`
superlxw1234
  • 浏览: 540595 次
  • 性别: Icon_minigender_1
  • 来自: 西安
博客专栏
Bd1c0a0c-379a-31a8-a3b1-e6401e2f1523
Hive入门
浏览量:42946
社区版块
存档分类
最新评论

数据仓库数据模型之:极限存储--历史拉链表

阅读更多

在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. 数据量比较大;
2. 表中的部分字段会被update,如用户的地址,产品的描述信息,订单的状态等等;
3. 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,
   比如,查看某一个用户在过去某一段时间内,更新过几次等等;
4. 变化的比例和频率不是很大,比如,总共有1000万的会员,每天新增和发生变化的有10万左右;
5. 如果对这边表每天都保留一份全量,那么每次全量中会保存很多不变的信息,对存储是极大的浪费;


拉链历史表,既能满足反应数据的历史状态,又可以最大程度的节省存储;

举个简单例子,比如有一张订单表,6月20号有3条记录:

订单创建日期

订单编号

订单状态

2012-06-20

001

创建订单

2012-06-20

002

创建订单

2012-06-20

003

支付完成

 

到6月21日,表中有5条记录:

 

订单创建日期

订单编号

订单状态

2012-06-20

001

支付完成(从创建到支付)

2012-06-20

002

创建订单

2012-06-20

003

支付完成

2012-06-21

004

创建订单

2012-06-21

005

创建订单

 

到6月22日,表中有6条记录:

 

订单创建日期

订单编号

订单状态

2012-06-20

001

支付完成(从创建到支付)

2012-06-20

002

创建订单

2012-06-20

003

已发货(从支付到发货)

2012-06-21

004

创建订单

2012-06-21

005

支付完成(从创建到支付)

2012-06-22

006

创建订单

 

 

数据仓库中对该表的保留方法:

 

1. 只保留一份全量,则数据和6月22日的记录一样,如果需要查看6月21日订单001的状态,则无法满足;

2. 每天都保留一份全量,则数据仓库中的该表共有14条记录,但好多记录都是重复保存,没有任务变化,如订单002,004,数据量大了,会造成很大的存储浪费;

 

如果在数据仓库中设计成历史拉链表保存该表,则会有下面这样一张表:

 

 

订单创建日期

订单编号

订单状态

dw_begin_date

dw_end_date

2012-06-20

001

创建订单

2012-06-20

2012-06-20

2012-06-20

001

支付完成

2012-06-21

9999-12-31

2012-06-20

002

创建订单

2012-06-20

9999-12-31

2012-06-20

003

支付完成

2012-06-20

2012-06-21

2012-06-20

003

已发货

2012-06-22

9999-12-31

2012-06-21

004

创建订单

2012-06-21

9999-12-31

2012-06-21

005

创建订单

2012-06-21

2012-06-21

2012-06-21

005

支付完成

2012-06-22

9999-12-31

2012-06-22

006

创建订单

2012-06-22

9999-12-31

 

 

说明:

 

1. dw_begin_date表示该条记录的生命周期开始时间,dw_end_date表示该条记录的生命周期结束时间;

2. dw_end_date = '9999-12-31'表示该条记录目前处于有效状态;

3. 如果查询当前所有有效的记录,则select * from order_his where dw_end_date = '9999-12-31'

4. 如果查询2012-06-21的历史快照,则select * from order_his where dw_begin_date <= '2012-06-21' and end_date >= '2012-06-21',这条语句会查询到以下记录:

 

订单创建日期

订单编号

订单状态

dw_begin_date

dw_end_date

2012-06-20

001

支付完成

2012-06-21

9999-12-31

2012-06-20

002

创建订单

2012-06-20

9999-12-31

2012-06-20

003

支付完成

2012-06-20

2012-06-21

2012-06-21

004

创建订单

2012-06-21

9999-12-31

2012-06-21

005

创建订单

2012-06-21

2012-06-21

 

 

和源表在6月21日的记录完全一致:

 

订单创建日期

订单编号

订单状态

2012-06-20

001

支付完成(从创建到支付)

2012-06-20

002

创建订单

2012-06-20

003

支付完成

2012-06-21

004

创建订单

2012-06-21

005

创建订单

 

 

可以看出,这样的历史拉链表,既能满足对历史数据的需求,又能很大程度的节省存储资源;

 

关于这种历史拉链表的etl刷新策略和方法,下次再谈吧。。。

 

 

1
0
分享到:
评论
5 楼 lookqlp 2015-11-02  
请问,001订单,在3号又出现新的状态,同一个订单dw_end_date岂不是有多个9999-12-31
4 楼 huigou 2014-03-01  
历史拉链表的etl刷新策略和方法,这个很关键啊,如果一个订单状态变化级别是分,或者是秒,你们是怎么做的?
3 楼 tobyqiu 2013-05-16  
随着数据的增多. 每天这么几千万条做对比.消耗也吃不消. 还不如 全量递增.
2 楼 liuxuan251314 2013-04-26  
楼主 我还期待着你的下篇“历史拉链表的etl刷新策略和方法”呢 。。。。
1 楼 xrzs1986 2012-12-11  
期待楼主继续介绍“历史拉链表的etl刷新策略和方法”~ 

相关推荐

Global site tag (gtag.js) - Google Analytics