Hive 拉链表实现方式(2种)

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和全量同步。

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

3.1.1 构建模拟数据

1.拉链表：

a.准备数据

vim /root/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

b.建表及加载数据

-- 拉链表
drop table tmp.dw_zipper;
create  table tmp.dw_zipper
(
    userid    string,
    phone     string,
    nick      string,
    gender    int,
    addr      string,
    starttime string,
    endtime   string
) row format delimited fields terminated by ',';
 
load data local inpath '/root/zipper.txt' into table tmp.dw_zipper;

2.增量表：

a.准备数据

vim /root/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

b.建表及加载数据

-- 增量表
drop table tmp.ods_zipper_update;
create  table tmp.ods_zipper_update
(
   userid    string,
   phone     string,
   nick      string,
   gender    int,
   addr      string,
   starttime string,
   endtime   string
) row format delimited fields terminated by ',';
load data local inpath '/root/update.txt' into table tmp.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.tmp_zipper2;
CREATE TABLE IF NOT EXISTS tmp.tmp_zipper2
(
    userid    string,
    phone     string,
    nick      string,
    gender    int,
    addr      string,
    starttime string
) PARTITIONED BY (endtime string)
    ROW FORMAT DELIMITED FIELDS TERMINATED BY ',';

-- 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

SET hive.exec.dynamic.partition.mode=nonstrict;
INSERT OVERWRITE TABLE tmp.tmp_zipper2 PARTITION (endtime)

SELECT userid, phone, nick, gender, addr, starttime, endtime
FROM tmp.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 tmp.dw_zipper a
         LEFT JOIN
     tmp.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：

SET hive.exec.dynamic.partition.mode = nonstrict;
WITH tmp1 AS (SELECT * FROM tmp.ods_zipper_update UNION ALL SELECT * FROM tmp.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.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