0x00 前言

本文將會談一談在數據倉庫中拉鏈表相關的內容，包括它的原理、設計、以及在我們大數據場景下的實現方式。

[[191222]]

全文由下面幾個部分組成：

1. 先分享一下拉鏈表的用途、什么是拉鏈表。
2. 通過一些小的使用場景來對拉鏈表做近一步的闡釋，以及拉鏈表和常用的切片表的區別。
3. 舉一個具體的應用場景，來設計并實現一份拉鏈表，***并通過一些例子說明如何使用我們設計的這張表(因為現在Hive的大規模使用，我們會以Hive場景下的設計為例)。
4. 分析一下拉鏈表的優缺點，并對前面的提到的一些內容進行補充說明，比如說拉鏈表和流水表的區別。

0x01 什么是拉鏈表

拉鏈表是針對數據倉庫設計中表存儲數據的方式而定義的，顧名思義，所謂拉鏈，就是記錄歷史。記錄一個事物從開始，一直到當前狀態的所有變化的信息。

我們先看一個示例，這就是一張拉鏈表，存儲的是用戶的最基本信息以及每條記錄的生命周期。我們可以使用這張表拿到***的當天的***數據以及之前的歷史數據。

我們暫且不對這張表做細致的講解，后文會專門來闡述怎么來設計、實現和使用它。

拉鏈表的使用場景

在數據倉庫的數據模型設計過程中，經常會遇到下面這種表的設計：

1. 有一些表的數據量很大，比如一張用戶表，大約10億條記錄，50個字段，這種表，即使使用ORC壓縮，單張表的存儲也會超過100G，在HDFS使用雙備份或者三備份的話就更大一些。
2. 表中的部分字段會被update更新操作，如用戶聯系方式，產品的描述信息，訂單的狀態等等。
3. 需要查看某一個時間點或者時間段的歷史快照信息，比如，查看某一個訂單在歷史某一個時間點的狀態。
4. 表中的記錄變化的比例和頻率不是很大，比如，總共有10億的用戶，每天新增和發生變化的有200萬左右，變化的比例占的很小。

那么對于這種表我該如何設計呢?下面有幾種方案可選：

1. 方案一：每天只留***的一份，比如我們每天用Sqoop抽取***的一份全量數據到Hive中。
2. 方案二：每天保留一份全量的切片數據。
3. 方案三：使用拉鏈表。

為什么使用拉鏈表

現在我們對前面提到的三種進行逐個的分析。

方案一

這種方案就不用多說了，實現起來很簡單，每天drop掉前一天的數據，重新抽一份***的。

優點很明顯，節省空間，一些普通的使用也很方便，不用在選擇表的時候加一個時間分區什么的。

缺點同樣明顯，沒有歷史數據，先翻翻舊賬只能通過其它方式，比如從流水表里面抽。

方案二

每天一份全量的切片是一種比較穩妥的方案，而且歷史數據也在。

缺點就是存儲空間占用量太大太大了，如果對這邊表每天都保留一份全量，那么每次全量中會保存很多不變的信息，對存儲是極大的浪費，這點我感觸還是很深的……

當然我們也可以做一些取舍，比如只保留近一個月的數據?但是，需求是無恥的，數據的生命周期不是我們能完全左右的。

拉鏈表

拉鏈表在使用上基本兼顧了我們的需求。

首先它在空間上做了一個取舍，雖說不像方案一那樣占用量那么小，但是它每日的增量可能只有方案二的千分之一甚至是萬分之一。

其實它能滿足方案二所能滿足的需求，既能獲取***的數據，也能添加篩選條件也獲取歷史的數據。

所以我們還是很有必要來使用拉鏈表的。

0x02 拉鏈表的設計和實現

如何設計一張拉鏈表

下面我們來舉個栗子詳細看一下拉鏈表。

我們先看一下在Mysql關系型數據庫里的user表中信息變化。

在2017-01-01這一天表中的數據是：

在2017-01-02這一天表中的數據是， 用戶002和004資料進行了修改，005是新增用戶：

在2017-01-03這一天表中的數據是， 用戶004和005資料進行了修改，006是新增用戶：

如果在數據倉庫中設計成歷史拉鏈表保存該表，則會有下面這樣一張表，這是***一天(即2017-01-03)的數據：

說明

• t_start_date表示該條記錄的生命周期開始時間，t_end_date表示該條記錄的生命周期結束時間。
• t_end_date = ‘9999-12-31’表示該條記錄目前處于有效狀態。
• 如果查詢當前所有有效的記錄，則select * from user where t_end_date = ‘9999-12-31’。
• 如果查詢2017-01-02的歷史快照，則select from user where t_start_date <= ‘2017-01-02’ and t_end_date >= ‘2017-01-02’。(*此處要好好理解，是拉鏈表比較重要的一塊。**)

在Hive中實現拉鏈表

在現在的大數據場景下，大部分的公司都會選擇以Hdfs和Hive為主的數據倉庫架構。目前的Hdfs版本來講，其文件系統中的文件是不能做改變的，也就是說Hive的表智能進行刪除和添加操作，而不能進行update。基于這個前提，我們來實現拉鏈表。

還是以上面的用戶表為例，我們要實現用戶的拉鏈表。在實現它之前，我們需要先確定一下我們有哪些數據源可以用。

1. 我們需要一張ODS層的用戶全量表。至少需要用它來初始化。
2. 每日的用戶更新表。

而且我們要確定拉鏈表的時間粒度，比如說拉鏈表每天只取一個狀態，也就是說如果一天有3個狀態變更，我們只取***一個狀態，這種天粒度的表其實已經能解決大部分的問題了。

另外，補充一下每日的用戶更新表該怎么獲取，據筆者的經驗，有3種方式拿到或者間接拿到每日的用戶增量，因為它比較重要，所以詳細說明：

1. 我們可以監聽Mysql數據的變化，比如說用Canal，***合并每日的變化，獲取到***的一個狀態。
2. 假設我們每天都會獲得一份切片數據，我們可以通過取兩天切片數據的不同來作為每日更新表，這種情況下我們可以對所有的字段先進行concat，再取md5，這樣就ok了。
3. 流水表!有每日的變更流水表。

ods層的user表

現在我們來看一下我們ods層的用戶資料切片表的結構：

CREATE EXTERNAL TABLE ods.user ( 
  user_num STRING COMMENT '用戶編號', 
  mobile STRING COMMENT '手機號碼', 
  reg_date STRING COMMENT '注冊日期' 
COMMENT '用戶資料表' 
PARTITIONED BY (dt string) 
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' LINES TERMINATED BY '\n' 
STORED AS ORC 
LOCATION '/ods/user'; 
) 

ods層的user_update表

然后我們還需要一張用戶每日更新表，前面已經分析過該如果得到這張表，現在我們假設它已經存在。

CREATE EXTERNAL TABLE ods.user_update ( 
  user_num STRING COMMENT '用戶編號', 
  mobile STRING COMMENT '手機號碼', 
  reg_date STRING COMMENT '注冊日期' 
COMMENT '每日用戶資料更新表' 
PARTITIONED BY (dt string) 
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' LINES TERMINATED BY '\n' 
STORED AS ORC 
LOCATION '/ods/user_update'; 
) 

拉鏈表

現在我們創建一張拉鏈表：

CREATE EXTERNAL TABLE dws.user_his ( 
  user_num STRING COMMENT '用戶編號', 
  mobile STRING COMMENT '手機號碼', 
  reg_date STRING COMMENT '用戶編號', 
  t_start_date , 
  t_end_date 
COMMENT '用戶資料拉鏈表' 
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' LINES TERMINATED BY '\n' 
STORED AS ORC 
LOCATION '/dws/user_his'; 
) 

實現sql語句

然后初始化的sql就不寫了，其實就相當于是拿一天的ods層用戶表過來就行，我們寫一下每日的更新語句。

現在我們假設我們已經已經初始化了2017-01-01的日期，然后需要更新2017-01-02那一天的數據，我們有了下面的Sql。

然后把兩個日期設置為變量就可以了。

INSERT OVERWRITE TABLE dws.user_his 
SELECT * FROM 
( 
    SELECT A.user_num, 
           A.mobile, 
           A.reg_date, 
           A.t_start_time, 
           CASE 
                WHEN A.t_end_time = '9999-12-31' AND B.user_num IS NOT NULL THEN '2017-01-01' 
                ELSE A.t_end_time 
           END AS t_end_time 
    FROM dws.user_his AS A 
    LEFT JOIN ods.user_update AS B 
    ON A.user_num = B.user_num 
UNION 
    SELECT C.user_num, 
           C.mobile, 
           C.reg_date, 
           '2017-01-02' AS t_start_time, 
           '9999-12-31' AS t_end_time 
    FROM ods.user_update AS C 
) AS T 

0x03 補充

好了，我們分析了拉鏈表的原理、設計思路、并且在Hive環境下實現了一份拉鏈表，下面對拉鏈表做一些小的補充。

拉鏈表和流水表

流水表存放的是一個用戶的變更記錄，比如在一張流水表中，一天的數據中，會存放一個用戶的每條修改記錄，但是在拉鏈表中只有一條記錄。

這是拉鏈表設計時需要注意的一個粒度問題。我們當然也可以設置的粒度更小一些，一般按天就足夠。

查詢性能

拉鏈表當然也會遇到查詢性能的問題，比如說我們存放了5年的拉鏈數據，那么這張表勢必會比較大，當查詢的時候性能就比較低了，個人認為兩個思路來解決：

1. 在一些查詢引擎中，我們對start_date和end_date做索引，這樣能提高不少性能。
2. 保留部分歷史數據，比如說我們一張表里面存放全量的拉鏈表數據，然后再對外暴露一張只提供近3個月數據的拉鏈表。

0xFF 總結

我們在這篇文章里面詳細地分享了一下和拉鏈表相關的知識點，但是仍然會有一會遺漏。歡迎交流。

在后面的使用中又有了一些心得，補充進來：

1. 使用拉鏈表的時候可以不加t_end_date，即失效日期，但是加上之后，能優化很多查詢。
2. 可以加上當前行狀態標識，能快速定位到當前狀態。
3. 在拉鏈表的設計中可以加一些內容，因為我們每天保存一個狀態，如果我們在這個狀態里面加一個字段，比如如當天修改次數，那么拉鏈表的作用就會更大。