拉链表是大数据开发面试重点,今天专门写一篇文章进行讨论。
1.什么是拉链表
用于记录每条信息的生命周期,有开始日期和结束日期字段。至今有效的用极大值表示。
| uid | name | phone_number | start_date| end_date |
| ---- | ---- | ------------ | ---------- | ---------- |
| 1 | 张三 | 188****7777 | 2020-01-01 | 2020-02-10 |
| 1 | 张三 | 135****6666 | 2020-02-11 | 2021-01-01 |
| 1 | 张三 | 181****5555 | 2021-01-02 | 9999-99-99 |
2.为什么要做拉链表
适合缓慢变化维度:数据会变化,但频率不高,做每日全量效率低。
3.如何使用
通过 开始日期<=某个日期 and 结束日期>=某个日期,可以得到某个日期的全量切片。
select * from user_info where start_date<='2020-03-01' and end_date>='2020-03-01'
4.如何形成
5.如何制作
以订单表为例:
-
创建订单表拉链表,字段跟订单表一样,只增加了有效开始日期和有效结束日期。初始日期,从订单变化表ods_order_info导入数据,且让有效开始时间=当前日期,有效结束日期=9999-99-99
-
建一张拉链临时表dwd_order_info_his_tmp,字段跟拉链表完全一致
-
新的拉链表中应该有这几部分数据:
-
增加订单变化表 dwd_order_info 的全部数据
-
旧的拉链表左关联订单变化表dwd_order_info,关联字段:订单 id, where 过滤出 end_date 等于 9999-99-99 的数据,如果旧的拉链表中的end_date不等于9999-99-99,说明已经是终态了,不需要再更新
-
如果 dwd_order_info.id is null , 没关联上,说明数据状态没变,让 end_date 还等于旧的 end_date
-
如果 dwd_order_info.id is not null , 关联上了,说明数据状态变了,让 end_date 等于当前日期 -1
-
把查询结果插入到拉链临时表中
-
-
把拉链临时表覆盖到旧的拉链表中
具体过程如下:
insert overwrite table dwd_order_info_his_tmp
select * from
(
select # 筛选出当天变化的全部数据,开始日期为今天,结束日期极大值
id,
total_amount,
order_status,
user_id,
payment_way,
out_trade_no,
create_time,
'2019-01-02' start_date,
'9999-99-99' end_date
from dwd_order_info where dt='2019-01-02'
union all
select # 旧的拉链表中筛选出信息
oh.id,
oh.total_amount,
oh.order_status,
oh.user_id,
oh.payment_way,
oh.out_trade_no,
oh.create_time,
oh.operate_time,
oh.start_date,
if(oi.id is null,oh.end_date,date_add(oi.dt,-1)) end_date # 更改结束日期
from dwd_order_info_his oh
left join(
select * from dwd_order_info
where dt='2019-01-02'
) oi
on oh.id=oi.id and oh.end_date='9999-99-99' # 订单号做关联,并且结束日期是极大值才需要更改
) his
order by his.id,start_date;
欢迎关注公众号。