oracle 拉链表如何分区,利用Hive实现数据仓库中的拉链表

拉链表介绍

在数据分析中，有时会需要维护一些历史状态，比如订单状态变化、评分变化等，为了保存下来这些状态变化的路径，可以通过拉链表实现

适用场景数据量比较大，但业务要求每次需要查询全量历史，每天存储一份全量数据太占用存储空间

记录变更不大，比如只有状态和更新时间有变动，其它字段都不变

实现思路通过在记录末尾增加start_date和end_date字段来实现

同一ID按时间排序后，如果有较新的记录，则当前记录的end_date等于较新记录的start_date-1，如果没有较新的记录，则当前记录的end_date等于一个默认值，比如99991231

拉链表示例

查询拉链表最新分区SELECT * from tmp_order_detail t WHERE dt = '20180104'

查询最新有效数据SELECT * from tmp_order_detail t WHERE dt = '20180104' AND t.end_date = '99991231't.order_idt.order_timet.user_idt.order_statust.start_datet.end_datet.dt1052018-01-01 07:10:3186A08095B2已完成201801049999123120180104

2C32018-01-02 17:15:015FECEB66FF待收货201801049999123120180104

3EF2018-01-01 18:41:00BB89D486A3已完成201801049999123120180104

查询20180103的历史快照数据SELECT * from tmp_order_detail t WHERE dt = '20180104' AND t.start_date <='20180103' AND t.end_date >= '20180103't.order_idt.order_timet.user_idt.order_statust.start_datet.end_datet.dt1052018-01-01 07:10:3186A08095B2待收货201801032018010320180104

2C32018-01-02 17:15:015FECEB66FF已支付201801022018010320180104

3EF2018-01-01 18:41:00BB89D486A3待收货201801032018010320180104

准备数据

创建Hive表CREATE EXTERNAL TABLE `tmp_order`(

`order_id` string COMMENT '订单ID',

`order_time` string COMMENT '下单时间',

`user_id` string COMMENT '用户ID',

`order_status` string COMMENT '订单状态')

PARTITIONED BY (

`dt` string)

ROW FORMAT DELIMITED

FIELDS TERMINATED BY '\t'

LINES TERMINATED BY '\n'

STORED AS TEXTFILE

LOCATION

'hdfs://ns1/tmp/order';

添加分区ALTER TABLE tmp_order ADD IF NOT EXISTS partition(dt='20180101') LOCATION '20180101';

ALTER TABLE tmp_order ADD IF NOT EXISTS partition(dt='20180102') LOCATION '20180102';

ALTER TABLE tmp_order ADD IF NOT EXISTS partition(dt='20180103') LOCATION '20180103';

上传文件

按以下方式组织HDFS上的数据[mapred@gateway2 ~]$ hdfs dfs -cat /tmp/order/20180101/20180101.txt

052018-01-01 07:10:3186A08095B2待支付20180101

EF2018-01-01 18:41:00BB89D486A3已支付20180101

[mapred@gateway2 ~]$ hdfs dfs -cat /tmp/order/20180102/20180102.txt

052018-01-01 07:10:3186A08095B2已支付20180102

C32018-01-02 17:15:015FECEB66FF已支付20180102

[mapred@gateway2 ~]$ hdfs dfs -cat /tmp/order/20180103/20180103.txt

052018-01-01 07:10:3186A08095B2待收货20180103

EF2018-01-01 18:41:00BB89D486A3待收货20180103

查看数据SELECT * from tmp_order t WHERE dt BETWEEN '20180101' AND '20180103't.order_idt.order_timet.user_idt.order_statust.dt1052018-01-01 07:10:3186A08095B2待支付20180101

2EF2018-01-01 18:41:00BB89D486A3已支付20180101

3052018-01-01 07:10:3186A08095B2已支付20180102

4C32018-01-02 17:15:015FECEB66FF已支付20180102

5052018-01-01 07:10:3186A08095B2待收货20180103

6EF2018-01-01 18:41:00BB89D486A3待收货20180103

数据说明订单ID下单时间用户ID订单状态分区key

order_idorder_timeuser_idorder_statusdt假定订单变化状态为：待支付→已支付→待收货→已完成，方便查看记录的变化

分区为天级别，所以会丢失一天之内的状态变化信息，不过对于一般的需求分析而言，这也已经足够了

生成拉链表

建立Hive表CREATE EXTERNAL TABLE `tmp_order_detail`(

`order_id` string COMMENT '订单ID',

`order_time` string COMMENT '下单时间',

`user_id` string COMMENT '用户ID',

`order_status` string COMMENT '订单状态',

`start_date` string COMMENT '开始生效日期',

`end_date` string COMMENT '失效日期')

PARTITIONED BY (

`dt` string)

STORED AS PARQUET

LOCATION

'hdfs://ns1/tmp/order_detail';

初始化第一个分区加载原始表所有数据，以分区key字段dt为开始生效日期

按start_date倒序排序后，取上一条记录的前一天为当前记录的失效日期

如果没有更新的记录，记失效日期为默认值99991231INSERT OVERWRITE TABLE tmp_order_detail PARTITION (dt='20180103')

SELECT

order_id,order_time,user_id,order_status,dt AS start_date,

regexp_replace (

split (

LAG (

date_add(

from_unixtime(

unix_timestamp(dt, 'yyyyMMdd')

),

- 1

),

1,

'9999-12-31 00:00:00'

) OVER (

PARTITION BY order_id

ORDER BY

dt DESC

),

' '

)[0], '-',

''

) AS end_date

FROM

tmp_order

WHERE dt BETWEEN '20180101' AND '20180103'

查看拉链表第一个分区SELECT * from tmp_order_detail t WHERE dt='20180103'

t.order_idt.order_timet.user_idt.order_statust.start_datet.end_datet.dt1052018-01-01 07:10:3186A08095B2待收货201801039999123120180103

2052018-01-01 07:10:3186A08095B2已支付201801022018010220180103

3052018-01-01 07:10:3186A08095B2待支付201801012018010120180103

4C32018-01-02 17:15:015FECEB66FF已支付201801029999123120180103

5EF2018-01-01 18:41:00BB89D486A3待收货201801039999123120180103

6EF2018-01-01 18:41:00BB89D486A3已支付201801012018010220180103

此处用到了Hive窗口函数LAG，关于该函数的使用可以参考《LAG用法》

此处使用LEAD函数也可以，不过需要更改排序方式

拉链表更新

添加20180104的数据ALTER TABLE tmp_order ADD IF NOT EXISTS partition(dt='20180104') LOCATION '20180104';[mapred@gateway2 ~]$ hdfs dfs -cat /tmp/order/20180104/20180104.txt

052018-01-01 07:10:3186A08095B2已完成20180104

C32018-01-02 17:15:015FECEB66FF待收货20180104

EF2018-01-01 18:41:00BB89D486A3已完成20180104

合并增量数据合并原始订单增量分区和拉链表前一个分区

按start_date倒序排序后，取上一条记录的前一天为当前记录的失效日期

如果没有更新的记录，记失效日期为默认值99991231INSERT OVERWRITE TABLE tmp_order_detail PARTITION (dt='20180104')

SELECT

order_id,order_time,user_id,order_status,start_date,

regexp_replace (

split (

LAG (

date_add(

from_unixtime(

unix_timestamp(start_date, 'yyyyMMdd')

),

- 1

),

1,

'9999-12-31 00:00:00'

) OVER (

PARTITION BY order_id

ORDER BY

start_date DESC

),

' '

)[0], '-',

''

) AS end_date

FROM

(

SELECT

order_id,order_time,user_id,order_status,dt AS start_date

FROM

tmp_order

WHERE dt = '20180104'

UNION ALL

SELECT

order_id,order_time,user_id,order_status,start_date

FROM

tmp_order_detail

WHERE dt = '20180103'

) tmp

查看拉链表的新分区SELECT * from tmp_order_detail t WHERE dt='20180104't.order_idt.order_timet.user_idt.order_statust.start_datet.end_datet.dt1052018-01-01 07:10:3186A08095B2已完成201801049999123120180104

2052018-01-01 07:10:3186A08095B2待收货201801032018010320180104

3052018-01-01 07:10:3186A08095B2已支付201801022018010220180104

4052018-01-01 07:10:3186A08095B2待支付201801012018010120180104

5C32018-01-02 17:15:015FECEB66FF待收货201801049999123120180104

6C32018-01-02 17:15:015FECEB66FF已支付201801022018010320180104

7EF2018-01-01 18:41:00BB89D486A3已完成201801049999123120180104

8EF2018-01-01 18:41:00BB89D486A3待收货201801032018010320180104

9EF2018-01-01 18:41:00BB89D486A3已支付201801012018010220180104

读后有收获可以支付宝请作者喝咖啡