数据仓库之拉链表设计

Posted 跨链技术践行者

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了数据仓库之拉链表设计相关的知识，希望对你有一定的参考价值。

目录

一、拉链表的使用场景

  在数据仓库的数据模型设计过程中，经常会遇到下面这种表的设计：

  1)有一些表的数据量很大，比如一张用户表，大约10亿条记录，50个字段，这种表，即使使用ORC压缩，单张表的存储也会超过100G，在HDFS使用双备份或者三备份的话就更大一些。
  2)表中的部分字段会被update更新操作，如用户联系方式，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。
  4)表中的记录变化的比例和频率不是很大，比如，总共有10亿的用户，每天新增和发生变化的有200万左右，变化的比例占的很小。

  那么对于这种表我该如何设计呢？下面有几种方案可选：

  • 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。

  这种方案实现起来很简单，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：每天保留一份全量的切片数据。

  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。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。

  • 方案三：使用拉链表。

  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。

二、拉链表的设计和实现

1、数据需求

  我们先看一下在mysql关系型数据库里的user表中信息变化。

  • 在2017-01-01这一天表中的数据是：
复制注册日期	    用户编号	手机号码
2017-01-01	001	111111
2017-01-01	002	222222
2017-01-01	003	333333
2017-01-01	004	444444
  • 在2017-01-02这一天表中的数据是， 用户002和004资料进行了修改，005是新增用户：
复制注册日期  	用户编号	手机号码  	备注
2017-01-01	001	111111	
2017-01-01	002	233333	（由222222变成233333）
2017-01-01	003	333333	
2017-01-01	004	432432	（由444444变成432432）
2017-01-02	005	555555	（2017-01-02新增）
  • 在2017-01-03这一天表中的数据是， 用户004和005资料进行了修改，006是新增用户：
复制注册日期	    用户编号	手机号码	    备注
2017-01-01	001	111111	
2017-01-01	002	233333	
2017-01-01	003	333333	
2017-01-01	004	654321	（由432432变成654321）
2017-01-02	005	115115	（由555555变成115115）
2017-01-03	006	666666	（2017-01-03新增）

  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，这是最新一天（即2017-01-03）的数据：

复制注册日期	    用户编号	手机号码	t_start_date	t_end_date
2017-01-01	001	111111	2017-01-01	9999-12-31
2017-01-01	002	222222	2017-01-01	2017-01-01
2017-01-01	002	233333	2017-01-02	9999-12-31
2017-01-01	003	333333	2017-01-01	9999-12-31
2017-01-01	004	444444	2017-01-01	2017-01-01
2017-01-01	004	432432	2017-01-02	2017-01-02
2017-01-01	004	654321	2017-01-03	9999-12-31
2017-01-02	005	555555	2017-01-02	2017-01-02
2017-01-02	005	115115	2017-01-03	9999-12-31
2017-01-03	006	666666	2017-01-03	9999-12-31

2、拉链表设计说明

  • t_start_date表示该条记录的生命周期开始时间，t_end_date表示该条记录的生命周期结束时间。

  • t_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

复制select * from user where t_end_date = ‘9999-12-31’
  • 如果查询2017-01-02的历史快照，判断生效时间小于等于2017-01-02，失效时间大于等于2017-01-02，则
复制select * from user where t_start_date <= ‘2017-01-02’ and t_end_date >= ‘2017-01-02’

三、在Hive中实现拉链表

1、创建ods层和dw层表

  • ods层的ods.user表
    以日期作为分区字段，压缩格式为ORC
复制CREATE EXTERNAL TABLE ods.user (
  user_num STRING COMMENT '用户编号',
  mobile STRING COMMENT '手机号码',
  reg_date STRING COMMENT '注册日期'
COMMENT '用户资料表'
PARTITIONED BY (dt string)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\\t' LINES TERMINATED BY '\\n'
STORED AS ORC
LOCATION '/ods/user';
)
  • ods层的ods.user_update表，即用户每日更新表
复制CREATE EXTERNAL TABLE ods.user_update (
  user_num STRING COMMENT '用户编号',
  mobile STRING COMMENT '手机号码',
  reg_date STRING COMMENT '注册日期'
COMMENT '每日用户资料更新表'
PARTITIONED BY (dt string)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\\t' LINES TERMINATED BY '\\n'
STORED AS ORC
LOCATION '/ods/user_update';
)
  • 在dw层创建拉链表：dws.user_his
    在这张表中没有分区，但压缩格式依旧是ORC
复制CREATE EXTERNAL TABLE dws.user_his (
  user_num STRING COMMENT '用户编号',
  mobile STRING COMMENT '手机号码',
  reg_date STRING COMMENT '用户编号',
  t_start_date ,
  t_end_date
COMMENT '用户资料拉链表'
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\\t' LINES TERMINATED BY '\\n'
STORED AS ORC
LOCATION '/dws/user_his';
)

2、增量的sql实现

  假设我们已经已经初始化了2017-01-01的日期，然后需要更新2017-01-02那一天的数据
  实现思路：（对需要修改的数据进行update） UNION ALL （新增的数据）

复制INSERT OVERWRITE TABLE dws.user_his
SELECT * FROM
(
    SELECT A.user_num,
           A.mobile,
           A.reg_date,
           A.t_start_time,
           CASE
                WHEN A.t_end_time = '9999-12-31' AND B.user_num IS NOT NULL 
                THEN '2017-01-01'
                ELSE A.t_end_time
           END AS t_end_time
    FROM dws.user_his AS A
    LEFT JOIN ods.user_update AS B
    ON A.user_num = B.user_num
UNION ALL
    SELECT C.user_num,
           C.mobile,
           C.reg_date,
           '2017-01-02' AS t_start_time,
           '9999-12-31' AS t_end_time
    FROM ods.user_update AS C
) AS T

3、查询性能

  假如存放了5年的拉链数据，那么这张表势必会比较大，当查询的时候性能就比较低了，个人认为两个思路来解决：

  • 在一些查询引擎中，我们对start_date和end_date做索引，这样能提高不少性能。

  • 保留部分历史数据，比如说我们一张表里面存放全量的拉链表数据，然后再对外暴露一张只提供近3个月数据的拉链表。

四、拉链表的sparkSQL整合hive实现

  现在介绍的这种设计方案与上面的方案大同小异，主要区别在于数据的存储格式，以及分区的设计，增量抽取数据时增加了临时表作为存储。

0、拉链表的数据效果图


1、拉链表设计具体步骤

  • 1）第一次全量导入
    • 所有的ODS层数据全量导入到拉链历史记录表中
  • 2）增量导入（某天，例如：2021-07-21）
    • 增量导入某天的数据到ODS分区
    • 合并历史数据（通过连接查询的方式进行更新）

2、MySQL和ods层以及dw层数据说明

  • MySQL层数据和ods层数据保持一致

  • 在ods层使用dt作为日期，对每日增量数据进行分区存储，即每天都会增加一个分区

  • ods层数据都是用parquet格式存储，snappy压缩格式，对于sparkSQL的支持是最好的

  • 在dw层使用拉链表技术，不分区

  • dw层每张表都有一张对应的临时中间表

3、数据导入

  • 使用sparkSQL进行数据操作全量导入（数据日期是20190909号之前的）


  modifyTime，为数据的修改时间
  dw_start_date，为数据的生效时间，只要当modifyTime不为空，就等于modifyTime的时间，否则就等于createTime创建时间的值
  dw_end_date，为数据的失效时间，第一次全量导入时全部都初始化为"9999-12-31"，寓意永久不失效

  • 增量导入（将20190910号的数据导入到拉链表中）

  1）使用kettle将20190910的数据抽取到ods

  2）编写spark-sql更新历史数据（从ods层的20190910号分区获取数据）


  dw_start_date，为数据的生效时间，此时不会做改变
  dw_end_date，为数据的失效时间，如果dw_end_date依旧为"9999-12-31"，并且ods层的20190910号分区中goodsId（即两张表中都用此商品Id时），把dw_end_date更新为昨天的日期"2019-09-09"，否则日期不变

  3）编写spark-sql获取当日数据


  dw_start_date，为数据的生效时间，只要当modifyTime不为空，就等于modifyTime的时间，否则就等于createTime创建时间的值
  dw_end_date，为数据的失效时间，此时不会做改变

  4）先把数据合并到临时表中，第5步在把临时表中的数据插入到dw层的表中



  5）将历史数据和当日数据导入到历史拉链表中及查询数据

以上是关于数据仓库之拉链表设计的主要内容，如果未能解决你的问题，请参考以下文章

拉链表断链交叉链判断及处理方式

如何在Impala中实现拉链表

数仓设计--维度（全量、拉链表）

大数据Hive拉链表的设计与实现

数据库实战经验分享（全量表，增量表，拉链表，流水表，快照表）

Hive拉链表实战-SQL模拟hive仓库拉链表实现