其他分享
首页 > 其他分享> > 深入讲解拉链表,还怕面试官问?

深入讲解拉链表,还怕面试官问?

作者:互联网


前言

          今天给大家分享一个面试中经常会被问到的拉链表,我在上篇文章中提出来一个需求如果不知道的请去→数仓缓慢变化维深层讲解查看,好,废话不多说我们直接开始。提出的问题会在末尾讲解。

a8818b593774c01f9b30f751afeb16a8.jpg

一、拉链表介绍(百度百科)

         拉链表:维护历史状态,以及最新状态数据的一种表,拉链表根据拉链粒度的不同,实际上相当于快照,只不过做了优化,去除了一部分不变的记录,通过拉链表可以很方便的还原出拉链时点的客户记录

二、拉链表场景

         数据仓库的数据模型设计过程中,经常会遇到这样的需求:

  1. 表中的部分字段会被update,例如:用户的地址,产品的描述信息,品牌信息等等;
  2. 需要查看某一个时间点或者时间段的历史快照信息,例如:查看某一个产品在历史某一时间点的状态 查看某一个用户在过去某一段时间内,更新过几次等等
  3. 变化的比例和频率不是很大,例如:总共有1000万的会员,每天新增和发生变化的有10万左右

三、商品数据案例

需求商品表

列名类型说明
goods_idvarchar(50)商品编号
goods_statusvarchar(50)商品状态(待审核、待售、在售、已删除)
createtimevarchar(50)商品创建日期
modifytimevarchar(50)商品修改日期

2019年12月20日的数据如下所示:

goods_idgoods_statuscreatetimemodifytime
001待审核2019-12-202019-12-20
002待售2019-12-202019-12-20
003在售2019-12-202019-12-20
004已删除2019-12-202019-12-20

         商品的状态,会随着时间推移而变化,我们需要将商品的所有变化的历史信息都保存下来。如何实现呢?

方案一: 快照每一天的数据到数仓(图解)

该方案为:

12月20日(4条数据)

goods_idgoods_statuscreatetimemodifytime
001待审核2019-12-182019-12-20
002待售2019-12-192019-12-20
003在售2019-12-202019-12-20
004已删除2019-12-152019-12-20

12月21日(10条数据)

goods_idgoods_statuscreatetimemodifytime
以下为12月20日快照数据


001待审核2019-12-182019-12-20
002待售2019-12-192019-12-20
003在售2019-12-202019-12-20
004已删除2019-12-152019-12-20
以下为12月21日快照数据


001  待售(从待审核到待售)2019-12-18 2019-12-21
002待售2019-12-192019-12-20
003在售2019-12-202019-12-20
004已删除2019-12-152019-12-20
005(新商品)待审核2019-12-212019-12-21
006(新商品)待审核2019-12-212019-12-21

12月22日(18条数据)

goods_idgoods_statuscreatetimemodifytime
以下为12月20日快照数据


001待审核2019-12-182019-12-20
002待售2019-12-192019-12-20
003在售2019-12-202019-12-20
004已删除2019-12-152019-12-20
以下为12月21日快照数据


001待售(从待审核到待售)2019-12-182019-12-21
002待售2019-12-192019-12-20
003在售2019-12-202019-12-20
004已删除2019-12-152019-12-20
005待审核2019-12-212019-12-21
006待审核2019-12-212019-12-21
以下为12月22日快照数据


001待售2019-12-182019-12-21
002待售2019-12-192019-12-20
003已删除(从在售到已删除)2019-12-202019-12-22
004待审核2019-12-212019-12-21
005待审核2019-12-212019-12-21
006已删除(从待审核到已删除)2019-12-212019-12-22
007待审核2019-12-222019-12-22
008待审核2019-12-222019-12-22

方案一: MySQL到,MySQL数仓代码实现

MySQL初始化

  1. 在MySQL中zw库和商品表用于到原始数据层
-- 创建数据库
create database if not exists zw;
-- 创建商品表
create table if not exists `zw`.`t_product`(
goods_id varchar(50), -- 商品编号
 goods_status varchar(50), -- 商品状态
 createtime varchar(50), -- 商品创建时间
 modifytime varchar(50) -- 商品修改时间
);
  1. 在MySQL中创建ods和dw层 模拟数仓
-- ods创建商品表
create table if not exists `zw`.`ods_t_product`(
goods_id varchar(50), -- 商品编号
 goods_status varchar(50), -- 商品状态
 createtime varchar(50), -- 商品创建时间
 modifytime varchar(50), -- 商品修改时间
cdat varchar(10)   --模拟hive分区
)default character set = 'utf8'; ;
-- dw创建商品表
create table if not exists `zw`.`dw_t_product`(
goods_id varchar(50), -- 商品编号
 goods_status varchar(50), -- 商品状态
 createtime varchar(50), -- 商品创建时间
 modifytime varchar(50), -- 商品修改时间
 cdat varchar(10)  -- 模拟hive分区
)default character set = 'utf8'; ;

增量导入12月20号数据

  1. 原始数据导入12月20号数据(4条)
insert into `zw`.`t_product`(goods_id, goods_status, createtime, modifytime) values
('001', '待审核', '2019-12-18', '2019-12-20'),
('002', '待售', '2019-12-19', '2019-12-20'),
('003', '在售', '2019-12-20', '2019-12-20'),
('004', '已删除', '2019-12-15', '2019-12-20');

注意:由于我这里使用的MySQL来模拟的数仓在这里偷个懒直接使用insert into的方式导入数据,在企业中可能会使用hive来做数仓使用kettle 或者sqoop或datax等来同步数据

# 从原始数据层导入到ods 层
insert into zw.ods_t_product
select *,'20191220' from zw.t_product ;
# 从ods同步到dw层
insert into zw.dw_t_product
select * from zw.ods_t_product where cdat='20191220';

增量导入12月21数据

  1. 原始数据层导入12月21日数据(6条数据)
UPDATE `zw`.`t_product` SET goods_status = '待售', modifytime = '2019-12-21' WHERE goods_id = '001';
INSERT INTO `zw`.`t_product`(goods_id, goods_status, createtime, modifytime) VALUES
('005', '待审核', '2019-12-21', '2019-12-21'),
('006', '待审核', '2019-12-21', '2019-12-21');
  1. 将数据导入到ods层与dw层
# 从原始数据层导入到ods 层
insert into zw.ods_t_product
select *,'20191221' from zw.t_product ;
# 从ods同步到dw层
insert into zw.dw_t_product
select * from zw.ods_t_product where cdat='20191221';
  1. 查看dw层的运行结果
select * from zw.dw_t_product where cdat='20191221';

增量导入12月22日数据

  1. 原始数据层导入12月22日数据(6条数据)
UPDATE `zw`.`t_product` SET goods_status = '已删除', modifytime = '2019-12-22' WHERE goods_id = '003';
UPDATE `zw`.`t_product` SET goods_status = '已删除', modifytime = '2019-12-22' WHERE goods_id = '006';
INSERT INTO `zw`.`t_product`(goods_id, goods_status, createtime, modifytime) VALUES
('007', '待审核', '2019-12-22', '2019-12-22'),
('008', '待审核', '2019-12-22', '2019-12-22');
  1. 将数据导入到ods层与dw层
# 从原始数据层导入到ods 层
insert into zw.ods_t_product
select *,'20191222' from zw.t_product ;
# 从ods同步到dw层
insert into zw.dw_t_productpeizhiwenjian
select * from zw.ods_t_product where cdat='20191222';
  1. 查看dw层的运行结果
select * from zw.dw_t_product where cdat='20191222';

从上述案例,可以看到:

     表每天保留一份全量,每次全量中会保存很多不变的信息如果数据量很大的话,对存储是极大的浪费         

      可以讲表设计为拉链表,既能满足反应数据的历史状态,又可以最大限度地节省存储空间。

方案二: 使用拉链表保存历史快照(思路/图解)

12月20日商品拉链表的数据:

goods_idgoods_statuscreatetimemodifytimedw_start_datedw_end_date
001待审核2019-12-182019-12-20 2019-12-20 9999-12-31
002待售2019-12-192019-12-20  2019-12-20 9999-12-31
003在售2019-12-202019-12-20  2019-12-20 9999-12-31
004已删除2019-12-152019-12-20 2019-12-20 9999-12-31

         12月20日的数据是全新的数据导入到dw表

12月21日商品拉链表的数据

goods_idgoods_statuscreatetimemodifytimedw_start_datedw_end_date
001待审核2019-12-182019-12-202019-12-202019-12-21
002待售2019-12-192019-12-202019-12-209999-12-31
003在售2019-12-202019-12-202019-12-209999-12-31
004已删除2019-12-152019-12-202019-12-209999-12-31
001(变)待售2019-12-182019-12-212019-12-219999-12-31
005(新)待审核2019-12-212019-12-21 2019-12-219999-12-31

         12月21日商品拉链表的数据

12月22日商品拉链表的数据

goods_idgoods_statuscreatetimemodifytimedw_start_datedw_end_date
001待审核2019-12-182019-12-202019-12-202019-12-21
002待售2019-12-192019-12-202019-12-209999-12-31
003在售2019-12-202019-12-202019-12-202019-12-22
004已删除2019-12-152019-12-202019-12-209999-12-31
001待售2019-12-182019-12-212019-12-219999-12-31
005待审核2019-12-212019-12-212019-12-219999-12-31
006待审核2019-12-212019-12-212019-12-219999-12-31
003(变)已删除2019-12-202019-12-222019-12-229999-12-31
007(新)   待审核2019-12-222019-12-22  2019-12-229999-12-31
008(新)   待审核2019-12-222019-12-22  2019-12-229999-12-31

         12月22日商品拉链表的数据

方案二: 拉链表快照代码实现

操作流程:

  1. 在原有dw层表上,添加额外的两列
  2. 只同步当天修改的数据到ods层
  3. 拉链表算法实现
  4. 拉链表的数据为:当天最新的数据 UNION ALL 历史数据

代码实现:

  1. 在MySQL中zw库和商品表用于到原始数据层
-- 创建数据库
create database if not exists zw;

-- 创建商品表
create table if not exists `zw`.`t_product_2`(
goods_id varchar(50), -- 商品编号
goods_status varchar(50), -- 商品状态
 createtime varchar(50), -- 商品创建时间
 modifytime varchar(50) -- 商品修改时间
)default character set = 'utf8';
  1. 在MySQL中创建ods和dw层 模拟数仓
-- ods创建商品表
create table if not exists `zw`.`ods_t_product2`(
goods_id varchar(50), -- 商品编号
 goods_status varchar(50), -- 商品状态
 createtime varchar(50), -- 商品创建时间
 modifytime varchar(50), -- 商品修改时间
cdat varchar(10)   -- 模拟hive分区
)default character set = 'utf8';
-- dw创建商品表
create table if not exists `zw`.`dw_t_product2`(
goods_id varchar(50), -- 商品编号
 goods_status varchar(50), -- 商品状态
 createtime varchar(50), -- 商品创建时间
 modifytime varchar(50), -- 商品修改时间
 dw_start_date varchar(12), --  生效日期
 dw_end_date varchar(12), -- 失效时间
 cdat varchar(10)  -- 模拟hive分区
)default character set = 'utf8'; 

全量导入2019年12月20日数据

  1. 原始数据层导入12月20日数据(4条数据)
insert into `zw`.`t_product_2`(goods_id, goods_status, createtime, modifytime) values
('001', '待审核', '2019-12-18', '2019-12-20'),
('002', '待售', '2019-12-19', '2019-12-20'),
('003', '在售', '2019-12-20', '2019-12-20'),
('004', '已删除', '2019-12-15', '2019-12-20');
  1. 将数据导入到数仓中的ods层
insert into zw.ods_t_product2
select *,'20191220' from zw.t_product_2 where modifytime >='2019-12-20'
  1. 将数据从ods层导入到dw层
insert into zw.dw_t_product2
select goods_id, goods_status, createtime, modifytime, modifytime,'9999-12-31', cdat from zw.ods_t_product2 where cdat='20191220'

增量导入2019年12月21日数据

  1. 原始数据层导入12月21日数据(6条数据)
UPDATE `zw`.`t_product_2` SET goods_status = '待售', modifytime = '2019-12-21' WHERE goods_id = '001';
INSERT INTO `zw`.`t_product_2`(goods_id, goods_status, createtime, modifytime) VALUES
('005', '待审核', '2019-12-21', '2019-12-21'),
('006', '待审核', '2019-12-21', '2019-12-21');
  1. 原始数据层同步到ods层
insert into zw.ods_t_product2
select *,'20191221' from zw.t_product_2 where modifytime >='2019-12-21';
  1. 编写ods层到dw层重新计算 dw_end_date

注意:我这里直接将结果的SQL语句放在这里语句 因为需要将覆盖写入到数据库中我这里就没有写了,但是不影响我们结果。12月22 号的操作流程跟21 一样我就里就不写了

select t1.goods_id, t1.goods_status, t1.createtime, t1.modifytime,
       t1.dw_start_date,
       case when (t2.goods_id is not null and t1.dw_end_date>'2019-12-21') then '2019-12-21'else t1.dw__date end as end ,
       t1.cdat
from zw.dw_t_product2 t1
left join (select * from zw.ods_t_product2 where cdat='20191221')t2 on t1.goods_id=t2.goods_id
union
select goods_id, goods_status, createtime, modifytime, modifytime,'9999-12-31', cdat from zw.ods_t_product2 where cdat='20191221'
  1. 查询结果498b831e9740823c6017929397ed96d2.jpg

总结

         到这里我们终于将拉链表实现完了,虽然实现拉链表这个功能有点复杂有点绕,但是它真的帮助我们节省很多的资源,以公司层面难道不选它吗,也就为什么面试数仓的时候基本上都会问拉链表的原因。很多小伙伴对dw_start_dateds_end_date有疑惑我们可以在评论区一起讨论。信自己,努力和汗水总会能得到回报的。我是大数据老哥,我们下期见~~~

获取Flink面试题,Spark面试题,程序员必备软件,hive面试题,Hadoop面试题,Docker面试题,简历模板等资源请去GitHub自行下载 https://github.com/lhh2002/Framework-Of-BigData


标签:面试官,12,拉链,--,goods,2019,讲解,dw,zw
来源: https://blog.51cto.com/14417862/2583089