数据仓库-拉链表, 流水表, 全量表, 增量表, 切片表

数据仓库-拉链表,流水表,全量表,增量表

转载声明

本文大量内容系转载自以下文章,有删改,并参考其他文档资料加入了一些内容:

  • 数据仓库中的增量表,全量表,快照表,拉链表
    • 作者:北京小辉
    • 出处:csdn
  • 什么是全量表,增量表,快照表,拉链表?
    • 作者:泽米
    • 出处:csdn
  • 一文搞定数据仓库之拉链表,流水表,全量表,增量表
    • 作者:mtj66
    • 出处:csdn
  • 数据仓库中的全量表,增量表,拉链表,流水表及快照表
    • 作者:大数据私房菜
    • 出处:csdn

1 增量表

1.1 概念

数据仓库-拉链表, 流水表, 全量表, 增量表, 切片表_第1张图片
增量表:新增数据,增量数据是上次导出之后的新数据。比如说,从24号到25号新增了那些数据,改变了哪些数据,这些都会存储在增量表的25号分区里面。

  • 记录每次增加的量,而不是总量;
  • 增量表,只报变化量,无变化不用报
  • 每天一个分区

1.2 例子

数据仓库-拉链表, 流水表, 全量表, 增量表, 切片表_第2张图片
数据仓库-拉链表, 流水表, 全量表, 增量表, 切片表_第3张图片
注:因为数仓都是T+1的,所以7号的数据是8号加工出来的

加工逻辑:

  1. 根据修改时间,把修改时间等于昨天(即7号)的数据抽取到ods层wedw_ods.test_user_info_20200407中
  2. 找出20200406未修改的数据放入20200407分区中
    和数仓表wedw_dwd.test_user_info_di 分区date_id = ‘2020-04-06’通过主键用户id进行关联,先把wedw_dwd.test_user_info_di中存在且wedw_ods.test_user_info_20200407中不存在的数据插入到wedw_dwd.test_user_info_di分区date_id=2020-04-07中
  3. 最后把wedw_ods.test_user_info_20200407表的所有数据插入到wedw_dwd.test_user_info_di分区date_id=2020-04-07
insert overwrite table wedw_dwd.test_user_info_di PARTITION(date_id='2020-04-07') 
select
     a.user_id
    ,a.user_name
    ,a.user_age
    ,a.user_cellphone
    ,a.create_time
    ,a.update_time
from wedw_dwd.test_user_info_di a 
left join wedw_ods.test_user_info_20200407 b
    on  b.user_id=a.user_id
where a.date_id = '2020-04-06'
    and  b.user_id is null;
 
insert into table wedw_dwd.test_user_info_di PARTITION(date_id='2020-04-07')
select 
     coalesce(user_id'-99')                                          as user_id
    ,coalesce(user_name,'-99')                                       as user_name
    ,coalesce(user_age,0)                                            as user_age
    ,coalesce(user_cellphone,'-99')                                  as user_cellphone
    ,coalesce(create_time,cast('1700-01-01 00:00:00' as timestamp )) as create_time
    ,coalesce(update_time,cast('1700-01-01 00:00:00' as timestamp )) as update_time
from wedw_ods.test_user_info_20200407 b ;

--仅保留近7天的分区
alter table wedw_dwd.test_user_info_di drop if EXISTS partition(date_id='2020-03-31');

特殊增量表:da表,每天的分区就是当天的数据,其数据特点就是数据产生后就不会发生变化,如日志表

2 全量表

2.1 概念

数据仓库-拉链表, 流水表, 全量表, 增量表, 切片表_第4张图片
每天计算所有的数据,并覆盖写入全量表。

  • 全量表,有无变化,都要报
  • 每次上报的数据都是所有的数据(变化的 + 没有变化的)
  • 只有一个分区(或者说没有分区)
  • 每次往全量表里面写数据都会覆盖之前的数据,所以全量表不能记录数据历史变化,只有截止到当前最新的、全量的数据。

2.2 小结

缺点:

  • 无法反映数据历史变化,只有截止到当天(t+1)最新的、全量的数据。

2.3 例子

数据仓库-拉链表, 流水表, 全量表, 增量表, 切片表_第5张图片

3 快照表

数据仓库-拉链表, 流水表, 全量表, 增量表, 切片表_第6张图片
既然全量表无法反映历史,那么要能查到历史数据情况又该怎么办呢?这个时候快照表就派上用途了

按日分区,记录截止数据日期的全量数据(每个分区里面的数据都是分区时间对应的前一天的所有全量数据,t+1)

  • 快照表,有无变化,都要报
  • 每次上报的数据都是所有的数据(变化的 + 没有变化的)
    每个分区里面的数据都是分区时间对应的前一天的所有全量数据,比如说当前数据表有3个分区,24号,25号,26号。其中,24号分区里面的数据就是从历史到23号的所有数据,25号分区里面的数据就是从历史到24号的所有数据,以此类推。
  • 一天一个分区

快照表的25号分区和24号分区(都是t+1,实际时间分别对应26号和25号)的数据相减就是实际时间25号到26号有变化的、增加的数据,也就相当于增量表里面25号分区的数据。

缺点:

  • 数据量大的时候,其实每个分区都存储了许多重复的数据,非常的浪费存储空间。

4 拉链表

4.1 概念

数据仓库-拉链表, 流水表, 全量表, 增量表, 切片表_第7张图片
拉链表目的是解决快照表数据冗余问题,还能维护数据历史状态和最新状态。拉链表根据拉链粒度的不同,实际上相当于快照,只不过做了优化,去除了一部分不变的记录而已,通过拉链表可以很方便的还原出拉链时点的客户记录。

拉链表记录截止数据日期的全量数据

  • 记录一个事物从开始,一直到当前状态的所有变化的信息;

  • 拉链表每次上报的都是历史记录的最终状态,是记录在当前时刻的历史总量;

  • 当前记录存的是当前时间之前的所有历史记录的最后变化量(总量);

  • 一般只有一个分区
    也可以有分区表,有些不变的数据或者是已经达到状态终点的数据就会放在分区里面,分区字段一般为开始时间:start_date和结束时间:end_date。一般在该天有效的数据,它的end_date是大于等于该天的日期的。

    获取某一天全量的数据,可以通过表中的start_date和end_date来做筛选,选出固定某一天的数据。例如我想取截止到20190813的全量数据,其where过滤条件就是where start_date<=‘20190813’ and end_date>=20190813。

具体实现请查看:https://blog.csdn.net/silentwolfyh/article/details/89361785

4.2 小结

适用情况:

  1. 数据量比较大
  2. 表中的部分字段会被更新
  3. 需要查看某一个时间点或者时间段的历史快照信息
    • 查看某一个订单在历史某一个时间点的状态
    • 某一个用户在过去某一段时间,下单次数
  4. 更新的比例和频率不是很大
    如果表中信息变化不是很大,每天都保留一份全量,那么每次全量中会保存很多不变的信息,对存储是极大的浪费。此时可以用拉链表。

优点

  • 满足反应数据的历史状态
  • 最大程度节省存储

4.3 例子

数据仓库-拉链表, 流水表, 全量表, 增量表, 切片表_第8张图片
数据仓库-拉链表, 流水表, 全量表, 增量表, 切片表_第9张图片
增加两个字段:

  • start_time
    表示该条记录的生命周期开始时间——周期快照时的状态

  • end_time
    该条记录的生命周期结束时间

    end_time= ‘9999-12-31’ 表示该条记录目前处于有效状态

查询4月8日的所有有效的记录:

select * from wedw_dwd.test_user_info_dz where date_id =2020-04-08and end_time =9999-12-31;

结果如下数据仓库-拉链表, 流水表, 全量表, 增量表, 切片表_第10张图片
查询2020-04-07的历史快照:

select * from wedw_dwd.test_user_info_dz where date_id =2020-04-08and start_time <=2020-04-07and end_time >=2020-04-07;

结果如下:
数据仓库-拉链表, 流水表, 全量表, 增量表, 切片表_第11张图片
加工逻辑:

注:第一次加工的时候需要初始化所有数据,start_time设置为数据日期2020-04-06 ,end_time设置为9999-12-31

--分桶
set hive.enforce.bucketing=FALSE;
 
--分区
set hive.exec.dynamic.partition=FALSE;
set hive.exec.dynamic.partition.mode=nostrick;
set hive.exec.compress.output=true;
set mapred.output.compress=true;
set mapred.output.compression.type=BLOCK;
set mapred.output.compression.codec=org.apache.hadoop.io.compress.SnappyCodec;
 
alter table wedw_dwd.test_user_info_dz drop if EXISTS PARTITION(date_id='${HIVE_DATA_DATE}');
-- wedw_dwd.test_user_info_dz 存在, wedw_ods.test_user_info_${DATA_DATE} 不存在的 
--或者都存在的闭链的 插入到 wedw_dwd.test_user_info_dz 下一个分区
insert overwrite table wedw_dwd.test_user_info_dz PARTITION(date_id='${HIVE_DATA_DATE}')
select 
     a.user_id
    ,a.user_name
    ,a.user_age
    ,a.user_cellphone
    ,a.create_time
    ,a.update_time
    ,a.start_time
    ,a.end_time
from wedw_dwd.test_user_info_dz a 
left join wedw_ods.test_user_info_${DATA_DATE} b on b.user_id=a.user_id and b.create_time < '${HIVE_DATA_DATE+1}'   
where a.date_id = '${HIVE_DATA_DATE-1}' 
and (b.user_id is null   
    or (b.user_id is not null and a.end_time <='${HIVE_DATA_DATE-1}')
  )
;
 
-- 把wedw_dwd.test_user_info_dz, wedw_ods.test_user_info_${DATA_DATE} 都存在的开链的 全部闭链  插入到 wedw_dwd.test_user_info_dz 下一个分区
insert into table wedw_dwd.test_user_info_dz PARTITION(date_id='${HIVE_DATA_DATE}')
select 
     a.user_id
    ,a.user_name
    ,a.user_age
    ,a.user_cellphone
    ,a.create_time
    ,a.update_time
    ,a.start_time
    ,'${HIVE_DATA_DATE-1}' end_time
from wedw_dwd.test_user_info_dz a 
inner join wedw_ods.test_user_info_${DATA_DATE} b on b.user_id=a.user_id and b.create_time < '${HIVE_DATA_DATE+1}'
where a.date_id = '${HIVE_DATA_DATE-1}'
and a.end_time >'${HIVE_DATA_DATE-1}'
;
 
-- 把wedw_ods.test_user_info_${DATA_DATE}, 插入到 wedw_dwd.test_user_info_dz 下一个分区
insert into table wedw_dwd.test_user_info_dz PARTITION(date_id='${HIVE_DATA_DATE}')
select
     a.user_id
    ,a.user_name
    ,a.user_age
    ,a.user_cellphone
    ,a.create_time
    ,a.update_time
    ,'${HIVE_DATA_DATE}' start_time,
    ,'9999-12-31' end_time
from wedw_ods.test_user_info_${DATA_DATE} b
where b.create_time < '${HIVE_DATA_DATE+1}';
 
--仅保留近7天的数据
alter table wedw_dwd.test_user_info_dz drop if EXISTS partition(date_id='${HIVE_DATA_DATE-7}');

5 流水表

5.1 概念

对于表的每一个修改都会记录,可以用于反映实际记录的变更。

5.2 流水表与拉链表区别

  • 拉链表通常是对账户信息的历史变动进行处理保留的结果,流水表是每天的交易形成的历史;
  • 流水表用于统计业务相关情况,拉链表用于统计账户及客户的情况

6 切片表

切片表根据基础表,往往只反映某一个维度的相应数据。其表结构与基础表结构相同,但数据往往只有某一维度,或者某一个事实条件的数据

你可能感兴趣的:(数据仓库)