利用Hive实现数据仓库中的拉链表

发表于 2020-2-29 14:51:57

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

本帖最后由 168主编于 2020-2-29 14:55 编辑

拉链表介绍
适用场景
实现思路
拉链表示例
查询拉链表最新分区
查询最新有效数据
查询20180103的历史快照数据
准备数据
创建Hive表
添加分区
上传文件
查看数据
数据说明
生成拉链表
建立Hive表
初始化第一个分区
查看拉链表第一个分区
拉链表更新
添加20180104的数据
合并增量数据
查看拉链表的新分区

拉链表介绍

在数据分析中，有时会需要维护一些历史状态，比如订单状态变化、评分变化等，为了保存下来这些状态变化的路径，可以通过拉链表实现

适用场景

数据量比较大，但业务要求每次需要查询全量历史，每天存储一份全量数据太占用存储空间
记录变更不大，比如只有状态和更新时间有变动，其它字段都不变

实现思路

通过在记录末尾增加start_date和end_date字段来实现
同一ID按时间排序后，如果有较新的记录，则当前记录的end_date等于较新记录的start_date-1，如果没有较新的记录，则当前记录的end_date等于一个默认值，比如99991231

拉链表示例
查询拉链表最新分区
SELECT * from tmp_order_detail t WHERE dt = '20180104'

查询最新有效数据
SELECT * from tmp_order_detail t WHERE dt = '20180104' AND t.end_date = '99991231'

	t.order_id	t.order_time	t.user_id	t.order_status	t.start_date	t.end_date	t.dt
1	05	2018-01-01 07:10:31	86A08095B2	已完成	20180104	99991231	20180104
2	C3	2018-01-02 17:15:01	5FECEB66FF	待收货	20180104	99991231	20180104
3	EF	2018-01-01 18:41:00	BB89D486A3	已完成	20180104	99991231	20180104

查询20180103的历史快照数据
SELECT * from tmp_order_detail t WHERE dt = '20180104' AND t.start_date <='20180103' AND t.end_date >= '20180103'

	t.order_id	t.order_time	t.user_id	t.order_status	t.start_date	t.end_date	t.dt
1	05	2018-01-01 07:10:31	86A08095B2	待收货	20180103	20180103	20180104
2	C3	2018-01-02 17:15:01	5FECEB66FF	已支付	20180102	20180103	20180104
3	EF	2018-01-01 18:41:00	BB89D486A3	待收货	20180103	20180103	20180104

准备数据创建Hive表

[AppleScript] 纯文本查看 复制代码

CREATE EXTERNAL TABLE `tmp_order`(
`order_id` string COMMENT '订单ID',
`order_time` string COMMENT '下单时间',
`user_id` string COMMENT '用户ID',
`order_status` string COMMENT '订单状态')
PARTITIONED BY (
`dt` string)
ROW FORMAT DELIMITED
FIELDS TERMINATED BY '\t'
LINES TERMINATED BY '\n'
STORED AS TEXTFILE
LOCATION
'hdfs://ns1/tmp/order';

添加分区

[AppleScript] 纯文本查看 复制代码

ALTER TABLE tmp_order ADD IF NOT EXISTS partition(dt='20180101') LOCATION '20180101';
ALTER TABLE tmp_order ADD IF NOT EXISTS partition(dt='20180102') LOCATION '20180102';
ALTER TABLE tmp_order ADD IF NOT EXISTS partition(dt='20180103') LOCATION '20180103';

上传文件

按以下方式组织HDFS上的数据

[AppleScript] 纯文本查看 复制代码

[mapred@gateway2 ~]$ hdfs dfs -cat /tmp/order/20180101/20180101.txt
052018-01-01 07:10:3186A08095B2待支付20180101
EF2018-01-01 18:41:00BB89D486A3已支付20180101
[mapred@gateway2 ~]$ hdfs dfs -cat /tmp/order/20180102/20180102.txt
052018-01-01 07:10:3186A08095B2已支付20180102
C32018-01-02 17:15:015FECEB66FF已支付20180102
[mapred@gateway2 ~]$ hdfs dfs -cat /tmp/order/20180103/20180103.txt
052018-01-01 07:10:3186A08095B2待收货20180103
EF2018-01-01 18:41:00BB89D486A3待收货20180103

查看数据
SELECT * from tmp_order t WHERE dt BETWEEN '20180101' AND '20180103'

	t.order_id	t.order_time	t.user_id	t.order_status	t.dt
1	05	2018-01-01 07:10:31	86A08095B2	待支付	20180101
2	EF	2018-01-01 18:41:00	BB89D486A3	已支付	20180101
3	05	2018-01-01 07:10:31	86A08095B2	已支付	20180102
4	C3	2018-01-02 17:15:01	5FECEB66FF	已支付	20180102
5	05	2018-01-01 07:10:31	86A08095B2	待收货	20180103
6	EF	2018-01-01 18:41:00	BB89D486A3	待收货	20180103

数据说明

订单ID	下单时间	用户ID	订单状态	分区key
order_id	order_time	user_id	order_status	dt

假定订单变化状态为：待支付→已支付→待收货→已完成，方便查看记录的变化
分区为天级别，所以会丢失一天之内的状态变化信息，不过对于一般的需求分析而言，这也已经足够了

生成拉链表建立Hive表

[AppleScript] 纯文本查看 复制代码

CREATE EXTERNAL TABLE `tmp_order_detail`(
`order_id` string COMMENT '订单ID',
`order_time` string COMMENT '下单时间',
`user_id` string COMMENT '用户ID',
`order_status` string COMMENT '订单状态',
`start_date` string COMMENT '开始生效日期',
`end_date` string COMMENT '失效日期')
PARTITIONED BY (
`dt` string)
STORED AS PARQUET
LOCATION
'hdfs://ns1/tmp/order_detail';

初始化第一个分区

加载原始表所有数据，以分区key字段dt为开始生效日期
按start_date倒序排序后，取上一条记录的前一天为当前记录的失效日期
如果没有更新的记录，记失效日期为默认值99991231

[AppleScript] 纯文本查看 复制代码

INSERT OVERWRITE TABLE tmp_order_detail PARTITION (dt='20180103')
SELECT
order_id,order_time,user_id,order_status,dt AS start_date,
regexp_replace (
        split (
            LAG (
                date_add(
                    from_unixtime(
                        unix_timestamp(dt, 'yyyyMMdd')
                    ),
                    - 1
                ),
                1,
                '9999-12-31 00:00:00'
            ) OVER (
                PARTITION BY order_id
                ORDER BY
                    dt DESC
            ),
            ' '
        )[0], '-',
        ''
    ) AS end_date
FROM
tmp_order
WHERE dt BETWEEN '20180101' AND '20180103'

查看拉链表第一个分区
SELECT * from tmp_order_detail t WHERE dt='20180103'

	t.order_id	t.order_time	t.user_id	t.order_status	t.start_date	t.end_date	t.dt
1	05	2018-01-01 07:10:31	86A08095B2	待收货	20180103	99991231	20180103
2	05	2018-01-01 07:10:31	86A08095B2	已支付	20180102	20180102	20180103
3	05	2018-01-01 07:10:31	86A08095B2	待支付	20180101	20180101	20180103
4	C3	2018-01-02 17:15:01	5FECEB66FF	已支付	20180102	99991231	20180103
5	EF	2018-01-01 18:41:00	BB89D486A3	待收货	20180103	99991231	20180103
6	EF	2018-01-01 18:41:00	BB89D486A3	已支付	20180101	20180102	20180103

此处用到了Hive窗口函数LAG，关于该函数的使用可以参考《LAG用法》

此处使用LEAD函数也可以，不过需要更改排序方式

拉链表更新添加20180104的数据
ALTER TABLE tmp_order ADD IF NOT EXISTS partition(dt='20180104') LOCATION '20180104';

[AppleScript] 纯文本查看 复制代码

[mapred@gateway2 ~]$ hdfs dfs -cat /tmp/order/20180104/20180104.txt
052018-01-01 07:10:3186A08095B2已完成20180104
C32018-01-02 17:15:015FECEB66FF待收货20180104
EF2018-01-01 18:41:00BB89D486A3已完成20180104

合并增量数据

合并原始订单增量分区和拉链表前一个分区
按start_date倒序排序后，取上一条记录的前一天为当前记录的失效日期
如果没有更新的记录，记失效日期为默认值99991231

[AppleScript] 纯文本查看 复制代码

INSERT OVERWRITE TABLE tmp_order_detail PARTITION (dt='20180104') 
SELECT
    order_id,order_time,user_id,order_status,start_date,
    regexp_replace (
        split (
            LAG (
                date_add(
                    from_unixtime(
                        unix_timestamp(start_date, 'yyyyMMdd')
                    ),
                    - 1
                ),
                1,
                '9999-12-31 00:00:00'
            ) OVER (
                PARTITION BY order_id
                ORDER BY
                    start_date DESC
            ),
            ' '
        )[0], '-',
        ''
    ) AS end_date
FROM
(
    SELECT
    order_id,order_time,user_id,order_status,dt AS start_date
    FROM
      tmp_order
    WHERE dt = '20180104'
    UNION ALL
    SELECT
        order_id,order_time,user_id,order_status,start_date
    FROM
      tmp_order_detail
    WHERE dt = '20180103'
) tmp

查看拉链表的新分区
SELECT * from tmp_order_detail t WHERE dt='20180104'

	t.order_id	t.order_time	t.user_id	t.order_status	t.start_date	t.end_date	t.dt
1	05	2018-01-01 07:10:31	86A08095B2	已完成	20180104	99991231	20180104
2	05	2018-01-01 07:10:31	86A08095B2	待收货	20180103	20180103	20180104
3	05	2018-01-01 07:10:31	86A08095B2	已支付	20180102	20180102	20180104
4	05	2018-01-01 07:10:31	86A08095B2	待支付	20180101	20180101	20180104
5	C3	2018-01-02 17:15:01	5FECEB66FF	待收货	20180104	99991231	20180104
6	C3	2018-01-02 17:15:01	5FECEB66FF	已支付	20180102	20180103	20180104
7	EF	2018-01-01 18:41:00	BB89D486A3	已完成	20180104	99991231	20180104
8	EF	2018-01-01 18:41:00	BB89D486A3	待收货	20180103	20180103	20180104
9	EF	2018-01-01 18:41:00	BB89D486A3	已支付	20180101	20180102	20180104

帐号		自动登录	找回密码
密码			立即注册

利用Hive实现数据仓库中的拉链表

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

站长推荐 /1