前言
今天给你们分享一个面试中常常会被问到的拉链表，我在上篇文章中提出来一个需求若是不知道的请去→数仓缓慢变化维深层讲解查看，好，废话很少说咱们直接开始。提出的问题会在末尾讲解。git
1、拉链表介绍（百度百科）
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一样，实际上至关于快照，只不过作了优化，去除了一部分不变的记录，经过拉链表能够很方便的还原出拉链时点的客户记录程序员
2、拉链表场景
数据仓库的数据模型设计过程当中，常常会遇到这样的需求：github
- 表中的部分字段会被update，例如：
用户的地址，产品的描述信息，品牌信息等等; 须要查看某一个时间点或者时间段的历史快照信息，例如：
查看某一个产品在历史某一时间点的状态
查看某一个用户在过去某一段时间内，更新过几回等等变化的比例和频率不是很大，例如：
总共有1000万的会员，天天新增和发生变化的有10万左右
3、商品数据案例
需求：
商品表：面试
| 列名 | 类型 | 说明 |
|---|---|---|
| goods_id | varchar(50) | 商品编号 |
| goods_status | varchar(50) | 商品状态（待审核、待售、在售、已删除） |
| createtime | varchar(50) | 商品建立日期 |
| modifytime | varchar(50) | 商品修改日期 |
2019年12月20日的数据以下所示：算法
| goods_id | goods_status | createtime | modifytime |
|---|---|---|---|
| 001 | 待审核 | 2019-12-20 | 2019-12-20 |
| 002 | 待售 | 2019-12-20 | 2019-12-20 |
| 003 | 在售 | 2019-12-20 | 2019-12-20 |
| 004 | 已删除 | 2019-12-20 | 2019-12-20 |
商品的状态，会随着时间推移而变化，咱们须要将商品的全部变化的历史信息都保存下来。如何实现呢？数据库
方案一: 快照每一天的数据到数仓（图解）
该方案为：oop
- 每一天都保存一份全量，将全部数据同步到数仓中（
我这里就使用MySQL操做的） - 不少记录都是重复保存，没有任何变化
12月20日（4条数据）大数据
| goods_id | goods_status | createtime | modifytime |
|---|---|---|---|
| 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 |
12月21日（10条数据）优化
| goods_id | goods_status | createtime | modifytime |
|---|---|---|---|
| 如下为12月20日快照数据 | |||
| 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 |
| 如下为12月21日快照数据 | |||
| 001 | 待售（从待审核到待售） | 2019-12-18 | 2019-12-21 |
| 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 |
| 005（新商品） | 待审核 | 2019-12-21 | 2019-12-21 |
| 006（新商品） | 待审核 | 2019-12-21 | 2019-12-21 |
12月22日（18条数据）spa
| goods_id | goods_status | createtime | modifytime |
|---|---|---|---|
| 如下为12月20日快照数据 | |||
| 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 |
| 如下为12月21日快照数据 | |||
| 001 | 待售（从待审核到待售） | 2019-12-18 | 2019-12-21 |
| 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 |
| 005 | 待审核 | 2019-12-21 | 2019-12-21 |
| 006 | 待审核 | 2019-12-21 | 2019-12-21 |
| 如下为12月22日快照数据 | |||
| 001 | 待售 | 2019-12-18 | 2019-12-21 |
| 002 | 待售 | 2019-12-19 | 2019-12-20 |
| 003 | 已删除（从在售到已删除） | 2019-12-20 | 2019-12-22 |
| 004 | 待审核 | 2019-12-21 | 2019-12-21 |
| 005 | 待审核 | 2019-12-21 | 2019-12-21 |
| 006 | 已删除（从待审核到已删除） | 2019-12-21 | 2019-12-22 |
| 007 | 待审核 | 2019-12-22 | 2019-12-22 |
| 008 | 待审核 | 2019-12-22 | 2019-12-22 |
方案一: MySQL到，MySQL数仓代码实现
MySQL初始化
- 在MySQL中
zw库和商品表用于到原始数据层
-- 建立数据库 create database if not exists zw; -- 建立商品表 create table if not exists `zw`.`t_product`( goods_id varchar(50), -- 商品编号 goods_status varchar(50), -- 商品状态 createtime varchar(50), -- 商品建立时间 modifytime varchar(50) -- 商品修改时间 );
- 在MySQL中建立ods和dw层
模拟数仓
-- ods建立商品表 create table if not exists `zw`.`ods_t_product`( goods_id varchar(50), -- 商品编号 goods_status varchar(50), -- 商品状态 createtime varchar(50), -- 商品建立时间 modifytime varchar(50), -- 商品修改时间 cdat varchar(10) --模拟hive分区 )default character set = 'utf8'; ; -- dw建立商品表 create table if not exists `zw`.`dw_t_product`( goods_id varchar(50), -- 商品编号 goods_status varchar(50), -- 商品状态 createtime varchar(50), -- 商品建立时间 modifytime varchar(50), -- 商品修改时间 cdat varchar(10) -- 模拟hive分区 )default character set = '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）
insert into `zw`.`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： 因为我这里使用的MySQL来模拟的数仓在这里偷个懒直接使用insert into的方式导入数据，在企业中可能会使用hive来作数仓使用kettle 或者sqoop或datax等来同步数据
# 从原始数据层导入到ods 层 insert into zw.ods_t_product select *,'20191220' from zw.t_product ; # 从ods同步到dw层 insert into zw.dw_t_product select * from zw.ods_t_product where cdat='20191220';
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 `zw`.`t_product` SET goods_status = '待售', modifytime = '2019-12-21' WHERE goods_id = '001'; INSERT INTO `zw`.`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 insert into zw.ods_t_product select *,'20191221' from zw.t_product ; # 从ods同步到dw层 insert into zw.dw_t_product select * from zw.ods_t_product where cdat='20191221';
- 查看dw层的运行结果
select * from zw.dw_t_product where cdat='20191221';
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 `zw`.`t_product` SET goods_status = '已删除', modifytime = '2019-12-22' WHERE goods_id = '003'; UPDATE `zw`.`t_product` SET goods_status = '已删除', modifytime = '2019-12-22' WHERE goods_id = '006'; INSERT INTO `zw`.`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 zw.ods_t_product select *,'20191222' from zw.t_product ; # 从ods同步到dw层 insert into zw.dw_t_productpeizhiwenjian select * from zw.ods_t_product where cdat='20191222';
- 查看dw层的运行结果
select * from zw.dw_t_product where cdat='20191222';
从上述案例，能够看到：
表天天保留一份全量，每次全量中会保存不少不变的信息，若是数据量很大的话，对存储是极大的浪费
能够讲表设计为拉链表，既能知足反应数据的历史状态，又能够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(思路/图解)
- 拉链表不存储冗余的数据，只有某
行的数据发生变化，才须要保存下来，相比每次全量同步会节省存储空间 - 可以查询到历史快照
- 额外的增长了两列（
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_id | goods_status | createtime | modifytime | dw_start_date | dw_end_date |
|---|---|---|---|---|---|
| 001 | 待审核 | 2019-12-18 | 2019-12-20 | 2019-12-20 | 9999-12-31 |
| 002 | 待售 | 2019-12-19 | 2019-12-20 | 2019-12-20 | 9999-12-31 |
| 003 | 在售 | 2019-12-20 | 2019-12-20 | 2019-12-20 | 9999-12-31 |
| 004 | 已删除 | 2019-12-15 | 2019-12-20 | 2019-12-20 | 9999-12-31 |
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才过时
12月21日商品拉链表的数据
| goods_id | goods_status | createtime | modifytime | dw_start_date | dw_end_date |
|---|---|---|---|---|---|
| 001 | 待审核 | 2019-12-18 | 2019-12-20 | 2019-12-20 | 2019-12-21 |
| 002 | 待售 | 2019-12-19 | 2019-12-20 | 2019-12-20 | 9999-12-31 |
| 003 | 在售 | 2019-12-20 | 2019-12-20 | 2019-12-20 | 9999-12-31 |
| 004 | 已删除 | 2019-12-15 | 2019-12-20 | 2019-12-20 | 9999-12-31 |
| 001（变） | 待售 | 2019-12-18 | 2019-12-21 | 2019-12-21 | 9999-12-31 |
| 005（新） | 待审核 | 2019-12-21 | 2019-12-21 | 2019-12-21 | 9999-12-31 |
12月21日商品拉链表的数据
- 拉链表中没有存储冗余的数据，（
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），须要将原有的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编号新的状态从新保存了一条记录，dw_start_date为2019/12/21，dw_end_date为9999/12/31
- 新数据00五、00六、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_id | goods_status | createtime | modifytime | dw_start_date | dw_end_date |
|---|---|---|---|---|---|
| 001 | 待审核 | 2019-12-18 | 2019-12-20 | 2019-12-20 | 2019-12-21 |
| 002 | 待售 | 2019-12-19 | 2019-12-20 | 2019-12-20 | 9999-12-31 |
| 003 | 在售 | 2019-12-20 | 2019-12-20 | 2019-12-20 | 2019-12-22 |
| 004 | 已删除 | 2019-12-15 | 2019-12-20 | 2019-12-20 | 9999-12-31 |
| 001 | 待售 | 2019-12-18 | 2019-12-21 | 2019-12-21 | 9999-12-31 |
| 005 | 待审核 | 2019-12-21 | 2019-12-21 | 2019-12-21 | 9999-12-31 |
| 006 | 待审核 | 2019-12-21 | 2019-12-21 | 2019-12-21 | 9999-12-31 |
| 003（变） | 已删除 | 2019-12-20 | 2019-12-22 | 2019-12-22 | 9999-12-31 |
| 007（新） | 待审核 | 2019-12-22 | 2019-12-22 | 2019-12-22 | 9999-12-31 |
| 008（新） | 待审核 | 2019-12-22 | 2019-12-22 | 2019-12-22 | 9999-12-31 |
12月22日商品拉链表的数据
- 003编号的商品数据的状态发生了变化（
从在售→已删除），须要将原有的 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编号新的状态从新保存了一条记录，dw_start_date为2019/12/22，dw_end_date为9999/12/31
- 新数据00七、00八、dw_start_date为2019/12/22，dw_end_date为9999/12/31
方案二: 拉链表快照代码实现
操做流程：
- 在原有dw层表上，添加额外的两列
- 只同步当天修改的数据到ods层
- 拉链表算法实现
- 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
zw库和商品表用于到原始数据层
-- 建立数据库 create database if not exists zw; -- 建立商品表 create table if not exists `zw`.`t_product_2`( goods_id varchar(50), -- 商品编号 goods_status varchar(50), -- 商品状态 createtime varchar(50), -- 商品建立时间 modifytime varchar(50) -- 商品修改时间 )default character set = 'utf8';
- 在MySQL中建立ods和dw层
模拟数仓
-- ods建立商品表 create table if not exists `zw`.`ods_t_product2`( goods_id varchar(50), -- 商品编号 goods_status varchar(50), -- 商品状态 createtime varchar(50), -- 商品建立时间 modifytime varchar(50), -- 商品修改时间 cdat varchar(10) -- 模拟hive分区 )default character set = 'utf8'; -- dw建立商品表 create table if not exists `zw`.`dw_t_product2`( goods_id varchar(50), -- 商品编号 goods_status varchar(50), -- 商品状态 createtime varchar(50), -- 商品建立时间 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 )default character set = '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）
insert into `zw`.`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
insert into zw.ods_t_product2 select *,'20191220' from zw.t_product_2 where modifytime >='2019-12-20'
- 将数据从ods层导入到dw层
insert into zw.dw_t_product2 select goods_id, goods_status, createtime, modifytime, modifytime,'9999-12-31', cdat from zw.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 `zw`.`t_product_2` SET goods_status = '待售', modifytime = '2019-12-21' WHERE goods_id = '001'; INSERT INTO `zw`.`t_product_2`(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
insert into zw.ods_t_product2 select *,'20191221' from zw.t_product_2 where modifytime >='2019-12-21';
- 编写ods层到dw层从新计算 dw_end_date
注意： 我这里直接将结果的SQL语句放在这里语句 由于须要将覆盖写入到数据库中我这里就没有写了，可是不影响咱们结果。12月22 号的操做流程跟21 同样我就里就不写了
select t1.goods_id, t1.goods_status, t1.createtime, t1.modifytime, t1.dw_start_date, case when (t2.goods_id is not null and t1.dw_end_date>'2019-12-21') then '2019-12-21'else t1.dw__date end as end , t1.cdat from zw.dw_t_product2 t1 left join (select * from zw.ods_t_product2 where cdat='20191221')t2 on t1.goods_id=t2.goods_id union select goods_id, goods_status, createtime, modifytime, modifytime,'9999-12-31', cdat from zw.ods_t_product2 where cdat='20191221'
- 查询结果
总结
到这里咱们终于将拉链表实现完了，虽然实现拉链表这个功能有点复杂有点绕，可是它真的帮助咱们节省不少的资源，以公司层面难道不选它吗，也就为何面试数仓的时候基本上都会问拉链表的缘由。不少小伙伴对dw_start_date与ds_end_date有疑惑咱们能够在评论区一块儿讨论。信本身，努力和汗水总会能获得回报的。我是大数据老哥，咱们下期见~~~
获取Flink面试题，Spark面试题，程序员必备软件，hive面试题，Hadoop面试题，Docker面试题，简历模板等资源请去GitHub自行下载 https://github.com/lhh2002/Framework-Of-BigData