Hive表类型及使用技巧-拉链表

拉链表

一、数据加工和维护

1. 概念：
   所谓拉链表就是记录一个事物从开始 一直到当前状态的所有变化信息；通过比较，记录数据的生命周期，能够快速还原任意天的历史快照，而非全量的每天记录所有数据，因此极大节省了存储。
   一般表名后面xxx_chain
2. 数据加工方式：
   （1）拉链表中一般会存在一个字段“start_date”表示该记录的起始时间，不代表创建时间，非业务时间。一把会存在"createtime"表示该条记录的创建时间。
   （2）分区：一般dp分区包含线上(‘ACTIVE’)、过期(‘EXPIRED’）其中ACTIVE表示当前线上状态。还会有end_date分区记录数据有效期的截止日期。dt分区表示记录加工的时间分区，因此end_date和dt一般相同。
   （3）有些情况，dp中还存在HISTORY分区，和生产系统对应。
   （4）dp='ACTIVE’每日都会保持与线上数据一致，其有效截止日期end_date一般会设置成一个较大的值，比如’4712-12-31’ 。
3. 举例：
   id=1记录发生了变化，而id=4是新增的记录。

EXPIRED分区只关注发生变化的记录，ACTIVE是最新的线上数据。

二、查询规则

1. 某一天历史快照，该天线上数据（历史上该天时的ACTIVE）

select * from xxx_chain where start_date<=MY_DATE and end_date>MY_DATE

2. 某天新生成的数据

select * from xxx_chain
where start_date>=MY_DATE and substr(createtime,1,10)=MY_DATE

为了减少数据量，可以限制分区end_date>=MY_DATE

3. 某段时间新生成的数据

select * from xxx_chain
where start_date>=MY_DATE1 and substr(createtime,1,10)>=MY_DATE1 and substr(createtime,1,10)<=MY_DATE2

为了减少数据量，可以限制分区end_date>=MY_DATE1

4. 线上最新数据

（1）与历史快照相同，当前的历史快照就是当前最新数据

select  from xxx_chain
where start_date<=MY_DATE and end_date>MY_DATE

（2）根据ACTIVE

 select  from xxx_chain
    where dp='ACTIVE'

（3）存在结转HISTORY分区

select  from xxx_chain
where dp in ( 'ACTIVE','HISTORY')