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：

​

编辑

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：

​

编辑

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：

​

编辑

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：

​

编辑

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：

​

编辑

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：

​

编辑

最后就可以得到我们文章开头提到的表格了。

​