数据同步策略

一、表分类

业务数据库里面的数据每天需要同步到我们的数据仓库里面。根据数据量的大小，数据的变化情况，可以分成以下几类：
1、全量表：存储完整的数据
2、增量表：存储新增加的数据
3、新增及变化表：存储新增加的数据和变化的数据
4、特殊表：只需要存储一次的数据

二、同步策略

全量同步策略：
每日全量，就是每天存储一份完整的数据，作为一个分区
适用于表中数据量很小，每天可能会有数据新增或者数据修改的情形。

增量同步策略：
每日增量，就是每天存储一份增量数据，，作为一个分区
适用于数据量大，每天都会向表中新增数据的场景（支付流水表）

新增和变化同步策略：
每日新增及变化，就是基于创建时间和操作时间都是今天的数据
适用于数据量大，每天不仅会新增数据，还会有历史数据发生变化（订单表，用户表）
该种情况最经常采用的是拉链表来解决，拉链表会有dp和dt两个分区，dp的值有ACTIVE和EXPIRED两个分区，ACTIVE代表当前这条数据是有效的，而EXPIRED代表的是当前这条数据是过期的。dt分区每天存储的也是历史到现在的全量数据，每个dt分区里面的数据都包含新增和修改的数据。
拉链表有一篇比较好的文章，需要复习的时候可以翻出来看一看：拉链表详解

特殊策略：
某些特殊的维度表，可不必遵循上述同步策略
例如：地区表，省份表，日期表，可以只导入一次即可

有时候在想，数仓中的表有同步策略，这个同步策略在哪里看呢？是建表语句吗？显然不是。是在sqoop中看参数。

全量同步: 查询最新的分区，就是所有的数据。
缺点就是:hdfs越来越大。

打个比方:
1月1号的数据，存到hdfs之后。
1月2号的数据，以及1月1号中发生变化的数据，存到对应1月2号的分区。
导数据的时候，导入分时候条件就是创建时间是1月1号的，或者是operate的时间是1月2的(1月1日或者更早的数据在1月2号修改了，那么这个时间就是1月2号)。
这样的话，就是导入的是新增得数据，以及和变化的数据。

具体的就是，业务数据从MySQL中导入hdfs的脚本里面，进行的指定条件。

这里面就是全量同步，从MySQL中，因为后面的条件是where 1=1，也就是无条件的导入，也就是全量的导入。

import_sku_info(){
  import_data sku_info "select 
                          id,
                          spu_id,
                          price,
                          sku_name,
                          sku_desc,
                          weight,
                          tm_id,
                          category3_id,
                          create_time
                        from sku_info where 1=1"
}