漫談數(shù)據(jù)倉庫之拉鏈表（原理、設(shè)計以及在Hive中的實(shí)現(xiàn)

本文將會談一談在數(shù)據(jù)倉庫中拉鏈表相關(guān)的內(nèi)容，包括它的原理、設(shè)計、以及在我們大數(shù)據(jù)場景下的實(shí)現(xiàn)方式。

全文由下面幾個部分組成：

1. 先分享一下拉鏈表的用途、什么是拉鏈表。
2. 通過一些小的使用場景來對拉鏈表做近一步的闡釋，以及拉鏈表和常用的切片表的區(qū)別。
3. 舉一個具體的應(yīng)用場景，來設(shè)計并實(shí)現(xiàn)一份拉鏈表，最后并通過一些例子說明如何使用我們設(shè)計的這張表(因?yàn)楝F(xiàn)在Hive的大規(guī)模使用，我們會以Hive場景下的設(shè)計為例)。
4. 分析一下拉鏈表的優(yōu)缺點(diǎn)，并對前面的提到的一些內(nèi)容進(jìn)行補(bǔ)充說明，比如說拉鏈表和流水表的區(qū)別。

0x01 什么是拉鏈表

拉鏈表是針對數(shù)據(jù)倉庫設(shè)計中表存儲數(shù)據(jù)的方式而定義的，顧名思義，所謂拉鏈，就是記錄歷史。記錄一個事物從開始，一直到當(dāng)前狀態(tài)的所有變化的信息。

我們先看一個示例，這就是一張拉鏈表，存儲的是用戶的最基本信息以及每條記錄的生命周期。我們可以使用這張表拿到最新的當(dāng)天的最新數(shù)據(jù)以及之前的歷史數(shù)據(jù)。

我們暫且不對這張表做細(xì)致的講解，后文會專門來闡述怎么來設(shè)計、實(shí)現(xiàn)和使用它。

拉鏈表的使用場景

在數(shù)據(jù)倉庫的數(shù)據(jù)模型設(shè)計過程中，經(jīng)常會遇到下面這種表的設(shè)計：

1. 有一些表的數(shù)據(jù)量很大，比如一張用戶表，大約10億條記錄，50個字段，這種表，即使使用ORC壓縮，單張表的存儲也會超過100G，在HDFS使用雙備份或者三備份的話就更大一些。
2. 表中的部分字段會被update更新操作，如用戶聯(lián)系方式，產(chǎn)品的描述信息，訂單的狀態(tài)等等。
3. 需要查看某一個時間點(diǎn)或者時間段的歷史快照信息，比如，查看某一個訂單在歷史某一個時間點(diǎn)的狀態(tài)。
4. 表中的記錄變化的比例和頻率不是很大，比如，總共有10億的用戶，每天新增和發(fā)生變化的有200萬左右，變化的比例占的很小。

那么對于這種表我該如何設(shè)計呢?下面有幾種方案可選：

1. 方案一：每天只留最新的一份，比如我們每天用Sqoop抽取最新的一份全量數(shù)據(jù)到Hive中。
2. 方案二：每天保留一份全量的切片數(shù)據(jù)。
3. 方案三：使用拉鏈表。

為什么使用拉鏈表

現(xiàn)在我們對前面提到的三種進(jìn)行逐個的分析。

方案一

這種方案就不用多說了，實(shí)現(xiàn)起來很簡單，每天drop掉前一天的數(shù)據(jù)，重新抽一份最新的。

優(yōu)點(diǎn)很明顯，節(jié)省空間，一些普通的使用也很方便，不用在選擇表的時候加一個時間分區(qū)什么的。

缺點(diǎn)同樣明顯，沒有歷史數(shù)據(jù)，要想翻舊賬只能通過其它方式，比如從流水表里面抽。

方案二

每天一份全量的切片是一種比較穩(wěn)妥的方案，而且歷史數(shù)據(jù)也在。

缺點(diǎn)就是存儲空間占用量太大太大了，如果對這邊表每天都保留一份全量，那么每次全量中會保存很多不變的信息，對存儲是極大的浪費(fèi)，這點(diǎn)我感觸還是很深的……

當(dāng)然我們也可以做一些取舍，比如只保留近一個月的數(shù)據(jù)?但是，需求是無恥的，數(shù)據(jù)的生命周期不是我們能完全左右的。

拉鏈表

拉鏈表在使用上基本兼顧了我們的需求。

首先它在空間上做了一個取舍，雖說不像方案一那樣占用量那么小，但是它每日的增量可能只有方案二的千分之一甚至是萬分之一。

其實(shí)它能滿足方案二所能滿足的需求，既能獲取最新的數(shù)據(jù)，也能添加篩選條件也獲取歷史的數(shù)據(jù)。

所以我們還是很有必要來使用拉鏈表的。

0x02 拉鏈表的設(shè)計和實(shí)現(xiàn)

如何設(shè)計一張拉鏈表

下面我們來舉個栗子詳細(xì)看一下拉鏈表。

我們先看一下在Mysql關(guān)系型數(shù)據(jù)庫里的user表中信息變化。

在2017-01-01這一天表中的數(shù)據(jù)是：

在2017-01-02這一天表中的數(shù)據(jù)是， 用戶002和004資料進(jìn)行了修改，005是新增用戶：

在2017-01-03這一天表中的數(shù)據(jù)是， 用戶004和005資料進(jìn)行了修改，006是新增用戶：

如果在數(shù)據(jù)倉庫中設(shè)計成歷史拉鏈表保存該表，則會有下面這樣一張表，這是最新一天(即2017-01-03)的數(shù)據(jù)：

說明

• t_start_date表示該條記錄的生命周期開始時間，t_end_date表示該條記錄的生命周期結(jié)束時間。
• t_end_date = ‘9999-12-31’表示該條記錄目前處于有效狀態(tài)。
• 如果查詢當(dāng)前所有有效的記錄，則select * from user where t_end_date = ‘9999-12-31’。
• 如果查詢2017-01-02的歷史快照，則select from user where t_start_date <= ‘2017-01-02’ and t_end_date >= ‘2017-01-02’。(*where條件篩選當(dāng)前有效數(shù)據(jù)，開始日期小于等于當(dāng)前日期并且結(jié)束日期大于等于當(dāng)前日期，則為有效*)

在Hive中實(shí)現(xiàn)拉鏈表

在現(xiàn)在的大數(shù)據(jù)場景下，大部分的公司都會選擇以Hdfs和Hive為主的數(shù)據(jù)倉庫架構(gòu)。目前的Hdfs版本來講，其文件系統(tǒng)中的文件是不能做改變的，也就是說Hive的表只能進(jìn)行刪除和添加操作，而不能進(jìn)行update?；谶@個前提，我們來實(shí)現(xiàn)拉鏈表。

還是以上面的用戶表為例，我們要實(shí)現(xiàn)用戶的拉鏈表。在實(shí)現(xiàn)它之前，我們需要先確定一下我們有哪些數(shù)據(jù)源可以用。

1. 我們需要一張ODS層的用戶全量表。至少需要用它來初始化。
2. 每日的用戶更新表。

而且我們要確定拉鏈表的時間粒度，比如說拉鏈表每天只取一個狀態(tài)，也就是說如果一天有3個狀態(tài)變更，我們只取最后一個狀態(tài)，這種天粒度的表其實(shí)已經(jīng)能解決大部分的問題了。

另外，補(bǔ)充一下每日的用戶更新表該怎么獲取，據(jù)筆者的經(jīng)驗(yàn)，有以下方式拿到或者間接拿到每日的用戶增量，因?yàn)樗容^重要，所以詳細(xì)說明：

1. 我們可以監(jiān)聽Mysql數(shù)據(jù)的變化，比如說用Canal，最后合并每日的變化，獲取到最后的一個狀態(tài)。
2. 假設(shè)我們每天都會獲得一份切片數(shù)據(jù)，我們可以通過取兩天切片數(shù)據(jù)的不同來作為每日更新表，這種情況下我們可以對所有的字段先進(jìn)行concat，再取md5，這樣就ok了。
3. 流水表!有每日的變更流水表。
4. 通過etl工具對操作型數(shù)據(jù)庫按照時間字段增量抽取到ods或者數(shù)據(jù)倉庫(每天抽取前一天的數(shù)據(jù))，形成每天的增量數(shù)據(jù)(實(shí)際中使用最多的情形)。

拉鏈表實(shí)現(xiàn)方式一：

ods層的user表

現(xiàn)在我們來看一下我們ods層的用戶資料切片表的結(jié)構(gòu)：

1. CREATE?EXTERNAL?TABLE?ods.user?(?
2. ??user_num?STRING?COMMENT?'用戶編號',?
3. ??mobile?STRING?COMMENT?'手機(jī)號碼',?
4. ??reg_date?STRING?COMMENT?'注冊日期'?
5. COMMENT?'用戶資料表'?
6. PARTITIONED?BY?(dt?string)?
7. ROW?FORMAT?DELIMITED?FIELDS?TERMINATED?BY?'\t'?LINES?TERMINATED?BY?'\n'?
8. STORED?AS?ORC?
9. LOCATION?'/ods/user';?
10. )?

ods層的user_update表

然后我們還需要一張用戶每日更新表，前面已經(jīng)分析過該如果得到這張表，現(xiàn)在我們假設(shè)它已經(jīng)存在。

1. CREATE?EXTERNAL?TABLE?ods.user_update?(?
2. ??user_num?STRING?COMMENT?'用戶編號',?
3. ??mobile?STRING?COMMENT?'手機(jī)號碼',?
4. ??reg_date?STRING?COMMENT?'注冊日期'?
5. COMMENT?'每日用戶資料更新表'?
6. PARTITIONED?BY?(dt?string)?
7. ROW?FORMAT?DELIMITED?FIELDS?TERMINATED?BY?'\t'?LINES?TERMINATED?BY?'\n'?
8. STORED?AS?ORC?
9. LOCATION?'/ods/user_update';?
10. )?

拉鏈表

現(xiàn)在我們創(chuàng)建一張拉鏈表：

1. CREATE?EXTERNAL?TABLE?dws.user_his?(?
2. ??user_num?STRING?COMMENT?'用戶編號',?
3. ??mobile?STRING?COMMENT?'手機(jī)號碼',?
4. ??reg_date?STRING?COMMENT?'用戶編號',?
5. ??t_start_date?,?
6. ??t_end_date?
7. COMMENT?'用戶資料拉鏈表'?
8. ROW?FORMAT?DELIMITED?FIELDS?TERMINATED?BY?'\t'?LINES?TERMINATED?BY?'\n'?
9. STORED?AS?ORC?
10. LOCATION?'/dws/user_his';?
11. )?

實(shí)現(xiàn)sql語句

然后初始化的sql就不寫了，其實(shí)就相當(dāng)于是拿一天的ods層用戶表過來就行，我們寫一下每日的更新語句。

現(xiàn)在我們假設(shè)我們已經(jīng)已經(jīng)初始化了2017-01-01的日期，然后需要更新2017-01-02那一天的數(shù)據(jù)，我們有了下面的Sql。

然后把兩個日期設(shè)置為變量就可以了。

1. INSERT?OVERWRITE?TABLE?dws.user_his?
2. SELECT?*?FROM?
3. (?
4. ????SELECT?A.user_num,?
5. ???????????A.mobile,?
6. ???????????A.reg_date,?
7. ???????????A.t_start_time,?
8. ???????????CASE?
9. ????????????????WHEN?A.t_end_time?=?'9999-12-31'?AND?B.user_num?IS?NOT?NULL?THEN?'2017-01-01'?
10. ????????????????ELSE?A.t_end_time?
11. ???????????END?AS?t_end_time?
12. ????FROM?dws.user_his?AS?A?
13. ????LEFT?JOIN?ods.user_update?AS?B?
14. ????ON?A.user_num?=?B.user_num?
15. UNION?
16. ????SELECT?C.user_num,?
17. ???????????C.mobile,?
18. ???????????C.reg_date,?
19. ???????????'2017-01-02'?AS?t_start_time,?
20. ???????????'9999-12-31'?AS?t_end_time?
21. ????FROM?ods.user_update?AS?C?
22. )?AS?T?

拉鏈表實(shí)現(xiàn)方式二：

操作型數(shù)據(jù)庫的用戶表結(jié)構(gòu)：

1. CREATE?EXTERNAL?TABLE?ods.user?(?
2. ??user_num?STRING?COMMENT?'用戶編號',?
3. ??mobile?STRING?COMMENT?'手機(jī)號碼',?
4. ??reg_date?STRING?COMMENT?'注冊日期' ,
5. ? last_modify_date?STRING?COMMENT?'‘最后修改時間’?
6. COMMENT?'用戶資料表'?
7. PARTITIONED?BY?(dt?string)?
8. ROW?FORMAT?DELIMITED?FIELDS?TERMINATED?BY?'\t'?LINES?TERMINATED?BY?'\n'?
9. STORED?AS?ORC?
10. LOCATION?'/ods/user';

? ? ? 這里我們假設(shè)ods.user表的業(yè)務(wù)主鍵為user_num+mobile作為聯(lián)合主鍵。

每天增量抽取的用戶表結(jié)構(gòu)和抽取條件：

1）表結(jié)構(gòu)和上面的表結(jié)構(gòu)保持一致，我們?nèi)”砻麨閛ds.user_update

2）增量抽取條件：select * from ods.user where last_modify_date = '$date'

拉鏈表

現(xiàn)在我們創(chuàng)建一張拉鏈表：

1. CREATE?EXTERNAL?TABLE?dws.user_his?(?
2. ??user_num?STRING?COMMENT?'用戶編號',?
3. ??mobile?STRING?COMMENT?'手機(jī)號碼',?
4. ??reg_date?STRING?COMMENT?'用戶編號',
5. ??last_modify_date?STRING?COMMENT?'‘最后修改時間’?
6. ??t_start_date?,?
7. ??t_end_date?
8. COMMENT?'用戶資料拉鏈表'?
9. ROW?FORMAT?DELIMITED?FIELDS?TERMINATED?BY?'\t'?LINES?TERMINATED?BY?'\n'?
10. STORED?AS?ORC?
11. LOCATION?'/dws/user_his';?
12. )?

實(shí)現(xiàn)sql

1）

merge into?dws.user_his tar?

using

(

　　select?user_num,mobile from?ods.user_update?

) sou on tar.user_num=sou.user_num and tar.mobile=sou.mobile and tar.t_start_date < '$date' and tar.t_end_date >??'$date'?

when matched then?

update set tar.t_end_date='9999-12-31'

按照主鍵篩選，在dws.user_his表中出現(xiàn)過的并且現(xiàn)在為有效數(shù)據(jù)的，全部更新為閉鏈數(shù)據(jù)。

2)

1. INSERT??TABLE?dws.user_his?
2. SELECT?
3. 　　C.user_num,?
4. ? ? ? ? C.mobile,?
5. ? ? ? ? C.reg_date,?
6. ? ? ? ? ?c.last_modify_date
7. ? ? ? ? ?'2017-01-02'?AS?t_start_time,?
8. ? ? ? ? ?'9999-12-31'?AS?t_end_time?
9. ? FROM?ods.user_update?AS?C?

比如我們要1月2號的數(shù)據(jù)，取出來的數(shù)據(jù)為

select from user where t_start_date <= ‘2017-01-02’ and t_end_date >= ‘2017-01-02’

與1月2號數(shù)據(jù)完全一致。?

0x03 補(bǔ)充

好了，我們分析了拉鏈表的原理、設(shè)計思路、并且在Hive環(huán)境下實(shí)現(xiàn)了一份拉鏈表，下面對拉鏈表做一些小的補(bǔ)充。

拉鏈表和流水表

流水表存放的是一個用戶的變更記錄，比如在一張流水表中，一天的數(shù)據(jù)中，會存放一個用戶的每條修改記錄，但是在拉鏈表中只有一條記錄。

這是拉鏈表設(shè)計時需要注意的一個粒度問題。我們當(dāng)然也可以設(shè)置的粒度更小一些，一般按天就足夠。

查詢性能

拉鏈表當(dāng)然也會遇到查詢性能的問題，比如說我們存放了5年的拉鏈數(shù)據(jù)，那么這張表勢必會比較大，當(dāng)查詢的時候性能就比較低了，個人認(rèn)為兩個思路來解決：

1. 在一些查詢引擎中，我們對start_date和end_date做索引，這樣能提高不少性能。
2. 保留部分歷史數(shù)據(jù)，比如說我們一張表里面存放全量的拉鏈表數(shù)據(jù)，然后再對外暴露一張只提供近3個月數(shù)據(jù)的拉鏈表。

4 拉鏈表回滾

　　4.1?具體操作方案

　　　　假設(shè)恢復(fù)到t天之前的數(shù)據(jù)，即未融合t天數(shù)據(jù)之前的拉鏈表，假設(shè)標(biāo)記的開始日期和結(jié)束日期分別為s、t，具體分析如下：

1 當(dāng)t-1>e時，s數(shù)據(jù)、e數(shù)據(jù)在t天之前產(chǎn)生，保留即可
2 當(dāng)t-1=e時，e數(shù)據(jù)在t天產(chǎn)生，需修改
3 當(dāng)s<t<=e時，e數(shù)據(jù)在t+n天產(chǎn)生，需修改
4 當(dāng)s>=t時，s數(shù)據(jù)、e數(shù)據(jù)在t+n天產(chǎn)生，刪除即可

　　　　具體例子：

spark-sql> select * from t_dw_orders_his order by orderid,dw_start_date;
1       2015-08-18      2015-08-18      創(chuàng)建    2015-08-18      2015-08-21
1       2015-08-18      2015-08-22      支付    2015-08-22      2015-08-22
1       2015-08-18      2015-08-23      完成    2015-08-23      9999-12-31
2       2015-08-18      2015-08-18      創(chuàng)建    2015-08-18      2015-08-21
2       2015-08-18      2015-08-22      完成    2015-08-22      9999-12-31
3       2015-08-19      2015-08-21      支付    2015-08-19      2015-08-20
3       2015-08-19      2015-08-21      支付    2015-08-21      2015-08-22
3       2015-08-19      2015-08-23      完成    2015-08-23      9999-12-31
4       2015-08-19      2015-08-21      完成    2015-08-19      2015-08-20
4       2015-08-19      2015-08-21      完成    2015-08-21      9999-12-31
5       2015-08-19      2015-08-20      支付    2015-08-19      2015-08-22
5       2015-08-19      2015-08-23      完成    2015-08-23      9999-12-31
6       2015-08-20      2015-08-20      創(chuàng)建    2015-08-20      2015-08-21
6       2015-08-20      2015-08-22      支付    2015-08-22      9999-12-31
7       2015-08-20      2015-08-21      支付    2015-08-20      2015-08-20
7       2015-08-20      2015-08-21      支付    2015-08-21      9999-12-31
8       2015-08-21      2015-08-21      創(chuàng)建    2015-08-21      2015-08-21
8       2015-08-21      2015-08-22      支付    2015-08-22      2015-08-22
8       2015-08-21      2015-08-23      完成    2015-08-23      9999-12-31
9       2015-08-22      2015-08-22      創(chuàng)建    2015-08-22      9999-12-31
10      2015-08-22      2015-08-22      支付    2015-08-22      9999-12-31
11      2015-08-23      2015-08-23      創(chuàng)建    2015-08-23      9999-12-31
12      2015-08-23      2015-08-23      創(chuàng)建    2015-08-23      9999-12-31
13      2015-08-23      2015-08-23      支付    2015-08-23      9999-12-31　

　　　　比如在插入2015-08-23的數(shù)據(jù)后，回滾2015-08-22的數(shù)據(jù)，使拉鏈表與2015-08-21的一致，具體操作過程如下

1 增加臨時表t_dw_orders_his_tmp1，用來記錄t-1>e的數(shù)據(jù)
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 < '2015-08-21'

3       2015-08-19      2015-08-21      支付    2015-08-19      2015-08-20
4       2015-08-19      2015-08-21      完成    2015-08-19      2015-08-20
7       2015-08-20      2015-08-21      支付    2015-08-20      2015-08-20

?

2 增加臨時表t_dw_orders_his_tmp2，用來記錄t-1=e的數(shù)據(jù) 
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 = '2015-08-21'

1       2015-08-18      2015-08-18      創(chuàng)建    2015-08-18      9999-12-31
2       2015-08-18      2015-08-18      創(chuàng)建    2015-08-18      9999-12-31
6       2015-08-20      2015-08-20      創(chuàng)建    2015-08-20      9999-12-31
8       2015-08-21      2015-08-21      創(chuàng)建    2015-08-21      9999-12-31

 
3 增加臨時表t_dw_orders_his_tmp3，用來記錄s<t<=e的數(shù)據(jù)
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'

3       2015-08-19      2015-08-21      支付    2015-08-21      9999-12-31
4       2015-08-19      2015-08-21      完成    2015-08-21      9999-12-31
5       2015-08-19      2015-08-20      支付    2015-08-19      9999-12-31
7       2015-08-20      2015-08-21      支付    2015-08-21      9999-12-31

4 所有數(shù)據(jù)插入新表t_dw_orders_his_new
CREATE TABLE t_dw_orders_his_new
AS
SELECT * FROM t_dw_orders_his_tmp1
UNION ALL
SELECT * FROM t_dw_orders_his_tmp2
UNION ALL
SELECT * FROM t_dw_orders_his_tmp3

1       2015-08-18      2015-08-18      創(chuàng)建    2015-08-18      9999-12-31
2       2015-08-18      2015-08-18      創(chuàng)建    2015-08-18      9999-12-31
3       2015-08-19      2015-08-21      支付    2015-08-19      2015-08-20
3       2015-08-19      2015-08-21      支付    2015-08-21      9999-12-31
4       2015-08-19      2015-08-21      完成    2015-08-19      2015-08-20
4       2015-08-19      2015-08-21      完成    2015-08-21      9999-12-31
5       2015-08-19      2015-08-20      支付    2015-08-19      9999-12-31?
6       2015-08-20      2015-08-20      創(chuàng)建    2015-08-20      9999-12-31
7       2015-08-20      2015-08-21      支付    2015-08-20      2015-08-20
7       2015-08-20      2015-08-21      支付    2015-08-21      9999-12-31
8       2015-08-21      2015-08-21      創(chuàng)建    2015-08-21      9999-12-31

與原數(shù)據(jù)一致，驗(yàn)證無錯

　　4.2 備用方案

　　　　可以采用備份的方案，保證無誤和可行。（保存增量數(shù)據(jù)，并對t_dw_orders_his表每個月備份一次全量數(shù)據(jù)。如需回滾，最多重跑30天數(shù)據(jù)即可）

0xFF 總結(jié)

我們在這篇文章里面詳細(xì)地分享了一下和拉鏈表相關(guān)的知識點(diǎn)，但是仍然會有一會遺漏。歡迎交流。

在后面的使用中又有了一些心得，補(bǔ)充進(jìn)來：文章來源地址http://www.zghlxwxcb.cn/news/detail-848441.html

1. 使用拉鏈表的時候可以不加t_end_date，即失效日期，但是加上之后，能優(yōu)化很多查詢。
2. 可以加上當(dāng)前行狀態(tài)標(biāo)識，能快速定位到當(dāng)前狀態(tài)。
3. 在拉鏈表的設(shè)計中可以加一些內(nèi)容，因?yàn)槲覀兠刻毂４嬉粋€狀態(tài)，如果我們在這個狀態(tài)里面加一個字段，比如如當(dāng)天修改次數(shù)，那么拉鏈表的作用就會更大。

到了這里，關(guān)于漫談數(shù)據(jù)倉庫之拉鏈表（原理、設(shè)計以及在Hive中的實(shí)現(xiàn)的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！