DataStage系列教程（Slowly Changing Dimension）缓慢变化维

发表于 2015-12-21 16:29:39

马上注册，结交更多数据大咖，获取更多知识干货，轻松玩转大数据

您需要登录才可以下载或查看，没有帐号？立即注册

x

BI中维表的增量更新一般有2种：

Type 1：覆盖更改。记录的列值发生变化，直接update成最新记录。
Type 2：历史跟踪更改。记录值发生变化，将该记录置为失效，再insert一条新的记录。

这两种其实都可以通过sql的left join来实现，不过DataStage给我们提供一个组件，可以很好的实现这个功能，这就是slowly changing dimension。

1 缓慢变化维表示例

如图1所示，是一个常用的缓慢变化维，该表的进数逻辑为：

当记录新插入到改表时，STARTDATE是当前时间，ENDDATE为未来的某个时间或者为空，NOWSTATE为1；当业务数据反生修改时，维表中新增一条记录（与第一次插入时的逻辑一样），同时维表中业务主键（即CODE）相同的那条记录ENDDATE置为当前时间，NOWSTATE置为0。

图1 常用缓慢变化维示例

表DDL及说明如下：

CREATE TABLE D_EMPOLYEE ( ID INTEGER PRIMARY KEY, --物理主键，代理键，递增，唯一 CODE VARCHAR(20), --业务主键 NAME VARCHAR(20), --姓名 PLACE VARCHAR(20), --地址 STARTDATE DATE, --记录有效起始日期 ENDDATE DATE default '9999-12-31', --记录有效结束日期 NOWSTATE CHAR(1) --记录有效状态。1：有效；0：失效 );

有同学可能想，为什么要多一个ID列的代理键。这种做法还是有一些好处的：

节省空间：事实表只需要存维表的代理键，整型，一般都比逻辑键占用的空间少。
关联快：数值，一般来说，关联起来要比一大串字符快一些。
唯一确定记录：直接用该列关联就可以，不用再加状态或其他条件去唯一确定一条记录。

2 JOB示例

如图2，我们做出来的JOB最终是这个样子。

图2 JOB示例

大致分为以下几个部分：

业务数据：数据来源。可以是业务库中表，也可以BI库中同步来的ODS表等。其中包含了我们维度表的基本信息。
BI库维度表(比对)：BI库维度表，也是我们最终维度数据存储表。业务数据中包含的维度信息与它进行比较，确定记录是没有变化、修改了抑或是新增的。
slowly changing dimension stage：比较业务数据与维度表中数据。
BI维度表(目标)：比较的结果最终反应在该表。与【BI维度表(比对)】是同一个表。
选择性输出列：可以选择性的输出来自业务数据、BI库维度表(比对)、slowly changing dimension stage的部分列或所有列的数据。如果没有地方用到，可以不要该链接。

3 实现步骤3.1 业务数据源

实际项目中，这些数据最初来源于业务系统数据。现在我们用一个文件来模拟。文件内容如下：

# cat fact.txt code,name,place,salarye_01,xie,CS,10e_03,hei,BJ,9
3.2 BI库维表(比对)

从BI库读取维度数据，用于比对。该示例中表结构前文已给出。

3.3 BI库维表(目标)

和比对的维表是同一个表。需要注意2点：

设置主键。物理主键。该示例为ID
Write mode 设置为 Update then insert

3.4 Slowly Changing Dimension

双击打开组件，在最下边有一个【快速路径】，如图3。一共5步，我们一步一步设置好就可以了。

注意：如果该组件只有一个输出链接的话，步骤将简化为3步。这里我们来讲一下5步的如何配置，3步的都包括在内了。

图3 快速路径

3.4.1 选择输出链接

该链接输出后续步骤中选择的需要输出的一些列。3步的为空就行，5步的选择非维表的那个。

图4 步骤1（选择输出链接）

3.4.2 查找键以及列用途设置

把业务键从左侧拖动到右侧键表达式对应位置，完成查找键设置。

列用途常用的分为以下几种：

代理键（Surrogate Key）— 此列是维度表的主键，其中填充代理键的值。
业务键（Business Key）— 此列是维度表所表示的业务对象的标识符，但它不是维度表的主键。此列通常用作查找列，并对应于源数据的某个键或其他一些字段，用于标识相关业务对象。查找的作用是找出与源数据行对应的维度表行。
Type 2— 选中此列表示值的更改。如果值发生了变化，则对维度表执行历史跟踪更改。
Type 1— 选中此列表示值的更改。如果值发生了变化，则对维度表执行覆盖更改。
Current Indicator— 此列的作用相当于一个标记，它指示特定业务键的记录是最新的。
Effective Date— 此列用于指定指定某记录在何时成为了最新的记录，也就是成为活动（active）记录。
Expiration Date— 此列用于指定记录处于活动状态的结束日期。对于当前活动的记录，该值通常是某个未来的日期，或者为 NULL。
SK Chain— 此列用于存储特定业务键历史中的上一条或下一条代理键。
(blank) — 此列在 SCD 处理中没有任何作用。在插入新行时，此字段中的数据将被插入到表中，但不会检查此列中的源数据的更改。