拉链表的创建、查询和回滚

概述

使用这种方式即可以记录历史,而且最大程度的节省存储。这里简单介绍一下这种历史拉链表的更新方法。此文参考链接
本文中假设:
  1. 数据仓库中订单历史表的刷新频率为一天,当天更新前一天的增量数据;
  2. 如果一个订单在一天内有多次状态变化,则只会记录最后一个状态的历史;
  3. 订单状态包括三个:创建、支付、完成;
  4. 创建时间和修改时间只取到天,如果源订单表中没有状态修改时间,那么抽取增量就比较麻烦,需要有个机制来确保能抽取到每天的增量数据;
  5. 本文中的表和SQL都使用Hive的HQL语法;
 

初始化

假设我们有三天数据,【2015-08-20,2015-08-21,2015-08-22】。
数据流向:(原系统表)orders ==> (增量表)t_ods_orders_inc ==> (拉链表)t_dw_orders_his 
建表脚本
-- 源系统中订单表
CREATE TABLE orders (
    orderid INT,
    createtime STRING,
    modifiedtime STRING,
    status STRING
) stored AS textfile;

-- 订单的增量数据表,按天分区,存放每天的增量数据,保留半年左右
CREATE TABLE t_ods_orders_inc (
    orderid INT,
    createtime STRING,
    modifiedtime STRING,
    status STRING
) PARTITIONED BY (day STRING)
stored AS textfile;

-- 订单的历史数据拉链表
CREATE TABLE t_dw_orders_his (
    orderid INT,
    createtime STRING,
    modifiedtime STRING,
    status STRING,
    dw_start_date STRING,
    dw_end_date STRING
) stored AS textfile;

 

 
数据初始化
-- 1. 源表orders,假设此表为21日状态
insert into orders 
values 
(1,'2015-08-18','2015-08-18','创建'),
(2,'2015-08-18','2015-08-18','创建'),
(3,'2015-08-19','2015-08-21','支付'),
(4,'2015-08-19','2015-08-21','完成'),
(5,'2015-08-19','2015-08-20','支付'),
(6,'2015-08-20','2015-08-20','创建'),
(7,'2015-08-20','2015-08-21','支付'),
(8,'2015-08-21','2015-08-21','创建');

-- 2. 初始化ODS增量表-21日数据(全量初始化,将21号前的累加到此分区)
INSERT overwrite TABLE t_ods_orders_inc PARTITION (day = '2015-08-21')
SELECT 
    orderid,
    createtime,
    modifiedtime,
    status
FROM orders
WHERE createtime <= '2015-08-21';

-- 3. 初始化ODS增量表-22日数据
insert overwrite table t_ods_orders_inc partition(day='2015-08-22')
values
(1,'2015-08-18','2015-08-22','支付'),
(2,'2015-08-18','2015-08-22','完成'),
(6,'2015-08-20','2015-08-22','支付'),
(8,'2015-08-21','2015-08-22','支付'),
(9,'2015-08-22','2015-08-22','创建'),
(10,'2015-08-22','2015-08-22','支付');

-- 4. 初始化ODS增量表-23日数据
insert overwrite table t_ods_orders_inc partition(day='2015-08-23')
values
(1,'2015-08-18','2015-08-23','完成'),
(3,'2015-08-19','2015-08-23','完成'),
(5,'2015-08-19','2015-08-23','完成'),
(8,'2015-08-21','2015-08-23','完成'),
(11,'2015-08-23','2015-08-23','创建'),
(12,'2015-08-23','2015-08-23','创建'),
(13,'2015-08-23','2015-08-23','支付');

 

拉链表创建

假设
  • 跑数时间 T= '${dt1}'
  • 拉链表有开始日期(生效日期)和结束日期(失效日期,最新记录此列 = '9999-12-31')
 

初始化

当21号跑数时,需要全量初始化拉链表,此时,拉链表就是21日的切片数据
-- 初始化拉链表,假设21号的就是原始数据
INSERT overwrite TABLE t_dw_orders_his
SELECT 
    orderid,
    createtime,
    modifiedtime,
    status,
    createtime   AS dw_start_date,
    '9999-12-31' AS dw_end_date
FROM t_ods_orders_inc
WHERE day = '2015-08-21';

 

增量更新

当22号跑数时,需要把要处理的所有数据分成两部分,处理思路为:
  • 新增,22号增量数据,结束日期= '9999-12-31'
  • 更新,历史拉链表与增量表进行比对
    • 当增量表中存在记录,开始日期=历史拉链表开始日期,结束日期= date_add('${dt1}',-1)
    • 当增量表中不存在此记录,代表不需要更新
 

具体操作

创建一张临时表保存比对的结果数据。
-- 22号增量数据进来后,与21号的状态数据(t_dw_orders_his)比对,更新拉链表
-- ${dt1} = '2015-08-22'
DROP TABLE IF EXISTS t_dw_orders_his_tmp;
CREATE TABLE t_dw_orders_his_tmp AS 
SELECT  orderid,
        createtime,
        modifiedtime,
        status,
        dw_start_date,
        dw_end_date 
FROM (
    -- 22号前需更新状态的数据
    SELECT  a.orderid,
            a.createtime,
            a.modifiedtime,
            a.status,
            a.dw_start_date,
            CASE WHEN b.orderid IS NOT NULL AND a.dw_end_date = '9999-12-31' 
                THEN date_add('${dt1}',-1) -- 把22号前有效的数据失效日期置为dt1的上一日
            ELSE a.dw_end_date END AS dw_end_date 
    FROM t_dw_orders_his a 
    left join t_ods_orders_inc b 
      ON a.orderid = b.orderid
     and b.day = '${dt1}'
    UNION ALL 
    -- 22号最新状态数据
    SELECT  orderid,
            createtime,
            modifiedtime,
            status,
            modifiedtime AS dw_start_date,
            '9999-12-31' AS dw_end_date 
    FROM t_ods_orders_inc 
    WHERE day = '${dt1}' 
) x 
ORDER BY orderid,dw_start_date;

-- 临时数据正式入库
INSERT overwrite TABLE t_dw_orders_his
SELECT * FROM t_dw_orders_his_tmp;

-- 23号数据入t_dw_orders_his表请重复上述22号的刷新步骤
-- ${dt1} = '2015-08-23'
-- ... ... 

 

 
 
查询和使用场景
1. 查询拉链表最新状态数据
select * from t_dw_orders_his where dw_end_date='9999-12-31';

 

 
2.查询某日所有订单快照
--假设查询22号数据状态 
--'${dt1}' = '2021-08-22'
select 
* 
from t_dw_orders_his 
where dw_start_date<='${dt1}'
and dw_end_date>='${dt1}';

 

回滚方法

 

方法

先把拉链表的数据分为三份,分别为 T-N、T、T+N 的数据,T是回滚日期。
那么我们假设,在23号发现数据有问题,需要回滚22号的数据,此时拉链表数据有三块。
 
 
其中:
  • 对于结束日期为21号及之前的数据,【保留】,下图绿色
  • 对于22日有效的数据,【更新】,其数据又分两种
    • 一种是结束日期是22日的,把结束日期 = '9999-12-31'即可,下图黄色
    • 一种是22日前创建,22日后还有效的数据,把结束日期 = '9999-12-31',下图蓝色
  • 对于22日后产生的数据,【删除】,下图红色
 
所以,拉链表的回滚过程的增删改就如下图所示:
 
 

具体操作

创建三个临时表,分别保存 T-N、T日的数据,最后合到一张结果表中。
-- 1. 绿色,保留
DROP TABLE t_dw_orders_his_tmp1;
CREATE TABLE t_dw_orders_his_tmp1
AS
SELECT 
  orderid,
  createtime,
  modifiedtime,
  status,
  dw_start_date,
  dw_end_date
FROM 
  t_dw_orders_his
WHERE 
  dw_end_date < '2015-08-22';

-- 2. 黄色,更新-当日生效的数据
DROP TABLE t_dw_orders_his_tmp2;
CREATE TABLE t_dw_orders_his_tmp2 
AS 
SELECT   
  orderid,
  createtime,   
  modifiedtime,   
  status,   
  dw_start_date,   
  '9999-12-31' AS dw_end_date 
FROM 
  t_dw_orders_his
WHERE 
  dw_end_date = '2015-08-22';
  
-- 2. 蓝色,更新-22号前到22号后还生效的数据
DROP TABLE t_dw_orders_his_tmp3;
CREATE TABLE t_dw_orders_his_tmp3
AS
SELECT 
  orderid,
  createtime,
  modifiedtime,
  status,
  dw_start_date,
  '9999-12-31' dw_end_date
FROM 
  t_dw_orders_his
WHERE 
  dw_start_date <= '2015-08-22' AND dw_end_date > '2015-08-22';
  
-- 4. 数据插入到新表  
CREATE TABLE t_dw_orders_his_new
AS
select * 
from ( 
    SELECT a.* ,'绿色,保留,号前的数据' FROM t_dw_orders_his_tmp1 a
    UNION ALL
    SELECT b.*,'黄色,更新-当日生效的数据' FROM t_dw_orders_his_tmp2 b
    UNION ALL
    SELECT c.*,'蓝色,更新-22号前到22号后还生效的数据' FROM t_dw_orders_his_tmp3 c
 ) a 
ORDER BY a.orderid,a.dw_start_date;

 

总结

拉链表的出现是为了压缩存储和记录数,针对频繁更新的数据会很有效。但是回滚操作不方便,查询的时候也必须要指定时间才能正确取数,操作成本高,得权衡利弊后再确认是否合适自己使用。

  

posted @ 2021-08-04 17:07  X.Jan  阅读(2972)  评论(0编辑  收藏  举报