拉鏈表

拉鏈表是針對數(shù)據(jù)倉庫設(shè)計中表存儲數(shù)據(jù)的方式而定義的购啄，顧名思義，所謂拉鏈肪获，就是記錄歷史寝凌。記錄一個事物從開始，一直到當(dāng)前狀態(tài)的所有變化的信息贪磺。

下面就是一張拉鏈表硫兰，存儲的是用戶的最基本信息以及每條記錄的生命周期。我們可以使用這張表拿到最新的當(dāng)天的最新數(shù)據(jù)以及之前的歷史數(shù)據(jù)寒锚。

說明：

• t_start_date 表示該條記錄的生命周期開始時間劫映，t_end_date 表示該條記錄的生命周期結(jié)束時間；
• t_end_date = ‘9999-12-31’表示該條記錄目前處于有效狀態(tài)刹前；
• 如果查詢當(dāng)前所有有效的記錄泳赋，則select * from user where t_end_date = ‘9999-12-31′
• 如果查詢2017-01-01的歷史快照，則select * from user where t_start_date <= ‘2017-01-01′ and end_date >= ‘2017-01-01’喇喉，這條語句會查詢到以下記錄：

拉鏈表的使用場景

在數(shù)據(jù)倉庫的數(shù)據(jù)模型設(shè)計過程中祖今，經(jīng)常會遇到下面這種表的設(shè)計：

1. 有一些表的數(shù)據(jù)量很大，比如一張用戶表拣技，大約10億條記錄千诬，50個字段，這種表膏斤，即使使用ORC壓縮徐绑，單張表的存儲也會超過100G，在HDFS使用雙備份或者三備份的話就更大一些莫辨。
2. 表中的部分字段會被update更新操作傲茄，如用戶聯(lián)系方式毅访，產(chǎn)品的描述信息，訂單的狀態(tài)等等盘榨。
3. 需要查看某一個時間點或者時間段的歷史快照信息喻粹，比如，查看某一個訂單在歷史某一個時間點的狀態(tài)草巡。
4. 表中的記錄變化的比例和頻率不是很大守呜，比如，總共有10億的用戶捷犹，每天新增和發(fā)生變化的有200萬左右弛饭，變化的比例占的很小。

對于這種表的設(shè)計萍歉？下面有幾種方案可選：

• 方案一：每天只留最新的一份侣颂，比如我們每天用datax抽取最新的一份全量數(shù)據(jù)到Hive中。
• 方案二：每天保留一份全量的切片數(shù)據(jù)枪孩。
• 方案三：使用拉鏈表憔晒。

為什么使用拉鏈表

方案一：每天只留最新的一份

這種方案就不用多說了，實現(xiàn)起來很簡單蔑舞，每天drop掉前一天的數(shù)據(jù)拒担，重新抽一份最新的。
優(yōu)點很明顯攻询，節(jié)省空間从撼，一些普通的使用也很方便，不用在選擇表的時候加一個時間分區(qū)什么的钧栖。
缺點同樣明顯低零，沒有歷史數(shù)據(jù)，先翻翻舊賬只能通過其它方式拯杠，比如從流水表里面抽掏婶。

方案二：每天保留一份全量的切片數(shù)據(jù)

每天一份全量的切片是一種比較穩(wěn)妥的方案，而且歷史數(shù)據(jù)也在潭陪。
缺點就是存儲空間占用量太大太大了雄妥，如果對這邊表每天都保留一份全量，那么每次全量中會保存很多不變的信息依溯，對存儲是極大的浪費老厌。
當(dāng)然我們也可以做一些取舍，比如只保留近一個月的數(shù)據(jù)黎炉？但是梅桩，需求是無恥的，數(shù)據(jù)的生命周期不是我們能完全左右的拜隧。

方案三：拉鏈表

拉鏈表在使用上基本兼顧了我們的需求宿百。
首先它在空間上做了一個取舍，雖說不像方案一那樣占用量那么小洪添，但是它每日的增量可能只有方案二的千分之一甚至是萬分之一垦页。
其實它能滿足方案二所能滿足的需求，既能獲取最新的數(shù)據(jù)干奢，也能添加篩選條件也獲取歷史的數(shù)據(jù)痊焊。
所以我們還是很有必要來使用拉鏈表的。

拉鏈表的設(shè)計

在Mysql關(guān)系型數(shù)據(jù)庫里的user表中信息變化

在2017-01-01表中的數(shù)據(jù)是：

在2017-01-02表中的數(shù)據(jù)是忿峻，用戶002和004資料進(jìn)行了修改薄啥，005是新增用戶:

在2017-01-03表中的數(shù)據(jù)是，用戶004和005資料進(jìn)行了修改逛尚，006是新增用戶:

如果在數(shù)據(jù)倉庫中設(shè)計成歷史拉鏈表保存該表垄惧，則會有下面這樣一張表，這是最新一天（即2017-01-03）的數(shù)據(jù)：

說明：

• t_start_date 表示該條記錄的生命周期開始時間绰寞，t_end_date 表示該條記錄的生命周期結(jié)束時間到逊；
• t_end_date = ‘9999-12-31’表示該條記錄目前處于有效狀態(tài)；
• 如果查詢當(dāng)前所有有效的記錄滤钱，則select * from user where t_end_date = ‘9999-12-31′
• 如果查詢2017-01-01的歷史快照觉壶，則select * from user where t_start_date <= ‘2017-01-01′ and end_date >= ‘2017-01-01’，這條語句會查詢到以下記錄：

拉鏈表的實現(xiàn)與更新

Hive中實現(xiàn)拉鏈表

1. 我們需要一張ODS層的用戶全量表件缸。至少需要用它來初始化铜靶。
2. 每日的用戶更新表。

而且我們要確定拉鏈表的時間粒度他炊，比如說拉鏈表每天只取一個狀態(tài)争剿，也就是說如果一天有3個狀態(tài)變更，我們只取最后一個狀態(tài)佑稠，這種天粒度的表其實已經(jīng)能解決大部分的問題了秒梅。

獲取每日的用戶增量

1. 監(jiān)聽Mysql數(shù)據(jù)的變化，比如說用Canal舌胶，最后合并每日的變化捆蜀，獲取到最后的一個狀態(tài)。
2. 假設(shè)我們每天都會獲得一份切片數(shù)據(jù)幔嫂，我們可以通過取兩天切片數(shù)據(jù)的不同來作為每日更新表辆它，這種情況下我們可以對所有的字段先進(jìn)行concat，再取md5履恩，這樣就ok了锰茉。
3. 流水表，有每日的變更流水表

表結(jié)構(gòu)

ods層的user表

CREATE EXTERNAL TABLE ods.user (
  user_num STRING COMMENT '用戶編號',
  mobile STRING COMMENT '手機(jī)號碼',
  reg_date STRING COMMENT '注冊日期'
COMMENT '用戶資料表'
PARTITIONED BY (dt string)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' LINES TERMINATED BY '\n'
STORED AS ORC
LOCATION '/ods/user';
)

ods層的user_update表

CREATE EXTERNAL TABLE ods.user_update (
  user_num STRING COMMENT '用戶編號',
  mobile STRING COMMENT '手機(jī)號碼',
  reg_date STRING COMMENT '注冊日期'
COMMENT '每日用戶資料更新表'
PARTITIONED BY (dt string)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' LINES TERMINATED BY '\n'
STORED AS ORC
LOCATION '/ods/user_update';
)

拉鏈表

CREATE EXTERNAL TABLE dws.user_his (
  user_num STRING COMMENT '用戶編號',
  mobile STRING COMMENT '手機(jī)號碼',
  reg_date STRING COMMENT '用戶編號',
  t_start_date ,
  t_end_date
COMMENT '用戶資料拉鏈表'
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' LINES TERMINATED BY '\n'
STORED AS ORC
LOCATION '/dws/user_his';
)

更新

假設(shè)已經(jīng)初始化了2017-01-01的日期切心，然后需要更新2017-01-02那一天的數(shù)據(jù)

INSERT OVERWRITE TABLE dws.user_his
SELECT * FROM
(
    SELECT A.user_num,
           A.mobile,
           A.reg_date,
           A.t_start_time,
           CASE
                WHEN A.t_end_time = '9999-12-31' AND B.user_num IS NOT NULL THEN '2017-01-01'
                ELSE A.t_end_time
           END AS t_end_time
    FROM dws.user_his AS A
    LEFT JOIN ods.user_update AS B
    ON A.user_num = B.user_num
UNION
    SELECT C.user_num,
           C.mobile,
           C.reg_date,
           '2017-01-02' AS t_start_time,
           '9999-12-31' AS t_end_time
    FROM ods.user_update AS C
) AS T

[歷史拉鏈表的更新方法][1]

補充

拉鏈表和流水表

流水表存放的是一個用戶的變更記錄飒筑，比如在一張流水表中片吊，一天的數(shù)據(jù)中，會存放一個用戶的每條修改記錄协屡，但是在拉鏈表中只有一條記錄俏脊。
這是拉鏈表設(shè)計時需要注意的一個粒度問題。我們當(dāng)然也可以設(shè)置的粒度更小一些肤晓，一般按天就足夠爷贫。

查詢性能

鏈表當(dāng)然也會遇到查詢性能的問題，比如說我們存放了5年的拉鏈數(shù)據(jù)补憾，那么這張表勢必會比較大漫萄，當(dāng)查詢的時候性能就比較低了，個人認(rèn)為兩個思路來解決：

1. 在一些查詢引擎中盈匾，我們對start_date和end_date做索引腾务，這樣能提高不少性能。
2. 保留部分歷史數(shù)據(jù)威酒，比如說我們一張表里面存放全量的拉鏈表數(shù)據(jù)窑睁，然后再對外暴露一張只提供近3個月數(shù)據(jù)的拉鏈表。