漫談數據倉庫之拉鏈表（原理、設計以及在Hive中的實現）
0x00 前言
本文將會談一談在數據倉庫中拉鏈表相關的內容，包括它的原理、設計、以及在我們大數據場景下的實現方式。
全文由下面幾個部分組成：
- 先分享一下拉鏈表的用途、什么是拉鏈表。
- 通過一些小的使用場景來對拉鏈表做近一步的闡釋，以及拉鏈表和常用的切片表的區別。
- 舉一個具體的應用場景，來設計并實現一份拉鏈表，***并通過一些例子說明如何使用我們設計的這張表(因為現在Hive的大規模使用，我們會以Hive場景下的設計為例)。
- 分析一下拉鏈表的優缺點，并對前面的提到的一些內容進行補充說明，比如說拉鏈表和流水表的區別。
0x01 什么是拉鏈表
拉鏈表是針對數據倉庫設計中表存儲數據的方式而定義的，顧名思義，所謂拉鏈，就是記錄歷史。記錄一個事物從開始，一直到當前狀態的所有變化的信息。
我們先看一個示例，這就是一張拉鏈表，存儲的是用戶的最基本信息以及每條記錄的生命周期。我們可以使用這張表拿到***的當天的***數據以及之前的歷史數據。
我們暫且不對這張表做細致的講解，后文會專門來闡述怎么來設計、實現和使用它。
拉鏈表的使用場景
在數據倉庫的數據模型設計過程中，經常會遇到下面這種表的設計：
- 有一些表的數據量很大，比如一張用戶表，大約10億條記錄，50個字段，這種表，即使使用ORC壓縮，單張表的存儲也會超過100G，在HDFS使用雙備份或者三備份的話就更大一些。
- 表中的部分字段會被update更新操作，如用戶聯系方式，產品的描述信息，訂單的狀態等等。
- 需要查看某一個時間點或者時間段的歷史快照信息，比如，查看某一個訂單在歷史某一個時間點的狀態。
- 表中的記錄變化的比例和頻率不是很大，比如，總共有10億的用戶，每天新增和發生變化的有200萬左右，變化的比例占的很小。
那么對于這種表我該如何設計呢?下面有幾種方案可選：
- 方案一：每天只留***的一份，比如我們每天用Sqoop抽取***的一份全量數據到Hive中。
- 方案二：每天保留一份全量的切片數據。
- 方案三：使用拉鏈表。
為什么使用拉鏈表
現在我們對前面提到的三種進行逐個的分析。
方案一
這種方案就不用多說了，實現起來很簡單，每天drop掉前一天的數據，重新抽一份***的。
優點很明顯，節省空間，一些普通的使用也很方便，不用在選擇表的時候加一個時間分區什么的。
缺點同樣明顯，沒有歷史數據，先翻翻舊賬只能通過其它方式，比如從流水表里面抽。
方案二
每天一份全量的切片是一種比較穩妥的方案，而且歷史數據也在。
缺點就是存儲空間占用量太大太大了，如果對這邊表每天都保留一份全量，那么每次全量中會保存很多不變的信息，對存儲是極大的浪費，這點我感觸還是很深的……
當然我們也可以做一些取舍，比如只保留近一個月的數據?但是，需求是無恥的，數據的生命周期不是我們能完全左右的。
拉鏈表
拉鏈表在使用上基本兼顧了我們的需求。
首先它在空間上做了一個取舍，雖說不像方案一那樣占用量那么小，但是它每日的增量可能只有方案二的千分之一甚至是萬分之一。
其實它能滿足方案二所能滿足的需求，既能獲取***的數據，也能添加篩選條件也獲取歷史的數據。
所以我們還是很有必要來使用拉鏈表的。
0x02 拉鏈表的設計和實現
如何設計一張拉鏈表
下面我們來舉個栗子詳細看一下拉鏈表。
我們先看一下在Mysql關系型數據庫里的user表中信息變化。
在2017-01-01這一天表中的數據是：
在2017-01-02這一天表中的數據是， 用戶002和004資料進行了修改，005是新增用戶：
在2017-01-03這一天表中的數據是， 用戶004和005資料進行了修改，006是新增用戶：
如果在數據倉庫中設計成歷史拉鏈表保存該表，則會有下面這樣一張表，這是***一天(即2017-01-03)的數據：
說明
- t_start_date表示該條記錄的生命周期開始時間，t_end_date表示該條記錄的生命周期結束時間。
- t_end_date = ‘9999-12-31’表示該條記錄目前處于有效狀態。
- 如果查詢當前所有有效的記錄，則select * from user where t_end_date = ‘9999-12-31’。
- 如果查詢2017-01-02的歷史快照，則select from user where t_start_date <= ‘2017-01-02’ and t_end_date >= ‘2017-01-02’。(*此處要好好理解，是拉鏈表比較重要的一塊。**)
在Hive中實現拉鏈表
在現在的大數據場景下，大部分的公司都會選擇以Hdfs和Hive為主的數據倉庫架構。目前的Hdfs版本來講，其文件系統中的文件是不能做改變的，也就是說Hive的表智能進行刪除和添加操作，而不能進行update。基于這個前提，我們來實現拉鏈表。
還是以上面的用戶表為例，我們要實現用戶的拉鏈表。在實現它之前，我們需要先確定一下我們有哪些數據源可以用。
- 我們需要一張ODS層的用戶全量表。至少需要用它來初始化。
- 每日的用戶更新表。
而且我們要確定拉鏈表的時間粒度，比如說拉鏈表每天只取一個狀態，也就是說如果一天有3個狀態變更，我們只取***一個狀態，這種天粒度的表其實已經能解決大部分的問題了。
另外，補充一下每日的用戶更新表該怎么獲取，據筆者的經驗，有3種方式拿到或者間接拿到每日的用戶增量，因為它比較重要，所以詳細說明：
- 我們可以監聽Mysql數據的變化，比如說用Canal，***合并每日的變化，獲取到***的一個狀態。
- 假設我們每天都會獲得一份切片數據，我們可以通過取兩天切片數據的不同來作為每日更新表，這種情況下我們可以對所有的字段先進行concat，再取md5，這樣就ok了。
- 流水表!有每日的變更流水表。
ods層的user表
現在我們來看一下我們ods層的用戶資料切片表的結構：
- CREATE EXTERNAL TABLE ods.user (
- user_num STRING COMMENT '用戶編號',
- mobile STRING COMMENT '手機號碼',
- reg_date STRING COMMENT '注冊日期'
- COMMENT '用戶資料表'
- PARTITIONED BY (dt string)
- ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' LINES TERMINATED BY '\n'
- STORED AS ORC
- LOCATION '/ods/user';
- )
ods層的user_update表
然后我們還需要一張用戶每日更新表，前面已經分析過該如果得到這張表，現在我們假設它已經存在。
- CREATE EXTERNAL TABLE ods.user_update (
- user_num STRING COMMENT '用戶編號',
- mobile STRING COMMENT '手機號碼',
- reg_date STRING COMMENT '注冊日期'
- COMMENT '每日用戶資料更新表'
- PARTITIONED BY (dt string)
- ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' LINES TERMINATED BY '\n'
- STORED AS ORC
- LOCATION '/ods/user_update';
- )
拉鏈表
現在我們創建一張拉鏈表：
- CREATE EXTERNAL TABLE dws.user_his (
- user_num STRING COMMENT '用戶編號',
- mobile STRING COMMENT '手機號碼',
- reg_date STRING COMMENT '用戶編號',
- t_start_date ,
- t_end_date
- COMMENT '用戶資料拉鏈表'
- ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' LINES TERMINATED BY '\n'
- STORED AS ORC
- LOCATION '/dws/user_his';
- )
實現sql語句
然后初始化的sql就不寫了，其實就相當于是拿一天的ods層用戶表過來就行，我們寫一下每日的更新語句。
現在我們假設我們已經已經初始化了2017-01-01的日期，然后需要更新2017-01-02那一天的數據，我們有了下面的Sql。
然后把兩個日期設置為變量就可以了。
- INSERT OVERWRITE TABLE dws.user_his
- SELECT * FROM
- (
- SELECT A.user_num,
- A.mobile,
- A.reg_date,
- A.t_start_time,
- CASE
- WHEN A.t_end_time = '9999-12-31' AND B.user_num IS NOT NULL THEN '2017-01-01'
- ELSE A.t_end_time
- END AS t_end_time
- FROM dws.user_his AS A
- LEFT JOIN ods.user_update AS B
- ON A.user_num = B.user_num
- UNION
- SELECT C.user_num,
- C.mobile,
- C.reg_date,
- '2017-01-02' AS t_start_time,
- '9999-12-31' AS t_end_time
- FROM ods.user_update AS C
- ) AS T
0x03 補充
好了，我們分析了拉鏈表的原理、設計思路、并且在Hive環境下實現了一份拉鏈表，下面對拉鏈表做一些小的補充。
拉鏈表和流水表
流水表存放的是一個用戶的變更記錄，比如在一張流水表中，一天的數據中，會存放一個用戶的每條修改記錄，但是在拉鏈表中只有一條記錄。
這是拉鏈表設計時需要注意的一個粒度問題。我們當然也可以設置的粒度更小一些，一般按天就足夠。
查詢性能
拉鏈表當然也會遇到查詢性能的問題，比如說我們存放了5年的拉鏈數據，那么這張表勢必會比較大，當查詢的時候性能就比較低了，個人認為兩個思路來解決：
- 在一些查詢引擎中，我們對start_date和end_date做索引，這樣能提高不少性能。
- 保留部分歷史數據，比如說我們一張表里面存放全量的拉鏈表數據，然后再對外暴露一張只提供近3個月數據的拉鏈表。
0xFF 總結
我們在這篇文章里面詳細地分享了一下和拉鏈表相關的知識點，但是仍然會有一會遺漏。歡迎交流。
在后面的使用中又有了一些心得，補充進來：
- 使用拉鏈表的時候可以不加t_end_date，即失效日期，但是加上之后，能優化很多查詢。
- 可以加上當前行狀態標識，能快速定位到當前狀態。
- 在拉鏈表的設計中可以加一些內容，因為我們每天保存一個狀態，如果我們在這個狀態里面加一個字段，比如如當天修改次數，那么拉鏈表的作用就會更大。
