003在售2019-12-202019-12-20004已删除2019-12-152019-12-20以下为12月21日快照数据001待售(从待审核到待售)2019-12-182019-12-21002待售2019-12-192019-12-20003在售2019-12-202019-12-20004已删除2019-12-152019-12-20005待审核2019-12-212019-12-21006待审核2019-12-212019-12-21以下为12月22日快照数据001待售2019-12-182019-12-21002待售2019-12-192019-12-20003已删除(从在售到已删除)2019-12-202019-12-22004待审核2019-12-212019-12-21005待审核2019-12-212019-12-21006已删除(从待审核到已删除)2019-12-212019-12-22007待审核2019-12-222019-12-22008待审核2019-12-222019-12-22

MySQL数仓代码实现

MySQL初始化

在MySQL中 lalian 库和商品表用于到原始数据层

-- 创建数据库createdatabaseifnotexists lalian;-- 创建商品表createtableifnotexists`lalian`.`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);

在MySQL中创建ods和dw层来模拟数仓

-- ods创建商品表createtableifnotexists`lalian`.`ods_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
    cdat varchar(10)-- 模拟hive分区)defaultcharacterset='utf8';-- dw创建商品表createtableifnotexists`lalian`.`dw_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
     cdat varchar(10)-- 模拟hive分区)defaultcharacterset='utf8';

增量导入12月20号数据

原始数据导入12月20号数据(4条)

insertinto`lalian`.`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');

注意:由于这里使用的MySQL来模拟的数仓所以直接使用insert into的方式导入数据,在企业中可能会使用hive来做数仓使用 kettle 或者 sqoop 或 datax 等来同步数据。

# 从原始数据层导入到ods 层insertinto lalian.ods_t_product
select*,'20191220'from lalian.t_product ;# 从ods同步到dw层insertinto lalian.dw_t_product
select*from lalian.ods_t_product where cdat='20191220';

查看dw层的运行结果

select*from lalian.dw_t_product where cdat='20191220';

goods_idgoods_statuscreatetimemodifytimecdat1待审核2019/12/182019/12/20201912202待售2019/12/192019/12/20201912203在售2019/12/202019/12/20201912204已删除2019/12/152019/12/2020191220
增量导入12月21数据

原始数据层导入12月21日数据(6条数据)

UPDATE `lalian`.`t_product` SET goods_status = '待售', modifytime = '2019-12-21' WHERE goods_id = '001';
INSERT INTO `lalian`.`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');

将数据导入到ods层与dw层

# 从原始数据层导入到ods 层insertinto lalian.ods_t_product
select*,'20191221'from lalian.t_product ;# 从ods同步到dw层insertinto lalian.dw_t_product
select*from lalian.ods_t_product where cdat='20191221';

查看dw层的运行结果

select*from lalian.dw_t_product where cdat='20191221';

goods_idgoods_statuscreatetimemodifytimecdat1待售2019/12/182019/12/21201912212待售2019/12/192019/12/20201912213在售2019/12/202019/12/20201912214已删除2019/12/152019/12/20201912215待审核2019/12/212019/12/21201912216待审核2019/12/212019/12/2120191221
增量导入12月22日数据

原始数据层导入12月22日数据(6条数据)

UPDATE`lalian`.`t_product`SET goods_status ='已删除', modifytime ='2019-12-22'WHERE goods_id ='003';UPDATE`lalian`.`t_product`SET goods_status ='已删除', modifytime ='2019-12-22'WHERE goods_id ='006';INSERTINTO`lalian`.`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');

将数据导入到ods层与dw层

# 从原始数据层导入到ods 层
insert into lalian.ods_t_product
select *,'20191222' from lalian.t_product ;
# 从ods同步到dw层
insert into lalian.dw_t_productpeizhiwenjian
select * from lalian.ods_t_product where cdat='20191222';

查看dw层的运行结果

select*from lalian.dw_t_product where cdat='20191222';

goods_idgoods_statuscreatetimemodifytimecdat1待售2019/12/182019/12/21201912222待售2019/12/192019/12/20201912223已删除2019/12/202019/12/22201912224已删除2019/12/152019/12/20201912225待审核2019/12/212019/12/21201912226已删除2019/12/212019/12/22201912227待审核2019/12/222019/12/22201912228待审核2019/12/222019/12/2220191222
查看dw层的运行结果

select*from lalian.dw_t_product;

goods_idgoods_statuscreatetimemodifytimecdat1待审核2019/12/182019/12/20201912202待售2019/12/192019/12/20201912203在售2019/12/202019/12/20201912204已删除2019/12/152019/12/20201912201待售2019/12/182019/12/21201912212待售2019/12/192019/12/20201912213在售2019/12/202019/12/20201912214已删除2019/12/152019/12/20201912215待审核2019/12/212019/12/21201912216待审核2019/12/212019/12/21201912211待售2019/12/182019/12/21201912222待售2019/12/192019/12/20201912223已删除2019/12/202019/12/22201912224已删除2019/12/152019/12/20201912225待审核2019/12/212019/12/21201912226已删除2019/12/212019/12/22201912227待审核2019/12/222019/12/22201912228待审核2019/12/222019/12/2220191222
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

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_idgoods_statuscreatetimemodifytimedw_start_date****dw_end_date001待审核2019-12-182019-12-202019-12-209999-12-31002待售2019-12-192019-12-202019-12-209999-12-31003在售2019-12-202019-12-202019-12-209999-12-31004已删除2019-12-152019-12-202019-12-209999-12-31
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_idgoods_statuscreatetimemodifytimedw_start_date****dw_end_date001待审核2019-12-182019-12-202019-12-202019-12-21002待售2019-12-192019-12-202019-12-209999-12-31003在售2019-12-202019-12-202019-12-209999-12-31004已删除2019-12-152019-12-202019-12-209999-12-31001(变)待售2019-12-182019-12-212019-12-219999-12-31005(新)待审核2019-12-212019-12-212019-12-219999-12-31
拉链表中没有存储冗余的数据,即只要数据没有变化,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_idgoods_statuscreatetimemodifytimedw_start_date****dw_end_date001待审核2019-12-182019-12-202019-12-202019-12-21002待售2019-12-192019-12-202019-12-209999-12-31003在售2019-12-202019-12-202019-12-202019-12-22004已删除2019-12-152019-12-202019-12-209999-12-31001待售2019-12-182019-12-212019-12-219999-12-31005待审核2019-12-212019-12-212019-12-219999-12-31006待审核2019-12-212019-12-212019-12-219999-12-31003(变)已删除2019-12-202019-12-222019-12-229999-12-31007(新)待审核2019-12-222019-12-222019-12-229999-12-31008(新)待审核2019-12-222019-12-222019-12-229999-12-31
拉链表中没有存储冗余的数据,即只要数据没有变化,无需同步

  • 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
MySQL数仓拉链表快照实现

操作流程:

  1. 在原有dw层表上,添加额外的两列
  2. 只同步当天修改的数据到ods层
  3. 拉链表算法实现
  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

在MySQL中lalian库和商品表用于到原始数据层

-- 创建数据库createdatabaseifnotexists lalian;-- 创建商品表createtableifnotexists`lalian`.`t_product2`(
    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)defaultcharacterset='utf8';

在MySQL中创建ods和dw层 模拟数仓

-- ods创建商品表createtableifnotexists`lalian`.`ods_t_product2`(
    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
    cdat varchar(10)-- 模拟hive分区)defaultcharacterset='utf8';-- dw创建商品表createtableifnotexists`lalian`.`dw_t_product2`(
    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
    dw_start_date varchar(12),-- 生效日期
    dw_end_date varchar(12),-- 失效时间
    cdat varchar(10)-- 模拟hive分区)defaultcharacterset='utf8';

全量导入2019年12月20日数据

原始数据层导入12月20日数据(4条数据)

insertinto`lalian`.`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');

将数据导入到数仓中的ods层

insertinto lalian.ods_t_product2
select*,'20191220'from lalian.t_product2 where modifytime >='2019-12-20';

将数据从ods层导入到dw层

insertinto lalian.dw_t_product2
select goods_id, goods_status, createtime, modifytime, modifytime,'9999-12-31', cdat from lalian.ods_t_product2 where cdat='20191220';

增量导入2019年12月21日数据

原始数据层导入12月21日数据(6条数据)

UPDATE`lalian`.`t_product2`SET goods_status ='待售', modifytime ='2019-12-21'WHERE goods_id ='001';INSERTINTO`lalian`.`t_product2`(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');

原始数据层同步到ods层

insertinto lalian.ods_t_product2
select*,'20191221'from lalian.t_product2 where modifytime >='2019-12-21';

编写ods层到dw层重新计算 dw_end_date

select t1.goods_id, t1.goods_status, t1.createtime, t1.modifytime,
       t1.dw_start_date,casewhen(t2.goods_id isnotnulland t1.dw_end_date>'2019-12-21')then'2019-12-21'else t1.dw_end_date endas dw_end_date ,
       t1.cdat
from lalian.dw_t_product2 t1
leftjoin(select*from lalian.ods_t_product2 where cdat='20191221')t2 on t1.goods_id=t2.goods_id
unionselect goods_id, goods_status, createtime, modifytime, modifytime,'9999-12-31', cdat from lalian.ods_t_product2 where cdat='20191221';

执行结果如下:
goods_idgoods_statuscreatetimemodifytimedw_start_datedw_end_datecdat1待审核2019-12-182019-12-202019-12-202019-12-21201912202待售2019-12-192019-12-202019-12-209999-12-31201912203在售2019-12-202019-12-202019-12-209999-12-31201912204已删除2019-12-152019-12-202019-12-209999-12-31201912201待售2019-12-182019-12-212019-12-219999-12-31201912215待审核2019-12-212019-12-212019-12-219999-12-31201912216待审核2019-12-212019-12-212019-12-219999-12-3120191221
拉链历史表,既能满足反应数据的历史状态,又可以最大程度的节省存储。我们做拉链表的时候要确定拉链表的粒度,比如说拉链表每天只取一个状态,也就是说如果一天有3个状态变更,我们只取最后一个状态,这种天粒度的表其实已经能解决大部分的问题了。


本文转载自: https://blog.csdn.net/weixin_35353187/article/details/117202713
版权归原作者 俊杰梓 所有, 如有侵权,请联系我们删除。

“拉链表详解”的评论:

还没有评论