一文搞定数据仓库之拉链表，流水表，全量表，增量表
1. 全量表：每天的所有的最新状态的数据， 2. 增量表：每天的新增数据，增量数据是上次导出之后的新数据。 3. 拉链表：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而已,通过拉链表可以很方便的还原出拉链时点的客户记录。 4. 流水表： 对于表的每一个修改都会记录，可以用于反映实际记录的变更。 拉链表通常是对账户信息的历史变动进行处理保留的结果，流水表是每天的交易形成的历史； 流水表用于统计业务相关情况，拉链表用于统计账户及客户的情况 数据仓库之拉链表（原理、设计以及在Hive中的实现） 在有些情况下，为了保持历史的一些状态，需要用拉链表来做，这样做目的在可以保留所有状态的情况下可以节省空间。 拉链表适用于以下几种情况吧 数据量有点大，表中某些字段有变化，但是呢变化的频率也不是很高，业务需求呢又需要统计这种变化状态，每天全量一份呢，有点不太现实， 不仅浪费了存储空间，有时可能业务统计也有点麻烦，这时，拉链表的作用就提现出来了，既节省空间，又满足了需求。 一般在数仓中通过增加begin_date,en_date来表示，如下例，后两列是start_date和end_date. 1 2016-08-20 2016-08-20 创建 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 创建 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 创建 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 创建 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 创建 2016-08-22 9999-12-31 begin_date表示该条记录的生命周期开始时间，end_date表示该条记录的生命周期结束时间； end_date = ‘9999-12-31’表示该条记录目前处于有效状态； 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′ 如果查询2016-08-21的历史快照，则select * from order_his where begin_date <= ‘2016-08-21′ and end_date >= ‘2016-08-21’ 再简单介绍一下拉链表的更新： 假设以天为维度，以每天的最后一个状态为当天的最终状态。 以一张订单表为例，如下是原始数据，每天的订单状态明细 1 2016-08-20 2016-08-20 创建 2 2016-08-20 2016-08-20 创建 3 2016-08-20 2016-08-20 创建 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 创建 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 创建 根据拉链表我们希望得到的是 1 2016-08-20 2016-08-20 创建 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 创建 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 创建 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 创建 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 创建 2016-08-22 9999-12-31 可以看出 1，2，3，4每个订单的状态都有，并且也能统计到当前的有效状态。 本例以hive为例，只考虑到实现，与性能无关 首先创建表 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，我们先到2016-08-20为止的数据。 初始化，先把2016-08-20的数据初始化进去 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'; 如下结果 select * from dw_orders_his; OK 1 2016-08-20 2016-08-20 创建 2016-08-20 9999-12-31 2 2016-08-20 2016-08-20 创建 2016-08-20 9999-12-31 3 2016-08-20 2016-08-20 创建 2016-08-20 9999-12-31 剩余需要进行增量更新 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 创建 2016-08-21 先放到增量表中，然后进行关联到一张临时表中，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; 在根据上面步骤把2016-08-22号的数据更新进去，最后结果如下 select * from dw_orders_his; OK 1 2016-08-20 2016-08-20 创建 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 创建 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 创建 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 创建 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 创建 2016-08-22 9999-12-31 至此，就得到了我们想要的数据。 值得注意的是，订单表中数据同一天有多次状态更新，应以每天的最后一个状态为当天的最终状态。比如一天之内订单状态创建,支付,完成都有，应拉取最终的状态进行拉练表更新，否则后面的数据可能就会出现异常，比如 6 2016-08-22 2016-08-22 创建 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 来源：CSDN 原文：https://blog.csdn.net/mtj66/article/details/78019370?utm_source=copy
https://blog.csdn.net/baidu_21088863/article/details/77802758
