拉链表 流水表

拉链表介绍

部分转载自36大数据（36dsj.com)： 36大数据» 漫谈数据仓库之拉链表（原理、设计以及在Hive中的实现）

什么是拉链表：可自定义的部分历史记录表，属于数据仓库特有的定义范围

什么是流水表：同样是历史记录表

两者的不同：拉链表自定义变更范围，拉链表字段比流水表少。比如一个大表有100个字段，每次所有字段的变更都记录到流水表中，这是我只想记录 其中3个字段的每日最终一次变更，就用到了拉链表。

拉链表关键问题：如何特定字段的将新增与变更存入拉链表

为什么用到拉链表：
前置信息：8000万线上用户信息表，100个字段，部分信息变更，但是变更的不频繁。
需求：需要查看 用户地址变更 的历史记录，且如果一天修改n次，只保留最后一次变更

or

前置信息：订单表 100g数据，每日新增1000万数据，修改100万数据，
需求：只分析订单金额、订单状态的变更历史

在2017-01-01这一天表中的数据是：

注册日期 用户编号 手机号码
2017-01-01 001 111111
2017-01-01 002 222222
2017-01-01 003 333333
2017-01-01 004 444444
在2017-01-02这一天表中的数据是， 用户002和004资料进行了修改，005是新增用户：

注册日期 用户编号 手机号码 备注
2017-01-01 001 111111
2017-01-01 002 233333 （由222222变成233333）
2017-01-01 003 333333
2017-01-01 004 432432 （由444444变成432432）
2017-01-02 005 555555 （2017-01-02新增）
在2017-01-03这一天表中的数据是， 用户004和005资料进行了修改，006是新增用户：

注册日期 用户编号 手机号码 备注
2017-01-01 001 111111
2017-01-01 002 233333
2017-01-01 003 333333
2017-01-01 004 654321 （由432432变成654321）
2017-01-02 005 115115 （由555555变成115115）
2017-01-03 006 666666 （2017-01-03新增）

如果在数据仓库中设计成历史拉链表保存该表，则会有下面这样一张表，这是最新一天（即2017-01-03）的数据：

备注：使用拉链表的时候可以不加t_end_date，即失效日期，但是加上之后，能优化很多查询。

注册日期 用户编号 手机号码 t_start_date t_end_date
2017-01-01 001 111111 2017-01-01 9999-12-31
2017-01-01 002 222222 2017-01-01 2017-01-01
2017-01-01 002 233333 2017-01-02 9999-12-31
2017-01-01 003 333333 2017-01-01 9999-12-31
2017-01-01 004 444444 2017-01-01 2017-01-01
2017-01-01 004 432432 2017-01-02 2017-01-02
2017-01-01 004 654321 2017-01-03 9999-12-31
2017-01-02 005 555555 2017-01-02 2017-01-02
2017-01-02 005 115115 2017-01-03 9999-12-31
2017-01-03 006 666666 2017-01-03 9999-12-31
说明

t_start_date表示该条记录的生命周期开始时间，t_end_date表示该条记录的生命周期结束时间。
t_end_date = ‘9999-12-31’表示该条记录目前处于有效状态。
如果查询当前所有有效的记录，则select * from user where t_end_date = ‘9999-12-31’。
如果查询2017-01-02的历史快照，则select from user where t_start_date <= ‘2017-01-02’ and t_end_date >= ‘2017-01-02’。（此处要好好理解，是拉链表比较重要的一块。*）

如果原始表中存在updatetime字段

在2017-01-01这一天表中的数据是：

注册日期 用户编号 手机号码 变更时间
2017-01-01 001 111111 20170101
2017-01-01 002 222222 20170101
2017-01-01 003 333333 20170101
2017-01-01 004 444444 20170101

在2017-01-02这一天表中的数据是， 用户002和004资料进行了修改，005是新增用户：

注册日期 用户编号 手机号码 备注 变更时间
2017-01-01 001 111111 20170101
2017-01-01 002 233333 （由222222变成233333） 20170102
2017-01-01 003 333333
2017-01-01 004 432432 （由444444变成432432） 20170102
2017-01-02 005 555555 （2017-01-02新增） 20170102

select 用户编号、注册时间、手机号 from xx where updatetime=20170102，再cancat+md5 ，若不同，则存储拉链表即可，一般的由于变更的数据量不大，没有必要再进行cancat+md5比较，直接将所有update存入拉链表再去重即可。

获取原始表变更的几种方式

1，原始表自带updatetime
2，我们可以监听Mysql数据的变化，比如说用Canal，最后合并每日的变化，获取到最后的一个状态。
,3，假设我们每天都会获得一份切片数据，我们可以通过取两天切片数据的不同来作为每日更新表，这种情况下我们可以对所有的字段先进行concat，再取md5，这样就ok了。
4，流水表！有每日的变更流水表。
5，业务日志

创建拉链表：
现在我们创建一张拉链表：

CREATEEXTERNALTABLEdws.user_his (
user_numSTRINGCOMMENT’用户编号’,
mobileSTRINGCOMMENT’手机号码’,
reg_dateSTRINGCOMMENT’用户编号’,
t_start_date ,
t_end_dateCOMMENT’用户资料拉链表’ROWFORMATDELIMITEDFIELDSTERMINATEDBY’\t’LINESTERMINATEDBY’\n’STOREDASORC
LOCATION’/dws/user_his’;
)
实现sql语句

然后初始化的sql就不写了，其实就相当于是拿一天的ods层用户表过来就行，我们写一下每日的更新语句。

现在我们假设我们已经已经初始化了2017-01-01的日期，然后需要更新2017-01-02那一天的数据，我们有了下面的Sql。

然后把两个日期设置为变量就可以了。

INSERTOVERWRITETABLEdws.user_hisSELECT*FROM(SELECTA.user_num,
A.mobile,
A.reg_date,
A.t_start_time,CASEWHENA.t_end_time =’9999-12-31’ANDB.user_numISNOTNULLTHEN’2017-01-01’ELSEA.t_end_timeENDASt_end_timeFROMdws.user_hisASALEFTJOINods.user_updateASBONA.user_num = B.user_numUNIONSELECTC.user_num,
C.mobile,
C.reg_date,’2017-01-02’ASt_start_time,’9999-12-31’ASt_end_timeFROMods.user_updateASC
)AST

补充
好了，我们分析了拉链表的原理、设计思路、并且在Hive环境下实现了一份拉链表，下面对拉链表做一些小的补充。

拉链表和流水表
流水表存放的是一个用户的变更记录，比如在一张流水表中，一天的数据中，会存放一个用户的每条修改记录，但是在拉链表中只有一条记录。

这是拉链表设计时需要注意的一个粒度问题。我们当然也可以设置的粒度更小一些，一般按天就足够。

查询性能
拉链表当然也会遇到查询性能的问题，比如说我们存放了5年的拉链数据，那么这张表势必会比较大，当查询的时候性能就比较低了，个人认为两个思路来解决：

在一些查询引擎中，我们对start_date和end_date做索引，这样能提高不少性能。
保留部分历史数据，比如说我们一张表里面存放全量的拉链表数据，然后再对外暴露一张只提供近3个月数据的拉链表。
0xFF 总结
我们在这篇文章里面详细地分享了一下和拉链表相关的知识点，但是仍然会有一会遗漏。欢迎交流。

在后面的使用中又有了一些心得，补充进来：

使用拉链表的时候可以不加t_end_date，即失效日期，但是加上之后，能优化很多查询。
可以加上当前行状态标识，能快速定位到当前状态。
在拉链表的设计中可以加一些内容，因为我们每天保存一个状态，如果我们在这个状态里面加一个字段，比如如当天修改次数，那么拉链表的作用就会更大。
End.