1. 全量表:天天的全部的最新状态的数据, 2. 增量表:天天的新增数据,增量数据是上次导出以后的新数据。 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而已,经过拉链表能够很方便的还原出拉链时点的客户记录。 4. 流水表: 对于表的每个修改都会记录,能够用于反映实际记录的变动。 拉链表一般是对帐户信息的历史变更进行处理保留的结果,流水表是天天的交易造成的历史; 流水表用于统计业务相关状况,拉链表用于统计帐户及客户的状况 数据仓库之拉链表(原理、设计以及在Hive中的实现) 在有些状况下,为了保持历史的一些状态,须要用拉链表来作,这样作目的在能够保留全部状态的状况下能够节省空间。 拉链表适用于如下几种状况吧 数据量有点大,表中某些字段有变化,可是呢变化的频率也不是很高,业务需求呢又须要统计这种变化状态,天天全量一份呢,有点不太现实, 不只浪费了存储空间,有时可能业务统计也有点麻烦,这时,拉链表的做用就提现出来了,既节省空间,又知足了需求。 通常在数仓中经过增长begin_date,en_date来表示,以下例,后两列是start_date和end_date. 1 2016-08-20 2016-08-20 建立 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 建立 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 建立 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 建立 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 建立 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; 若是查询当前全部有效的记录,则select * from order_his where dw_end_date = ‘9999-12-31′ 若是查询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,以天天的最后一个状态为当天的最终状态。 以一张订单表为例,以下是原始数据,天天的订单状态明细 1 2016-08-20 2016-08-20 建立 2 2016-08-20 2016-08-20 建立 3 2016-08-20 2016-08-20 建立 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 建立 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 建立 根据拉链表咱们但愿获得的是 1 2016-08-20 2016-08-20 建立 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 建立 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 建立 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 建立 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 建立 2016-08-22 9999-12-31 能够看出 1,2,3,4每一个订单的状态都有,而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 首先建立表 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,咱们先到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'; 以下结果 select * from dw_orders_his; OK 1 2016-08-20 2016-08-20 建立 2016-08-20 9999-12-31 2 2016-08-20 2016-08-20 建立 2016-08-20 9999-12-31 3 2016-08-20 2016-08-20 建立 2016-08-20 9999-12-31 剩余须要进行增量更新 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 建立 2016-08-21 先放到增量表中,而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,最后结果以下 select * from dw_orders_his; OK 1 2016-08-20 2016-08-20 建立 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 建立 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 建立 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 建立 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 建立 2016-08-22 9999-12-31 至此,就获得了咱们想要的数据。
值得注意的是,订单表中数据同一天有屡次状态更新,应以天天的最后一个状态为当天的最终状态。好比一天以内订单状态建立,支付,完成都有,应拉取最终的状态进行拉练表更新,不然后面的数据可能就会出现异常,好比html
6 2016-08-22 2016-08-22 建立 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.htmlsql
http://www.jianshu.com/p/799252156379性能
http://lxw1234.com/archives/2015/04/20.htm