oracle merge into在大数据离线批处理中的应用

• 前言

目前仅在一家公司做过大数据相关，也不太清楚其他公司情况。东家这常用的大数据离线处理基本就是sqoop导入到hive中，然后使用spark或者hive计算出结果再导出到oracle中。很多情况下是把oracle中整个表或者某个时间条件的筛选出来的数据整个删掉，再把最新的这部分数据全部导数回到oracle中。

• 目的

很多时候全部删除在全回导是一个很耗时的处理，特别是有时候计算出来的数据需要对比元数据需要更新（非sql得update语法，泛指数据的变动）的仅仅是很小一部分，但是却做了大批量的delete和insert操作，所有部门大数据探索了一下merge into，先把表导入oracle中的一张临时表，旨在减少oracle目标表的操作时间。

• 语法介绍

MERGE INTO [target-table] A USING [source-table sql] B ON([conditional expression] and [...]...)
WHEN MATCHED THEN
[UPDATE sql (DELETE sql)(WHERE)]
WHEN NOT MATCHED THEN
[INSERT sql]

语法比较复杂，具体请去查阅相关文章，这里只做简单实用介绍。

1. 上述语法中不管做的update、delete、insert都都不需要再写出表名，都是对a表操作。
2. matched 和not matched可以只存在一个，也可以都写
3. matched子句中只能写update和delete，并且必须写update，delete可有可无，where只能出现一次（待验证），跟在update后就是mathed后的二次筛选update，跟在delete之后表示update后还有一部分数据根据where条件delete掉
4. not matched中只能有insert写法，可以有where
5. A表和B表只能有一对一关系，不能一对多

• 优势

上文已说，需要把表事先导入一张临时表，既然导入了临时表，那么实际上完全可以不用merge into，写一般的insert、delete、update也能完成，这就涉及到效率了，就我浅薄的了解来说，merge into使用的是hash join，仅仅只需要把a表和b表扫描各一次便可以完成任务，如果是update关联查询结果集、或者delete中做exists、in条件，很有可能是做nested loop，实际情况比较复杂，涉及oracle优化器等知识，这里不过多展开，可以说大部分情况下是merge into的效率更高。

• 开发要点

从语法中可以看出，merge into很多坑，开发难度也比较大，同时限制也比较多，这就要求oracle表设计得很好，提取当前任务目标数据需要写更复杂的sql。

以hive中以天为分区的表为例，每天把当天最新数据导到oracle，因为merge into的delete子句只能在matched中写，所以若是oracle表需要删除时候，得先把前一天的数据存在但是今天不存在的数据，也一起导到oracle中，可以对临时表用一个字段做标记；若是oracle中的表是做假删除，即用一个字段标记为不可用，那就仅仅使用update就足够了，把这个是否可用的字段和其他相关业务字段一同update。这里是oracle中临时表的数据形式，hive中就不限于此，可能需要些复杂sql将数据满足上述场景。