Hive---拉链表设计与实现

1 数据同步问题

Hive在实际工作中主要用于构建离线数据仓库，定期的从各种数据源中同步采集数据到Hive中，经过分层转换提供数据应用。比如每天需要从MySQL中同步最新的订单信息、用户信息、店铺信息等到数据仓库中，进行订单分析、用户分析。

例如：MySQL中有一张用户表：tb_user，每个用户注册完成以后，就会在用户表中新增该用户的信息.

由于每天都会有用户注册，产生新的用户信息,那么每天都需要将MySQL中的用户数据同步到Hive数据仓库中.

假如在1号已经在hive中创建了表并拉取了数据,但是在2号时MySQL中新增2条用户注册数据，并且有1条用户数据发生更新.

那么我们需要对2号的数据进行同步到hive中,新增的数据会直接加载到Hive表中，但是更新的数据如何存储在Hive表中？

方案一:直接覆盖

使用2号的数据直接将1号的数据覆盖掉
优点:实现最简单，使用起来最方便
缺点:没有历史状态想查询008之前的数据查看不到

方案二:根据日期构建一份全量的快照表

1号创建一张表拉取所有数据
2号再创建一张表拉取所有数据
... 每天都创建一张表
优点:记录了所有数据在不同时间的状态
缺点:冗余存储了很多没有发生变化的数据，导致存储的数据量过大

方案三:构建拉链表，通过时间标记发生变化的数据的每种状态的时间周期

拉链表的设计是将更新的数据进行状态记录，没有发生更新的数据不进行状态存储，用于存储所有数据在不同时间上的所有状态，通过时间进行标记每个状态的生命周期，查询时，根据需求可以获取指定时间范围状态的数据，默认用9999-12-31等最大值来表示最新状态。

2 拉链表实现原理

1.增量采集变化数据，放入增量表中

2.将Hive中的拉链表与临时表的数据进行合并，合并结果写入临时表

3.将临时表的数据覆盖写入拉链表中

3 拉链表实现演示

创建拉链表

-- 数据准备
vi zipper.txt
001   186xxxx1234   laoda   0   sh   2021-01-01   9999-12-31
002   186xxxx1235   laoer   1   bj   2021-01-01   9999-12-31
003   186xxxx1236   laosan   0   sz   2021-01-01   9999-12-31
004   186xxxx1237   laosi   1   gz   2021-01-01   9999-12-31
005   186xxxx1238   laowu   0   sh   2021-01-01   9999-12-31
006   186xxxx1239   laoliu   1   bj   2021-01-01   9999-12-31
007   186xxxx1240   laoqi   0   sz   2021-01-01   9999-12-31
008   186xxxx1241   laoba   1   gz   2021-01-01   9999-12-31
009   186xxxx1242   laojiu   0   sh   2021-01-01   9999-12-31
010   186xxxx1243   laoshi   1   bj   2021-01-01   9999-12-31

--创建拉链表
create table dw_zipper
(userid    string,phone     string,nick      string,gender    int,addr      string,starttime string,endtime   string
) row format delimited fields terminated by '\t';
load data local inpath '/root/zipper.txt' into table dw_zipper;
select * from dw_zipper;

创建增量表

vi update.txt
008   186xxxx1241   laoba   1   sh   2021-01-02   9999-12-31
011   186xxxx1244   laoshi   1   jx   2021-01-02   9999-12-31
012   186xxxx1245   laoshi   0   zj   2021-01-02   9999-12-31

create table ods_update
(userid    string,phone     string,nick      string,gender    int,addr      string,starttime string,endtime   string
) row format delimited fields terminated by '\t';load data local inpath '/root/update.txt' overwrite into table ods_update;select * from ods_update;

创建临时表

create table tmp_zipper
(userid    string,phone     string,nick      string,gender    int,addr      string,starttime string,endtime   string
) row format delimited fields terminated by '\t';

合并数据到临时表

insert overwrite table tmp_zipper
selectuserid,phone,nick,gender,addr,starttime,endtime
from ods_update
union all
--查询原来拉链表的所有数据，并将这次需要更新的数据的endTime更改为更新值的startTime
selecta.userid,a.phone,a.nick,a.gender,a.addr,a.starttime,--如果这条数据没有更新或者这条数据不是要更改的数据，就保留原来的值，否则就改为新数据的开始时间-1if(b.userid is null or a.endtime < '9999-12-31', a.endtime , date_sub(b.starttime,1)) as endtime
from dw_zipper a  left join ods_update bon a.userid = b.userid ;

覆盖拉链表数据

insert overwrite table dw_zipper
select * from tmp_zipper;