拉链表的原理及简单实现

数新网络官网已全新上线，欢迎点击访问

www.datacyber.com 数新网络_让每个人享受数据的价值

1 什么是拉链表

拉链表是针对数据仓库设计中表存储数据的方式而定义的，顾名思义，所谓拉链，就是记录历史。记录一个事物从开始，一直到当前状态的所有变化的信息。
比如下面的表：

上面就是一个简单的拉链表，记录了每个用户随着时间的变化其等级的变动情况。

2 拉链表的使用场景

在数据仓库的数据模型设计过程中，经常会遇到下面这种表的设计：

• 有一些表的数据量很大，比如一张用户表，大约10亿条记录，50个字段，这种表，即使使用ORC压缩，单张表的存储也会超过100G，在HDFS使用双备份或者三备份的话就更大一些。

• 表中的部分字段会被update更新操作，如用户联系方式，产品的描述信息，订单的状态等等。

• 需要查看某一个时间点或者时间段的历史快照信息，比如，查看某一个订单在历史某一个时间点的状态。

• 表中的记录变化的比例和频率不是很大，比如，总共有10亿的用户，每天新增和发生变化的有200万左右，变化的比例占的很小。

3 拉链表的实现

创建2020-5-1的数据 

CREATE TABLE IF NOT EXISTS link_first(    user_id BIGINT     ,name  STRING   ,level   STRING    ,time  STRING    )COMMENT "link_first";
insert into link_first values (1,'甲','A','2020-05-01'),(2,'乙','B','2020-05-01');
SELECT * from link_first

数据如下：

创建2020-5-2的数据 

CREATE TABLE IF NOT EXISTS link_second(   user_id BIGINT    ,name  STRING  ,level   STRING   ,time  STRING    )COMMENT "link_second";
insert into link_second values (1,'甲','A','2020-05-02'),(2,'乙','A','2020-05-02'),(3,'丙','B','2020-05-02');
SELECT * from link_second

数据如下：

创建历史表存储5月1日数据，并对格式进行整理 

CREATE TABLE IF NOT EXISTS level_his(    user_id BIGINT     ,name  STRING   ,level   STRING    ,start_time  STRING     ,end_time  STRING  )COMMENT "level_his";
INSERT OVERWRITE TABLE level_his
SELECT *FROM (    SELECT DISTINCT(user_id),name,level,'2020-05-01' as start_time,'9999-12-31' as end_time    FROM link_first    --WHERE id !='')t SELECT * from level_his;

数据如下：

创建变动表，找到5月2日表里面变动和新增的 

CREATE TABLE IF NOT EXISTS level_update(    user_id BIGINT    ,name  STRING   ,level   STRING    ,time  STRING    )COMMENT 'level_update';
INSERT OVERWRITE TABLE level_updateSELECT * FROM (SELECT a.*FROM     (SELECT DISTINCT(user_id),name,level,time FROM link_second )a    LEFT OUTER JOIN     (SELECT DISTINCT(user_id),name,level,time  FROM link_first )b ON     a.user_id = b.user_idWHERE a.level!=b.levelOR b.level IS NULL 
)t;SELECT * from level_update;

数据如下：

最终结果 

• level_his为基础表

• 把变动表的数据插入到level_his里面，并修改时间

INSERT OVERWRITE TABLE level_hisSELECT  *FROM(    SELECT a.user_id     , a.name    , a.level    , a.start_time    ,(CASE     WHEN a.end_time='9999-12-31' AND b.user_id IS NOT NULL THEN '2020-05-02' --在变动表中出现的，需要把时间改为5月2日(如果是实时表，就是最新时间)        ELSE a.end_time         END) AS  end_time    FROM level_his a    LEFT JOIN  level_update b  ON a.user_id = b.user_id
UNION SELECT  c.user_id        ,c.name        ,c.level        ,'2020-05-02' as start_time        ,'9999-12-31' as end_time --变动表里面的数据需要把start_time改成5月2日(如果是实时表，就是最新时间)；end_time改成'9999-12-31'FROM level_update  c )t;
SELECT * from level_his ORDER BY user_id;

然后就可以得到最终的结果了

数据如下：

最后就可以得到我们文章开头提到的表格了。