Hive 拉链表的两种实现方式

目录

1.什么是拉链表

2.拉链表的产生背景

2.1数据同步

2.1.1全量同步

2.1.2增量同步

2.2增量同步和拉链表

3.拉链表的实现方式

3.1数据准备

3.2思路1

3.3思路2


1.什么是拉链表

我们首先要知道,拉链表是一个逻辑上的概念。

拉链表记录的是增量数据,它通过不断的同步增量数据来构成,不断进行数据清洗。

拉链表有数据的开始日期和结束日期,记录着数据的生命周期。(有开始有结束,也因此被称为拉链)

总而言之,拉链表通过增量表进行不断的更新


2.拉链表的产生背景

Hive在实际工作中主要用于构建离线数据仓库。而说到拉链表的产生背景,我们就不得不提到离线数仓中的数据同步问题

2.1数据同步

我们知道,数据同步分为增量同步全量同步

2.1.1全量同步

全量同步,就是每天都将业务数据库中的全部数据同步一份到数据仓库,这是保证两侧数据同步的最简单的方式。

2.1.2增量同步

增量同步,就是每天只将业务数据中的新增及变化数据同步到数据仓库。采用每日增量同步的表,通常需要在首日先进行一次全量同步。

2.2增量同步和拉链表

全量同步逻辑简单也容易使用,但在有些情况下效率较低:例如某张表数据量较大,但是每天数据的变化比例很低,若对其采用每日全量同步,则会重复同步和存储大量相同的数据。

此时增量同步应运而生:构建拉链表,插入增量数据,通过时间标记发生变化的数据的每种状态的时间周期


3.拉链表的实现方式

3.1数据准备

1.构建模拟数据:

拉链表数据:

vim /export/data/zipper.txt

001  186xxxx1234  laoda     0     sh   2021-01-01    9999-12-31

002 186xxxx1235  laoer      1      bj    2021-01-01    9999-12-31

003 186xxxx1236  laosan   0     sz    2021-01-01    9999-12-31

004 186xxxx1237  laosi       1      gz   2021-01-01    9999-12-31

005 186xxxx1238  laowu    0     sh   2021-01-01    9999-12-31

006 186xxxx1239  laoliu     1      bj    2021-01-01    9999-12-31

007 186xxxx1240  laoqi      0     sz    2021-01-01    9999-12-31

008 186xxxx1241  laoba     1      gz   2021-01-01    9999-12-31

009 186xxxx1242  laojiu     0     sh   2021-01-01    9999-12-31

010  186xxxx1243  laoshi     1      bj    2021-01-01    9999-12-31

增量表数据:

vim /export/data/update.txt 

008 186xxxx1241  laoba     1      sh   2021-01-02   9999-12-31

011  186xxxx1244  laoshi     1      jx     2021-01-02   9999-12-31

012  186xxxx1245  laoshi     0     zj    2021-01-02   9999-12-31 

-- 拉链表
create temporary table dw_zipper
(
    userid    string,
    phone     string,
    nick      string,
    gender    int,
    addr      string,
    starttime string,
    endtime   string
) row format delimited fields terminated by '\t';

load data local inpath '/export/data/zipper.txt' into table dw_zipper;



-- 增量表
create temporary table ods_zipper_update
(
    userid    string,
    phone     string,
    nick      string,
    gender    int,
    addr      string,
    starttime string,
    endtime   string
) row format delimited fields terminated by '\t';

load data local inpath '/export/data/update.txt' into table ods_zipper_update;

3.2思路1

通过左连接 left join

先上代码:

-- step1 创建临时表,插入查询结果
drop table if exists tmp_zipper2;
create table if not exists tmp_zipper2(
                            userid string,
                            phone string,
                            nick string,
                            gender int,
                            addr string,
                            starttime string
)partitioned by (endtime string)
    row format delimited fields terminated by '\t';

-- step2 合并拉链表和增量表并插入到临时表
-- left join 则是为了修改旧拉链表中(update数据)的endtime 
-- union all 是为了合并增量表和修改了endtime的旧拉链表 
-- 从而合成临时表,再把临时表插入旧拉链表中作为新的拉链表

insert overwrite table tmp_zipper

        select userid, phone, nick, gender, addr, starttime, endtime 
        from ods_zipper_update

    union all   --union all是拼接两个表,join是交集之类的?
    
    --查询原来拉链表的所有数据,并将这次需要更新的数据的endTime更改为更新值的startTime
        select a.userid, a.phone, a.nick, a.gender, a.addr, a.starttime, if(b.userid is null or a.endtime < '9999-12-31', a.endtime , date_sub(b.starttime,1)) as endtime 
        from dw_zipper a
            left join
        ods_zipper_update b on a.userid = b.userid ;
 

 通过 拉链表左连接增量表 修改拉链表endtime字段:若拉链表和增量表中存在相同的userid,则修改拉链表中的endtime字段为增量表中starttime字段的前一天

然后再合并(修改了endtime字段的拉链表)和 (增量表)

 

3.3思路2

使用窗口函数 lag() 和 row_number()

先上代码:

drop table if exists tmp_zipper3;
create table if not exists tmp_zipper3(
                            userid string,
                            phone string,
                            nick string,
                            gender int,
                            addr string,
                            starttime string
)partitioned by (endtime string)
    row format delimited fields terminated by '\t';


set hive.exec.dynamic.partition.mode = nonstrict;
with tmp1 as ( select * from ods_zipper_update union all select * from dw_zipper ),
     tmp2 as ( select *, lag(starttime,1,0) over (partition by userid order by starttime desc )as lasttime, row_number() over (partition by userid order by starttime desc ) as rk from tmp1),
     tmp3 as ( select userid, phone, nick, gender, addr, starttime, `if`(rk=2,date_sub(lasttime,1),tmp2.endtime) as endtime from tmp2)
insert overwrite table tmp_zipper3 partition(endtime) select userid, phone, nick, gender, addr, starttime, endtime from tmp3 ;

使用窗口函数 lag() 和 row_number():

首先合并拉链表和增量表;

使用row_number() 函数对合并表中对userid进行分区排序,

使用lag()函数获取userid分区中的上一行数据的endtime字段

使row_number()字段为2的数据修改endtime字段为lag()函数获取的上一行数据的endtime字段-1

 有不理解的地方对上面各子查询进行select查看结果即可。

  • 3
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
Hive是一个开源的数据仓库和查询工具,用于将大数据处理和分析集成在Hadoop生态系统中。拉链表是一种在Hive实现的数据处理技术,主要用于处理维度数据的历史变化。 拉链表实现思路是将每个维度表根据指定的生效日期和失效日期进行拆分,生成多个对应不同时间段的维度数据,以保留维度表的历史变化记录。在Hive中,可以通过以下步骤来实现拉链表: 1. 创建维度表和事实表:首先,创建维度表和事实表的Hive表。维度表用于存储维度字段的详细信息,例如员工表、产品表等;事实表用于存储与维度表关联的度量数据,例如销售事实表。 2. 设计拉链表结构:在维度表中添加生效日期(start_date)和失效日期(end_date)字段,用于标识每条记录的有效时间段。通常,失效日期为空或未来日期表示当前有效数据。 3. 插入初始数据:将初始数据插入维度表,即没有历史记录的部分。在start_date字段中填写最早的日期,end_date字段中填写NULL或未来日期。 4. 插入新数据:当维度表中的记录有更新或新增时,需要按照拉链表的原则进行插入。具体操作是将原有的生效日期字段(start_date)的end_date字段更新为当前日期,并将新数据插入到维度表中。 5. 查询数据:在查询维度表和事实表时,可以通过使用日期条件和JOIN操作,将最近生效的维度数据关联到事实数据上,以获得正确的历史维度信息。 拉链表实现使得Hive可以处理维度数据的历史变化情况,并提供了便捷的方式来查询和分析历史数据。它对于构建具有时间依赖性的报表和分析非常有用。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

电光火石尔

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值