數(shù)據(jù)倉庫之拉鏈表

拉鏈表是針對(duì)數(shù)據(jù)倉庫設(shè)計(jì)中表存儲(chǔ)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(gè)事物從開始，一直到當(dāng)前狀態(tài)的所有變化的信息。

下面就是一張拉鏈表，存儲(chǔ)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)。

說明：

• t_start_date 表示該條記錄的生命周期開始時(shí)間，t_end_date 表示該條記錄的生命周期結(jié)束時(shí)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2017-01-01的歷史快照，則select * from user where t_start_date <= '2017-01-01' and end_date >= '2017-01-01'

拉鏈表的使用場(chǎng)景

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

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(gè)字段，這種表，即使使用ORC壓縮，單張表的存儲(chǔ)也會(huì)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(huì)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(gè)時(shí)間點(diǎn)或者時(shí)間段的歷史快照信息，比如，查看某一個(gè)訂單在歷史某一個(gè)時(shí)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。

對(duì)于這種表的設(shè)計(jì)？下面有幾種方案可選：

• 方案一：每天只留最新的一份，比如我們每天用datax抽取最新的一份全量數(shù)據(jù)到Hive中。

• 方案二：每天保留一份全量的切片數(shù)據(jù)。

• 方案三：使用拉鏈表。

為什么使用拉鏈表

方案一：每天只留最新的一份

這種方案就不用多說了，實(shí)現(xiàn)起來很簡(jiǎn)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(shí)候加一個(gè)時(shí)間分區(qū)什么的。
缺點(diǎn)同樣明顯，沒有歷史數(shù)據(jù)，先翻翻舊賬只能通過其它方式，比如從流水表里面抽。

方案二：每天保留一份全量的切片數(shù)據(jù)

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(chǔ)空間占用量太大太大了，如果對(duì)這邊表每天都保留一份全量，那么每次全量中會(huì)保存很多不變的信息，對(duì)存儲(chǔ)是極大的浪費(fèi)。
當(dāng)然我們也可以做一些取舍，比如只保留近一個(gè)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。

方案三：拉鏈表

拉鏈表的設(shè)計(jì)

在Mysql關(guān)系型數(shù)據(jù)庫里的user表中信息變化

在2017-01-01表中的數(shù)據(jù)是：

在2017-01-02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(jì)成歷史拉鏈表保存該表，則會(huì)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(shí)間，t_end_date?表示該條記錄的生命周期結(jié)束時(shí)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2017-01-01的歷史快照，則select * from user where t_start_date <= ‘2017-01-01′ and end_date >= '2017-01-01'。

拉鏈表的實(shí)現(xiàn)與更新

Hive中實(shí)現(xiàn)拉鏈表

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(shí)間粒度，比如說拉鏈表每天只取一個(gè)狀態(tài)，也就是說如果一天有3個(gè)狀態(tài)變更，我們只取最后一個(gè)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。

獲取每日的用戶增量

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(gè)狀態(tài)。假設(shè)我們每天都會(huì)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(duì)所有的字段先進(jìn)行concat，再取md5，這樣就ok了。流水表，有每日的變更流水表

表結(jié)構(gòu)

ods層的user表

CREATE EXTERNAL TABLE ods.user (
  user_num STRING COMMENT '用戶編號(hào)',
  mobile STRING COMMENT '手機(jī)號(hào)碼',
  reg_date STRING COMMENT '注冊(cè)日期'
COMMENT '用戶資料表'
PARTITIONED BY (dt string)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' LINES TERMINATED BY '\n'
STORED AS ORC
LOCATION '/ods/user';
)

ods層的user_update表

CREATE EXTERNAL TABLE ods.user_update (
  user_num STRING COMMENT '用戶編號(hào)',
  mobile STRING COMMENT '手機(jī)號(hào)碼',
  reg_date STRING COMMENT '注冊(cè)日期'
COMMENT '每日用戶資料更新表'
PARTITIONED BY (dt string)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' LINES TERMINATED BY '\n'
STORED AS ORC
LOCATION '/ods/user_update';
)

拉鏈表

CREATE EXTERNAL TABLE dws.user_his (
  user_num STRING COMMENT '用戶編號(hào)',
  mobile STRING COMMENT '手機(jī)號(hào)碼',
  reg_date STRING COMMENT '用戶編號(hào)',
  t_start_date ,
  t_end_date
COMMENT '用戶資料拉鏈表'
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' LINES TERMINATED BY '\n'
STORED AS ORC
LOCATION '/dws/user_his';
)

更新

假設(shè)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)

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
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

補(bǔ)充

拉鏈表和流水表

流水表存放的是一個(gè)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(huì)存放一個(gè)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(jì)時(shí)需要注意的一個(gè)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

鏈表當(dāng)然也會(huì)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(shì)必會(huì)比較大，當(dāng)查詢的時(shí)候性能就比較低了，個(gè)人認(rèn)為兩個(gè)思路來解決：

1. 在一些查詢引擎中，我們對(duì)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(duì)外暴露一張只提供近3個(gè)月數(shù)據(jù)的拉鏈表。