拉链表的创建、查询和回滚
概述
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。此⽂参考本⽂中假设：
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；
初始化
假设我们有三天数据，【2015-08-20，2015-08-21，2015-08-22】。
数据流向：（原系统表）orders ==> （增量表）t_ods_orders_inc ==> （拉链表）t_dw_orders_his 建表脚本
-- 源系统中订单表
CREATE TABLE orders ( orderid INT,
createtime STRING, modifiedtime STRING, status STRING) stored AS textfile;
-- 订单的增量数据表，按天分区，存放每天的增量数据，保留半年左右CREATE TABLE t_ods_orders_inc ( orderid INT,
createtime STRING, modifiedtime STRING, status STRING
) PARTITIONED BY (day STRING)stored AS textfile;
-- 订单的历史数据拉链表
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;
数据初始化
-- 1. 源表orders，假设此表为21⽇状态insert into orders values
(1,'2015-08-18','2015-08-18','创建'),(2,'2015-08-18','2015-08-18','创建'),(3,'2015-08-19','2015-08-21','⽀付'),(4,'2015-08-19','2015-08-21','完成'),(5,'2015-08-19','2015-08-20','⽀付'),(6,'2015-08-20','2015-08-20','创建'),(7,'2015-08-20','2015-08-21','⽀付'),(8,'2015-08-21','2015-08-21','创建');
-- 2. 初始化ODS增量表-21⽇数据(全量初始化，将21号前的累加到此分区)INSERT overwrite TABLE t_ods_orders_inc PARTITION (day = '2015-08-21')SELECT orderid, createtime, modifiedtime, status
FROM orders
WHERE createtime <= '2015-08-21';
-- 3. 初始化ODS增量表-22⽇数据
insert overwrite table t_ods_orders_inc partition(day='2015-08-22')values
(1,'2015-08-18','2015-08-22','⽀付'),(2,'2015-08-18','2015-08-22','完成'),(6,'2015-08-20','2015-08-22','⽀付'),(8,'2015-08-21','2015-08-22','⽀付'),(9,'2015-08-22','2015-08-22','创建'),(10,'2015-08-22','2015-08-22','⽀付');
-- 4. 初始化ODS增量表-23⽇数据
insert overwrite table t_ods_orders_inc partition(day='2015-08-23')values
(1,'2015-08-18','2015-08-23','完成'),(3,'2015-08-19','2015-08-23','完成'),(5,'2015-08-19','2015-08-23','完成'),(8,'2015-08-21','2015-08-23','完成'),(11,'2015-08-23','2015-08-23','创建'),(12,'2015-08-23','2015-08-23','创建'),(13,'2015-08-23','2015-08-23','⽀付');
拉链表创建
假设
跑数时间 T= '${dt1}'
拉链表有开始⽇期（⽣效⽇期）和结束⽇期（失效⽇期，最新记录此列 = '9999-12-31'）
初始化
当21号跑数时，需要全量初始化拉链表，此时，拉链表就是21⽇的切⽚数据
-- 初始化拉链表,假设21号的就是原始数据INSERT overwrite TABLE t_dw_orders_hisSELECT orderid, createtime, modifiedtime, status,
createtime AS dw_start_date, '9999-12-31' AS dw_end_dateFROM t_ods_orders_incWHERE day = '2015-08-21';
增量更新
当22号跑数时，需要把要处理的所有数据分成两部分，处理思路为：
新增，22号增量数据，结束⽇期= '9999-12-31'更新，历史拉链表与增量表进⾏⽐对
当增量表中存在记录，开始⽇期=历史拉链表开始⽇期，结束⽇期= date_add('${dt1}',-1)当增量表中不存在此记录，代表不需要更新
具体操作
创建⼀张临时表保存⽐对的结果数据。
-- 22号增量数据进来后，与21号的状态数据(t_dw_orders_his)⽐对，更新拉链表-- ${dt1} = '2015-08-22'
DROP TABLE IF EXISTS t_dw_orders_his_tmp;CREATE TABLE t_dw_orders_his_tmp AS SELECT orderid, createtime, modifiedtime, status,
dw_start_date, dw_end_date FROM (
-- 22号前需更新状态的数据
SELECT a.orderid, a.createtime, a.modifiedtime, a.status,
a.dw_start_date,
CASE WHEN b.orderid IS NOT NULL AND a.dw_end_date = '9999-12-31' THEN date_add('${dt1}',-1) -- 把22号前有效的数据失效⽇期置为dt1的上⼀⽇ ELSE a.dw_end_date END AS dw_end_date FROM t_dw_orders_his a left join t_ods_orders_inc b ON a.orderid = b.orderid and b.day = '${dt1}' UNION ALL
-- 22号最新状态数据 SELECT orderid, createtime, modifiedtime, status,
modifiedtime AS dw_start_date, '9999-12-31' AS dw_end_date FROM t_ods_orders_inc WHERE day = '${dt1}' ) x
ORDER BY orderid,dw_start_date;-- 临时数据正式⼊库
INSERT overwrite TABLE t_dw_orders_hisSELECT * FROM t_dw_orders_his_tmp;
-- 23号数据⼊t_dw_orders_his表请重复上述22号的刷新步骤-- ${dt1} = '2015-08-23'-- ... ...
查询和使⽤场景
1. 查询拉链表最新状态数据
select * from t_dw_orders_his where dw_end_date='9999-12-31';
2.查询某⽇所有订单快照
--假设查询22号数据状态 --'${dt1}' = '2021-08-22'select *
from t_dw_orders_his
where dw_start_date<='${dt1}'and dw_end_date>='${dt1}';
回滚⽅法
⽅法
先把拉链表的数据分为三份，分别为 T-N、T、T+N 的数据，T是回滚⽇期。
那么我们假设，在23号发现数据有问题，需要回滚22号的数据，此时拉链表数据有三块。
其中：
对于结束⽇期为21号及之前的数据，【保留】，下图绿⾊对于22⽇有效的数据，【更新】，其数据⼜分两种
⼀种是结束⽇期是22⽇的，把结束⽇期 = '9999-12-31'即可，下图黄⾊
⼀种是22⽇前创建，22⽇后还有效的数据，把结束⽇期 = '9999-12-31'，下图蓝⾊对于22⽇后产⽣的数据，【删除】，下图红⾊
所以，拉链表的回滚过程的增删改就如下图所⽰：
具体操作
创建三个临时表，分别保存 T-N、T⽇的数据，最后合到⼀张结果表中。
-- 1. 绿⾊，保留
DROP TABLE t_dw_orders_his_tmp1;CREATE TABLE t_dw_orders_his_tmp1AS
SELECT orderid, createtime, modifiedtime, status,
dw_start_date, dw_end_dateFROM
t_dw_orders_hisWHERE
dw_end_date < '2015-08-22';
-- 2. 黄⾊，更新-当⽇⽣效的数据
DROP TABLE t_dw_orders_his_tmp2;CREATE TABLE t_dw_orders_his_tmp2 AS
SELECT orderid,
createtime, modifiedtime, status,
dw_start_date,
'9999-12-31' AS dw_end_date FROM
t_dw_orders_hisWHERE
dw_end_date = '2015-08-22';
-- 2. 蓝⾊，更新-22号前到22号后还⽣效的数据DROP TABLE t_dw_orders_his_tmp3;CREATE TABLE t_dw_orders_his_tmp3AS
SELECT orderid, createtime, modifiedtime, status,
dw_start_date,
'9999-12-31' dw_end_dateFROM
t_dw_orders_hisWHERE
dw_start_date <= '2015-08-22' AND dw_end_date > '2015-08-22';
-- 4. 数据插⼊到新表
CREATE TABLE t_dw_orders_his_newAS
select * from (
SELECT a.* ,'绿⾊，保留,号前的数据' FROM t_dw_orders_his_tmp1 a UNION ALL
SELECT b.*,'黄⾊，更新-当⽇⽣效的数据' FROM t_dw_orders_his_tmp2 b UNION ALL
SELECT c.*,'蓝⾊，更新-22号前到22号后还⽣效的数据' FROM t_dw_orders_his_tmp3 c ) a
ORDER BY a.orderid,a.dw_start_date;
总结
拉链表的出现是为了压缩存储和记录数，针对频繁更新的数据会很有效。但是回滚操作不⽅便，查询的时候也必须要指定时间才能正确取数，操作成本⾼，得权衡利弊后再确认是否合适⾃⼰使⽤。
