本文主要是介绍拉链表的概念设计与实现,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
拉链表
一、概念
拉链表是针对数据仓库设计中表存储数据的方式而定义的,所谓拉链,就是记录历史。记录一个事物从开始,一直到当前状态的所有变化的信息。
用处: 解决持续增长且存在一定时间时间范围内重复的数据
场景: 数据规模庞大,新数据【在有限的时间】内存在多种状态变化
原来解决方案: 采用分区表,用户分区存储历史增量数据,缺点是重复数据太多
优点: 节约空间
二、拉链表的设计
以订单为例:
普通表存每天数据
order_id bigint, -- 订单id
user_id bigint, -- 订单创建时间
order_modify_dt timestamp, --状态更改时间
order_money decimal(10,2), --订单价格
current_status int --订单状态
每次存储某一天数据
拉链(分区分桶表)
order_id bigint,
user_id bigint,
order_create_dt timestamp,
order_modify_dt timestamp,
order_money decimal(10,2),
current_status int
将初始数据装如拉链表
用某一天部分数据更新拉链表,新订单生成,旧订单修改
三、拉链表的实现
创建普通表存原始数据
create table hive_zipper_order(order_id bigint,user_id bigint,order_modify_dt timestamp,order_money decimal(10,2),current_status int
)
row format delimited fields terminated by ',';
// 将数据文件导入原始表格
load data local inpath '/root/data/order_record.log'
overwrite into table hive_zipper_order;
创建拉链表
//操作历史全量数据用动态分区
set hive.support.concurrency=true; -- hive支持
set hive.enforce.bucketing=true; -- hive强制分桶
set hive.exec.dynamic.partition.mode=nonstrict; --动态分区 分区表 给首次将大量数据导入使用
set hive.txn.manager=org.apache.hadoop.hive.ql.lockmgr.DbTxnManager; --事务管理器
set hive.compactor.initiator.on=true; -- 表合并开启
set hive.compactor.worker.threads=1; -- 表合并线程必须为一
set hive.auto.convert.join=false; -- 关闭 mapjoin,只能是reducejoin
set hive.merge.cardinality.check=false; -- 关闭检查数据列的基数(列值的差异性)
// 创建拉链表
drop table if exists hive_zipper_pc_order;
create table hive_zipper_pc_order(order_id bigint,user_id bigint,order_create_dt timestamp,order_modify_dt timestamp,order_money decimal(10,2),current_status int
) partitioned by(year int,month int,day int)
clustered by(order_create_dt) into 4 buckets
row format delimited fields terminated by ','
stored as orc tblproperties("transactional"="true");
开启动态分区,一次性挂载
// 对拉链表的数据进行聚合,获取订单信息的创建日期、修改日期和订单状态
with zip_src as (select order_id,user_id,order_money,min(order_modify_dt) as order_create_dt,max(order_modify_dt) as order_modify_dt,max(current_status) as current_statusfrom hive_zipper_ordergroup by order_id,user_id,order_money
)
// 将原始数据灌入拉链表
insert overwrite table hive_zipper_pc_order partition(year,month,day)
select order_id,user_id,order_create_dt,order_modify_dt,order_money,current_status,year(order_create_dt) as year,month(order_create_dt) as month,day(order_create_dt) as day
from zip_src;
拉链表查询
// 拉链表查询 查询之前必须先有这两句配置
set hive.txn.manager=org.apache.hadoop.hive.ql.lockmgr.DbTxnManager;
set hive.support.concurrency=true;
select * from hive_zipper_pc_order
where to_date(order_modify_dt)='2021-02-04'
order by order_modify_dt desc;
之后每天,增量添加
// 对于追加增量数据,将增量数据覆盖在原始数据表中
load data local inpath '/root/data/order_record_2021_02_05.log'
overwrite into table hive_zipper_order;
拉链处理增量数据(新增新数据,修改旧数据)
// 将原始数据表中的增量数据插入拉链表
// 利用源数据和目标表的order_id进行匹配,若匹配则更新现有订单信息,若不匹配则插入新订单
merge into hive_zipper_pc_order as O
using (select order_id,user_id,order_create_dt,order_modify_dt,order_money,current_status,year(order_create_dt) as year,month(order_create_dt) as month,day(order_create_dt) as dayfrom (select order_id,user_id,order_money,min(order_modify_dt) as order_create_dt,max(order_modify_dt) as order_modify_dt,max(current_status) as current_statusfrom hive_zipper_order--where to_date(order_modify_dt)='2021-02-05'group by order_id,user_id,order_money)T
) as H
on O.order_id=H.order_id
when matched then
update set order_modify_dt=H.order_modify_dt,current_status=H.current_status
when not matched then
insert values(H.order_id,H.user_id,H.order_create_dt,H.order_modify_dt,H.order_money,H.current_status,H.year,H.month,H.day);
验证拉链结果
select * from hive_zipper_pc_order
where to_date(order_modify_dt)>to_date(order_create_dt);
数据仓库_缓慢渐变维_拉链表(全揭秘)_拉链表中的代理主键-CSDN博客
拉链表_什么是拉链表-CSDN博客
这篇关于拉链表的概念设计与实现的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!