离线数仓—DIM层实现
前言
DIM层维度表总共有6张,前面完成了5张表,全都是全量快照维度表,最后一张用户维度表是拉链表,需要好好分析一下。
一、拉链表回顾
二、用户维度表
1.建表语句
DROP TABLE IF EXISTS dim_user_zip;
CREATE EXTERNAL TABLE dim_user_zip
(
`id` STRING COMMENT '用户id',
`login_name` STRING COMMENT '用户名称',
`nick_name` STRING COMMENT '用户昵称',
`name` STRING COMMENT '用户姓名',
`phone_num` STRING COMMENT '手机号码',
`email` STRING COMMENT '邮箱',
`user_level` STRING COMMENT '用户等级',
`birthday` STRING COMMENT '生日',
`gender` STRING COMMENT '性别',
`create_time` STRING COMMENT '创建时间',
`operate_time` STRING COMMENT '操作时间',
`start_date` STRING COMMENT '开始日期',
`end_date` STRING COMMENT '结束日期'
) COMMENT '用户表'
PARTITIONED BY (`dt` STRING)
STORED AS ORC
LOCATION '/warehouse/gmall/dim/dim_user_zip/'
TBLPROPERTIES ('orc.compress' = 'snappy');
用户拉链表中除了一些基本的信息意外,还有两个额外的字段,一个是信息的开始日期,一个是信息的结束日期,在这个日期内,这条信息是有效的。
2.分区规划
我们将到现在位置的最新信息放到9999-12-31这个分区,将过期的信息放到过期那天的分区。
3.数据装载流程分析
4.数据流向分析
假设2020-06-14是系统的第一天,我们对用户表执行的是首日全量同步
2020-06-14:这一天ods层里user_info_inc表里都是bootstrap-insert类型的数据,我们将这些数据统统放到9999-12-31这个分区,并将这些数据的开始时间设置为2020-06-14
2020-06-15:这一天ods层里user_info_inc表里的数据是insert、update、delete类型的数据,我们将insert类型的数据放到9999-12-31这个分区,将update修改后新的数据放到9999-12-31这个分区里(要修改开始日期为当天2020-06-15,同时结束日期为9999-12-31),然后将修改前的数据放到2020-06-14这个分区里(,因为数据是在2020-06-15日发生变化的,所以要修改结束日期为前一天2020-06-14)
2020-06-16:这一天ods层里user_info_inc表里的数据是insert、update、delete类型的数据,我们将insert类型的数据放到9999-12-31这个分区,将update修改后新的数据放到9999-12-31这个分区里(要修改开始日期为当天2020-06-16,同时结束日期为9999-12-31),然后将修改前的数据放到2020-06-15这个分区里(,因为数据是在2020-06-16日发生变化的,所以要修改结束日期为前一天2020-06-15)
后面每天都是这样…
5.首日数据装载分析与实现
5.1 首日数据装载分析
首日ods层user_info_inc里的是全量同步数据,我们需要将首日文件夹里的数据全部放到dim_user_zip表的9999-12-31分区内。
5.2 首日数据装载实现
select
data.id,
data.login_name,
data.nick_name,
md5(data.name),
md5(data.phone_num),
md5(data.email),
data.user_level,
data.birthday,
data.gender,
data.create_time,
data.operate_time,
'2020-06-14' start_time,
'9999-12-31' end_date
from ods_user_info_inc
where dt='2020-06-14' and type='bootstrap-insert';
md5()函数是为了对一些字段进行加密
6.每日数据装载分析与实现
6.1 每日数据装载分析
每日数据装载有两部分操作:
1)第一部分操作是找到type='insert’类型的数据,将这些数据全部放到9999-12-31这个分区;
2)第二部分操作是找到type='update’类型的数据,将修改后的数据放到9999-12-31这个分区(注意修改开始时间为今天,结束时间为9999-12-31),同时将修改前的数据放到前一天的分区(因为拿的就是前一天的数据,所以它的结束时间应该修改为前一天日期)。
比如在2020-06-16日这一天拿到了2020-06-15这一天的变更数据,对于insert类型的数据,要修改开始时间为2020-06-15;对于update类型的数据,修改后的数据的开始时间为2020-06-16,修改前的数据的开始时间为2020-06-15
6.2 每日数据装载实现方式一
第一种方式是分别找到insert和update类型的数据,分别插入到9999-12-31这张表,写两条sql语句
第一步,获取所有insert类型的数据:
6.3 每日数据装载实现方式二
方式二,写一条sql语句,获取所有类型的数据,跟9999-12-31这个分区的数据进行全连接,若9999-12-31存在但新数据不存在,则代表是原有数据,直接取原有数据;若9999-12-31分区不存在但新数据存在则代表是新增数据,直接取新增数据;若两个分区数据都存在,则代表是update数据,取新数据.
这种方式要将old表中独有的数据和新表中的所有数据插入到9999-12-31中,将old表中的update数据插入到日期前一天分区中,所有的数据都需要。
1)先获取当天所有的变更数据:
select
id,
login_name,
nick_name,
name,
phone_num,
email,
user_level,
birthday,
gender,
create_time,
operate_time,
'2020-06-15' start_date,
'9999-12-31' end_date
from
(
select
data.id,</