数据仓库中历史拉链表的更新方法

转自：http://lxw1234.com/archives/2015/08/473.htm

在之前介绍过数据仓库中的历史拉链表《数据仓库数据模型之：极限存储–历史拉链表》，

使用这种方式即可以记录历史，而且最大程度的节省存储。这里简单介绍一下这种历史拉链表的更新方法。

本文中假设：

1. 数据仓库中订单历史表的刷新频率为一天，当天更新前一天的增量数据；
2. 如果一个订单在一天内有多次状态变化，则只会记录最后一个状态的历史；
3. 订单状态包括三个：创建、支付、完成；
4. 创建时间和修改时间只取到天，如果源订单表中没有状态修改时间，那么抽取增量就比较麻烦，需要有个机制来确保能抽取到每天的增量数据；
5. 本文中的表和SQL都使用Hive的HQL语法；
6. 源系统中订单表结构为：

CREATE TABLE orders (
orderid INT,
createtime STRING,
modifiedtime STRING,
status STRING
) stored AS textfile;

7.在数据仓库的ODS层，有一张订单的增量数据表，按天分区，存放每天的增量数据：

CREATE TABLE t_ods_orders_inc (
orderid INT,
createtime STRING,
modifiedtime STRING,
status STRING
) PARTITIONED BY (day STRING)
stored AS textfile;

8. 在数据仓库的DW层，有一张订单的历史数据拉链表，存放订单的历史状态数据：

CREATE TABLE t_dw_orders_his (
orderid INT,
createtime STRING,
modifiedtime STRING,
status STRING,
dw_start_date STRING,
dw_end_date STRING
) stored AS textfile;

9. 暂未考虑Hive上表的查询性能问题，只实现功能；

---

10. 2015-08-21至2015-08-23，每天原系统订单表的数据如下，红色标出的为当天发生变化的订单，即增量数据：

全量初始化

在数据从源业务系统每天正常抽取和刷新到DW订单历史表之前，需要做一次全量的初始化，就是从源订单表中昨天以前的数据全部抽取到ODW，并刷新到DW。

以上面的数据为例，比如在2015-08-21这天做全量初始化，那么我需要将包括2015-08-20之前的所有的数据都抽取并刷新到DW：

第一步，抽取全量数据到ODS：
INSERT overwrite TABLE t_ods_orders_inc PARTITION (day = ‘2015-08-20′)
SELECT orderid,createtime,modifiedtime,status
FROM orders
WHERE createtime <= ‘2015-08-20′;

第二步，从ODS刷新到DW：
INSERT overwrite TABLE t_dw_orders_his
SELECT orderid,createtime,modifiedtime,status,
createtime AS dw_start_date,
‘9999-12-31′ AS dw_end_date
FROM t_ods_orders_inc
WHERE day = ‘2015-08-20′;

完成后，DW订单历史表中数据如下：

1. spark-sql> select * from t_dw_orders_his;
2. 1 2015-08-18 2015-08-18 创建 2015-08-18 9999-12-31
3. 2 2015-08-18 2015-08-18 创建 2015-08-18 9999-12-31
4. 3 2015-08-19 2015-08-21 支付 2015-08-19 9999-12-31
5. 4 2015-08-19 2015-08-21 完成 2015-08-19 9999-12-31
6. 5 2015-08-19 2015-08-20 支付 2015-08-19 9999-12-31
7. 6 2015-08-20 2015-08-20 创建 2015-08-20 9999-12-31
8. 7 2015-08-20 2015-08-21 支付 2015-08-20 9999-12-31
9. Time taken: 2.296 seconds, Fetched 7 row(s)

---

增量抽取

每天，从源系统订单表中，将前一天的增量数据抽取到ODS层的增量数据表。
这里的增量需要通过订单表中的创建时间和修改时间来确定：
INSERT overwrite TABLE t_ods_orders_inc PARTITION (day = ‘${day}‘)
SELECT orderid,createtime,modifiedtime,status
FROM orders
WHERE createtime = ‘${day}’ OR modifiedtime = ‘${day}';

注意：在ODS层按天分区的增量表，最好保留一段时间的数据，比如半年，为了防止某一天的数据有问题而回滚重做数据。

增量刷新历史数据

从2015-08-22开始，需要每天正常刷新前一天（2015-08-21）的增量数据到历史表。

第一步，通过增量抽取，将2015-08-21的数据抽取到ODS：
INSERT overwrite TABLE t_ods_orders_inc PARTITION (day = ‘2015-08-21′)
SELECT orderid,createtime,modifiedtime,status
FROM orders
WHERE createtime = ‘2015-08-21′ OR modifiedtime = ‘2015-08-21′;

ODS增量表中2015-08-21的数据如下：

1. spark-sql> select * from t_ods_orders_inc where day = '2015-08-21';
2. 3 2015-08-19 2015-08-21 支付 2015-08-21
3. 4 2015-08-19 2015-08-21 完成 2015-08-21
4. 7 2015-08-20 2015-08-21 支付 2015-08-21
5. 8 2015-08-21 2015-08-21 创建 2015-08-21
6. Time taken: 0.437 seconds, Fetched 4 row(s)

第二步，通过DW历史数据(数据日期为2015-08-20)，和ODS增量数据(2015-08-21)，刷新历史表：

先把数据放到一张临时表中：

1. DROP TABLE IF EXISTS t_dw_orders_his_tmp;
2. CREATE TABLE t_dw_orders_his_tmp AS
3. SELECT orderid,
4. createtime,
5. modifiedtime,
6. status,
7. dw_start_date,
8. dw_end_date
9. FROM (
10. SELECT a.orderid,
11. a.createtime,
12. a.modifiedtime,
13. a.status,
14. a.dw_start_date,
15. CASE WHEN b.orderid IS NOT NULL AND a.dw_end_date > '2015-08-21' THEN '2015-08-20' ELSE a.dw_end_date END AS dw_end_date
16. FROM t_dw_orders_his a
17. left outer join (SELECT * FROM t_ods_orders_inc WHERE day = '2015-08-21') b
18. ON (a.orderid = b.orderid)
19. UNION ALL
20. SELECT orderid,
21. createtime,
22. modifiedtime,
23. status,
24. modifiedtime AS dw_start_date,
25. '9999-12-31' AS dw_end_date
26. FROM t_ods_orders_inc
27. WHERE day = '2015-08-21'
28. ) x
29. ORDER BY orderid,dw_start_date;

其中：
UNION ALL的两个结果集中，第一个是用历史表left outer join 日期为 ${yyy-MM-dd} 的增量，能关联上的，并且dw_end_date > ${yyy-MM-dd}，说明状态有变化，则把原来的dw_end_date置为(${yyy-MM-dd} – 1), 关联不上的，说明状态无变化，dw_end_date无变化。
第二个结果集是直接将增量数据插入历史表。

最后把临时表中数据插入历史表：
INSERT overwrite TABLE t_dw_orders_his
SELECT * FROM t_dw_orders_his_tmp;

---

刷新完后，历史表中数据如下：

1. spark-sql> select * from t_dw_orders_his order by orderid,dw_start_date;
2. 1 2015-08-18 2015-08-18 创建 2015-08-18 9999-12-31
3. 2 2015-08-18 2015-08-18 创建 2015-08-18 9999-12-31
4. 3 2015-08-19 2015-08-21 支付 2015-08-19 2015-08-20
5. 3 2015-08-19 2015-08-21 支付 2015-08-21 9999-12-31
6. 4 2015-08-19 2015-08-21 完成 2015-08-19 2015-08-20
7. 4 2015-08-19 2015-08-21 完成 2015-08-21 9999-12-31
8. 5 2015-08-19 2015-08-20 支付 2015-08-19 9999-12-31
9. 6 2015-08-20 2015-08-20 创建 2015-08-20 9999-12-31
10. 7 2015-08-20 2015-08-21 支付 2015-08-20 2015-08-20
11. 7 2015-08-20 2015-08-21 支付 2015-08-21 9999-12-31
12. 8 2015-08-21 2015-08-21 创建 2015-08-21 9999-12-31
13. Time taken: 0.717 seconds, Fetched 11 row(s)
14.  

由于在2015-08-21做了8月20日以前的数据全量初始化，而订单3、4、7在2015-08-21的增量数据中也存在，因此都有两条记录，但不影响后面的查询。

再看将2015-08-22的增量数据刷新到历史表：

1. INSERT overwrite TABLE t_ods_orders_inc PARTITION (day = '2015-08-22')
2. SELECT orderid,createtime,modifiedtime,status
3. FROM orders
4. WHERE createtime = '2015-08-22' OR modifiedtime = '2015-08-22';
5.  
6. DROP TABLE IF EXISTS t_dw_orders_his_tmp;
7. CREATE TABLE t_dw_orders_his_tmp AS
8. SELECT orderid,
9. createtime,
10. modifiedtime,
11. status,
12. dw_start_date,
13. dw_end_date
14. FROM (
15. SELECT a.orderid,
16. a.createtime,
17. a.modifiedtime,
18. a.status,
19. a.dw_start_date,
20. CASE WHEN b.orderid IS NOT NULL AND a.dw_end_date > '2015-08-22' THEN '2015-08-21' ELSE a.dw_end_date END AS dw_end_date
21. FROM t_dw_orders_his a
22. left outer join (SELECT * FROM t_ods_orders_inc WHERE day = '2015-08-22') b
23. ON (a.orderid = b.orderid)
24. UNION ALL
25. SELECT orderid,
26. createtime,
27. modifiedtime,
28. status,
29. modifiedtime AS dw_start_date,
30. '9999-12-31' AS dw_end_date
31. FROM t_ods_orders_inc
32. WHERE day = '2015-08-22'
33. ) x
34. ORDER BY orderid,dw_start_date;
35.  
36.  
37. INSERT overwrite TABLE t_dw_orders_his
38. SELECT * FROM t_dw_orders_his_tmp;
39.  

刷新完后历史表数据如下：

1. spark-sql> select * from t_dw_orders_his order by orderid,dw_start_date;
2. 1 2015-08-18 2015-08-18 创建 2015-08-18 2015-08-21
3. 1 2015-08-18 2015-08-22 支付 2015-08-22 9999-12-31
4. 2 2015-08-18 2015-08-18 创建 2015-08-18 2015-08-21
5. 2 2015-08-18 2015-08-22 完成 2015-08-22 9999-12-31
6. 3 2015-08-19 2015-08-21 支付 2015-08-19 2015-08-20
7. 3 2015-08-19 2015-08-21 支付 2015-08-21 9999-12-31
8. 4 2015-08-19 2015-08-21 完成 2015-08-19 2015-08-20
9. 4 2015-08-19 2015-08-21 完成 2015-08-21 9999-12-31
10. 5 2015-08-19 2015-08-20 支付 2015-08-19 9999-12-31
11. 6 2015-08-20 2015-08-20 创建 2015-08-20 2015-08-21
12. 6 2015-08-20 2015-08-22 支付 2015-08-22 9999-12-31
13. 7 2015-08-20 2015-08-21 支付 2015-08-20 2015-08-20
14. 7 2015-08-20 2015-08-21 支付 2015-08-21 9999-12-31
15. 8 2015-08-21 2015-08-21 创建 2015-08-21 2015-08-21
16. 8 2015-08-21 2015-08-22 支付 2015-08-22 9999-12-31
17. 9 2015-08-22 2015-08-22 创建 2015-08-22 9999-12-31
18. 10 2015-08-22 2015-08-22 支付 2015-08-22 9999-12-31
19. Time taken: 0.66 seconds, Fetched 17 row(s)
20.  

---

查看2015-08-21的历史快照数据：

1. spark-sql> select * from t_dw_orders_his where dw_start_date <= '2015-08-21' and dw_end_date >= '2015-08-21';
2. 1 2015-08-18 2015-08-18 创建 2015-08-18 2015-08-21
3. 2 2015-08-18 2015-08-18 创建 2015-08-18 2015-08-21
4. 3 2015-08-19 2015-08-21 支付 2015-08-21 9999-12-31
5. 4 2015-08-19 2015-08-21 完成 2015-08-21 9999-12-31
6. 5 2015-08-19 2015-08-20 支付 2015-08-19 9999-12-31
7. 6 2015-08-20 2015-08-20 创建 2015-08-20 2015-08-21
8. 7 2015-08-20 2015-08-21 支付 2015-08-21 9999-12-31
9. 8 2015-08-21 2015-08-21 创建 2015-08-21 2015-08-21

订单1在2015-08-21的时候还处于创建的状态，在2015-08-22的时候状态变为支付。

再刷新2015-08-23的增量数据：

按照上面的方法刷新完后，历史表数据如下：

1. spark-sql> select * from t_dw_orders_his order by orderid,dw_start_date;
2. 1 2015-08-18 2015-08-18 创建 2015-08-18 2015-08-21
3. 1 2015-08-18 2015-08-22 支付 2015-08-22 2015-08-22
4. 1 2015-08-18 2015-08-23 完成 2015-08-23 9999-12-31
5. 2 2015-08-18 2015-08-18 创建 2015-08-18 2015-08-21
6. 2 2015-08-18 2015-08-22 完成 2015-08-22 9999-12-31
7. 3 2015-08-19 2015-08-21 支付 2015-08-19 2015-08-20
8. 3 2015-08-19 2015-08-21 支付 2015-08-21 2015-08-22
9. 3 2015-08-19 2015-08-23 完成 2015-08-23 9999-12-31
10. 4 2015-08-19 2015-08-21 完成 2015-08-19 2015-08-20
11. 4 2015-08-19 2015-08-21 完成 2015-08-21 9999-12-31
12. 5 2015-08-19 2015-08-20 支付 2015-08-19 2015-08-22
13. 5 2015-08-19 2015-08-23 完成 2015-08-23 9999-12-31
14. 6 2015-08-20 2015-08-20 创建 2015-08-20 2015-08-21
15. 6 2015-08-20 2015-08-22 支付 2015-08-22 9999-12-31
16. 7 2015-08-20 2015-08-21 支付 2015-08-20 2015-08-20
17. 7 2015-08-20 2015-08-21 支付 2015-08-21 9999-12-31
18. 8 2015-08-21 2015-08-21 创建 2015-08-21 2015-08-21
19. 8 2015-08-21 2015-08-22 支付 2015-08-22 2015-08-22
20. 8 2015-08-21 2015-08-23 完成 2015-08-23 9999-12-31
21. 9 2015-08-22 2015-08-22 创建 2015-08-22 9999-12-31
22. 10 2015-08-22 2015-08-22 支付 2015-08-22 9999-12-31
23. 11 2015-08-23 2015-08-23 创建 2015-08-23 9999-12-31
24. 12 2015-08-23 2015-08-23 创建 2015-08-23 9999-12-31
25. 13 2015-08-23 2015-08-23 支付 2015-08-23 9999-12-31

订单1从20号-23号，状态变化了三次，历史表中有三条记录。

1. //查看2015-08-22当天的历史快照，可以看出，和上面图中2015-08-22时候订单表中的数据是一样的
2. spark-sql> select * from t_dw_orders_his where dw_start_date <= '2015-08-22' and dw_end_date >= '2015-08-22';
3. 1 2015-08-18 2015-08-22 支付 2015-08-22 2015-08-22
4. 2 2015-08-18 2015-08-22 完成 2015-08-22 9999-12-31
5. 3 2015-08-19 2015-08-21 支付 2015-08-21 2015-08-22
6. 4 2015-08-19 2015-08-21 完成 2015-08-21 9999-12-31
7. 5 2015-08-19 2015-08-20 支付 2015-08-19 2015-08-22
8. 6 2015-08-20 2015-08-22 支付 2015-08-22 9999-12-31
9. 7 2015-08-20 2015-08-21 支付 2015-08-21 9999-12-31
10. 8 2015-08-21 2015-08-22 支付 2015-08-22 2015-08-22
11. 9 2015-08-22 2015-08-22 创建 2015-08-22 9999-12-31
12. 10 2015-08-22 2015-08-22 支付 2015-08-22 9999-12-31
13. Time taken: 0.328 seconds, Fetched 10 row(s)
14. //查看当前所有订单的最新状态
15. spark-sql> select * from t_dw_orders_his where dw_end_date = '9999-12-31';
16. 1 2015-08-18 2015-08-23 完成 2015-08-23 9999-12-31
17. 2 2015-08-18 2015-08-22 完成 2015-08-22 9999-12-31
18. 3 2015-08-19 2015-08-23 完成 2015-08-23 9999-12-31
19. 4 2015-08-19 2015-08-21 完成 2015-08-21 9999-12-31
20. 5 2015-08-19 2015-08-23 完成 2015-08-23 9999-12-31
21. 6 2015-08-20 2015-08-22 支付 2015-08-22 9999-12-31
22. 7 2015-08-20 2015-08-21 支付 2015-08-21 9999-12-31
23. 8 2015-08-21 2015-08-23 完成 2015-08-23 9999-12-31
24. 9 2015-08-22 2015-08-22 创建 2015-08-22 9999-12-31
25. 10 2015-08-22 2015-08-22 支付 2015-08-22 9999-12-31
26. 11 2015-08-23 2015-08-23 创建 2015-08-23 9999-12-31
27. 12 2015-08-23 2015-08-23 创建 2015-08-23 9999-12-31
28. 13 2015-08-23 2015-08-23 支付 2015-08-23 9999-12-31
29. Time taken: 0.293 seconds, Fetched 13 row(s)

实际业务中，有可能某一天的数据有问题，需要回滚或重做，这点有点麻烦，后续文章再介绍。