一篇文章让你学会解决企业中缓慢变化维的问题

程序员文章站 2022-03-08 14:27:33

...

前言
大家好，我是DJ丶小哪吒，我又来跟你们分享知识了。对软件开发有着浓厚的兴趣。喜欢与人分享知识。做博客的目的就是为了能与他人知识共享。由于水平有限。博客中难免会有一些错误。如有纰漏之处，欢迎大家在留言区指正。小编也会及时改正。

今天小编要和大家浅谈一下在做项目过程中。我们经常会遇到的缓慢变化维的维问题。

码字不易，先赞再看，养成习惯~~~

一、缓慢变化维

1.1、什么是缓慢变化维（SCD)

1.1.1、缓慢变化维简介

缓慢变化维，简称SCD（Slowly Changing Dimensions）
一些维度表的数据不是静态的，而是会随着时间而缓慢地变化（这里的缓慢是相对事实表而言，事实表数据变化的速度比维度表快）
这种随着时间发生变化的维度称之为缓慢变化维
把处理维度表数据历史变化的问题，称为缓慢变化维问题，简称SCD问题

1.1.2、举例说明

例如：用根据用户维度，统计不同出生年份的消费金额占比。（80后、90后、00后）。

而期间，用户可能去修改用户数据，例如：将出生日期改成了 1992年。此时，用户维度表就发生了变化。当然这个变化相对事实表的变换要慢。但这个用户维度表的变化，就是缓慢变化维。

一篇文章让你学会解决企业中缓慢变化维的问题
这个用户的数据不是一直不变，而是有可能发生变化。例如：用户修改了出生日期、或者用户修改了住址。

1.2、 SCD问题的几种解决方案

以下为解决缓慢变化维问题的几种办法：

保留原始值
改写属性值
增加维度新行
增加维度新列
添加历史表

SCD解决方案 - 保留原始值

某一个属性值绝不会变化。事实表始终按照该原始值进行分组。例如：
出生日期的数据，始终按照用户第一次填写的数据为准

SCD解决方案 - 改写属性值

对其相应需要重写维度行中的旧值，以当前值替换。因此其始终反映最近的情况
当一个维度值的数据源发生变化，并且不需要在维度表中保留变化历史时，通常用新数据来覆盖旧数据。这样的处理使属性所反映的中是最新的赋值。

用户维度表
修改前：
一篇文章让你学会解决企业中缓慢变化维的问题
修改后：

这种方法有个前提，用户不关心这个数据的变化
这样处理，易于实现，但是没有保留历史数据，无法分析历史变化信息

SCD解决方案 - 增加维度新行

数据仓库系统的目标之一是正确地表示历史。典型代表就是拉链表。
保留历史的数据，并插入新的数据。

用户维度表
修改前：
一篇文章让你学会解决企业中缓慢变化维的问题
修改后：

SCD解决方案 - 增加维度新列

用不同的字段来保存不同的值，就是在表中增加一个字段，这个字段用来保存变化后的当前值，而原来的值则被称为变化前的值。总的来说，这种方法通过添加字段来保存变化后的痕迹。

用户维度表
修改前：
一篇文章让你学会解决企业中缓慢变化维的问题
修改后：

SCD解决方案 - 使用历史表

另外建一个表来保存历史记录，这种方式就是将历史数据与当前数据完全分开来，在维度中只保存当前最新的数据。

用户维度表
一篇文章让你学会解决企业中缓慢变化维的问题
用户维度历史表

这种方式的优点是可以同时分析当前及前一次变化的属性值，缺点是只保留了最后一次变化信息。

        ========================================================================================

是不是感觉到这里就结束了了呢，那么理论方面我们已经介绍完了。是不是总感觉少了点什么。
对了，就是实操，实践是验证真理的唯一标准。
那么接下来,实操来了

企业中常见的解决缓慢变化维的方法。

二、数仓项目-拉链表技术介绍（简单举例）

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

2.1、商品历史快照案例

需求：
有一个商品表：
一篇文章让你学会解决企业中缓慢变化维的问题
2019年12月20日的数据如下所示：

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？

2.1.1、方案一：快照每一天的数据到数仓

该方案为：

每一天都保存一份全量，将所有数据同步到数仓中
很多记录都是重复保存，没有任何变化
12月20日（4条数据）

12月21日（10条数据）
其中包含了12月20日的数据，也包含了12月21日的最新数据

一篇文章让你学会解决企业中缓慢变化维的问题
12月22日（18条数据）
其中包含了12月20日和12月21日的数据，也包含了12月22日的最新数据

以上便于各位理解，所以小编用这种方式给各位举例。接下来小编开始实现了。

2.1.1、方案一：MySQL到Hive数仓代码实现

MySQL&Hive初始化

1、在MySQL demo库中创建表

-- 创建数据库
create database if not exists demo;

-- 创建商品表
create table if not exists `demo`.`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
);

2、在Hive中 demo库创建表

-- 创建表
create database if not exists `demo`;

-- 创建ods层表
create table if not exists `demo`.`ods_product`(
  goods_id string,        -- 商品编号
  goods_status string,    -- 商品状态
  createtime string,      -- 商品创建时间
  modifytime string       -- 商品修改时间
)
partitioned by (dt string)
row format delimited fields terminated by ',' stored as TEXTFILE;

-- 创建dw层表
create table if not exists `demo`.`dw_product`(
  goods_id string,        -- 商品编号
  goods_status string,    -- 商品状态
  createtime string,      -- 商品创建时间
  modifytime string       -- 商品修改时间
)
partitioned by (dt string)
row format delimited fields terminated by ',' stored as TEXTFILE;

增量导入12月20日数据
1、MySQL数据库导入12月20日数据（4条数据）

insert into `demo`.`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');

2、使用Kettle将MySQL数据导出，并导入到分区HDFS位置
一篇文章让你学会解决企业中缓慢变化维的问题
注意：同步到hive数仓中，别忘了添加上分区，以12月20日分区。
同步完成之后，

-- 创建分区
alter table `demo`.`ods_product` add if not exists partition (dt='2019-12-20');

3、Hive中查询数据

select * from `demo`.`ods_product`

4、数据导入维度表

insert overwrite table `demo`.`dw_product` partition(dt='2019-12-20')
select  
  goods_id,
  goods_status,
  createtime,
  modifytime
from `demo`.`ods_product` where dt='2019-12-20';

增量导入12月21日数据
1、MySQL数据库导入12月21日数据（6条数据）

UPDATE `demo`.`t_product` SET goods_status = '待售', modifytime = '2019-12-21' WHERE goods_id = '001';
INSERT INTO `demo`.`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');

2、运行Kettle转换，导入2019年12月21日数据
一篇文章让你学会解决企业中缓慢变化维的问题
以上数据同步到12月21日分区中。
3、Hive查询数据

select * from `demo`.`ods_product` where dt='2019-12-21';

4、数据导入dw层表

insert overwrite table `demo`.`dw_product` partition(dt='2019-12-21')
select  
  goods_id,
  goods_status,
  createtime,
  modifytime
from `demo`.`ods_product` where dt='2019-12-21';

增量导入12月22日数据
1、MySQL数据库导入12月22日数据（6条数据）

UPDATE `demo`.`t_product` SET goods_status = '已删除', modifytime = '2019-12-22' WHERE goods_id = '003';
UPDATE `demo`.`t_product` SET goods_status = '已删除', modifytime = '2019-12-22' WHERE goods_id = '006';
INSERT INTO `demo`.`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');

2、运行Kettle转换，导入2019年12月22日数据
一篇文章让你学会解决企业中缓慢变化维的问题
同步到hive中，分区为12月22日。
3、Hive查询数据

select * from ods_product where dt='2019-12-22';

4、数据导入dw层表

insert overwrite table `demo`.`dw_product` partition(dt='2019-12-22')
select  
  goods_id,
  goods_status,
  createtime,
  modifytime
from `demo`.`ods_product` where dt='2019-12-22';

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
可以将表设计为拉链表，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

2.1.2、方案二：使用拉链表保存历史快照

拉链表

拉链表不存储冗余的数据，只有某行的数据发生变化，才需要保存下来，相比每次全量同步会节省存储空间
能够查询到历史快照
额外的增加了两列（dw_start_date、dw_end_date），为数据行的生命周期
12月20日商品拉链表的数据：
12月20日的数据是全新的数据导入到dw表
dw_start_date表示某一条数据的生命周期起始时间，即数据从该时间开始有效（即生效日期）
dw_end_date表示某一条数据的生命周期结束时间，即数据到这一天（不包含）（即失效日期）
dw_end_date为9999-12-31，表示当前这条数据是最新的数据，数据到9999-12-31才过期

12月21日商品拉链表的数据
一篇文章让你学会解决企业中缓慢变化维的问题

拉链表中没有存储冗余的数据，只要数据没有变化，无需同步
001编号的商品数据的状态发生了变化（从待审核 → 待售），需要将原有的dw_end_date变为2019-12-21，表示待审核状态，在2019/12/20（包含） - 2019/12/21（不包含）有效
001编号新的状态重新保存了一条记录，dw_start_date为2019/12/21，dw_end_date为9999/12/31
12月22日商品拉链表的数据

2.1.2、方案二：拉链表存储历史快照代码实现

1.在原有dw层表上，添加额外的两列

生效日期（dw_start_date）
失效日期（dw_end_date）

2.只同步当天修改的数据到ods层
3.拉链表算法实现

编写SQL处理当天最新的数据
编写SQL处理dw层历史数据，重新计算之前的dw_end_date
拉链表的数据为：当天最新的数据 UNION ALL 历史数据

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、MySQL&Hive表初始化
MySQL创建商品表2

-- 创建数据库
create database if not exists demo;

-- 创建商品表
create table if not exists `demo`.`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
);

2.Hive ODS层建表

-- 创建表
create database if not exists `demo`;

-- 创建ods层表
create table if not exists `demo`.`ods_product_2`(
  goods_id string,        -- 商品编号
  goods_status string,    -- 商品状态
  createtime string,      -- 商品创建时间
  modifytime string       -- 商品修改时间
)
partitioned by (dt string)
row format delimited fields terminated by ',' stored as TEXTFILE;

3.Hive dw层创建拉链表

-- 创建拉链表
create table if not exists `demo`.`dw_product_2`(
  goods_id string,        -- 商品编号
  goods_status string,    -- 商品状态
  createtime string,      -- 商品创建时间
  modifytime string,       -- 商品修改时间
  dw_start_date string,   -- 生效日期
  dw_end_date string      -- 失效日期
)
row format delimited fields terminated by ',' stored as TEXTFILE;

全量导入2019年12月20日数据
1、MySQL数据库导入12月20日数据（4条数据）

insert into `demo`.`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');

2、使用Kettle进行全量同步MySQL数据到Hive ods层表
一篇文章让你学会解决企业中缓慢变化维的问题
注意：同步到hive数仓中，别忘了添加上分区，以12月20日分区。

创建Hive分区

-- 创建分区
alter table `demo`.`ods_product_2` add if not exists partition (dt='${dt}');

表输入的sql语句

SELECT
*
FROM t_product_2
where modifytime <= '2019-12-20'

3、编写SQL从ods导入dw当天最新的数据

-- 从ods层导入dw当天最新数据
insert overwrite table `demo`.`dw_product_2`
select
  goods_id,                -- 商品编号
  goods_status,            -- 商品状态
  createtime,              -- 商品创建时间
  modifytime,              -- 商品修改时间
  modifytime as dw_start_date,    -- 生效日期
   '9999-12-31' as dw_end_date     -- 失效日期
from
  `demo`.`ods_product_2`
where
  dt = '2019-12-20';

增量导入2019年12月21日数据
1、MySQL数据库导入12月21日数据（6条数据）

UPDATE `demo`.`t_product_2` SET goods_status = '待售', modifytime = '2019-12-21' WHERE goods_id = '001';
INSERT INTO `demo`.`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');

2、使用Kettle开发增量同步MySQL数据到Hive ods层表

hive创建分区

-- 创建分区
alter table `demo`.`ods_product_2` add if not exists partition (dt='2019-12-21');

表输入读取MySQL数据

SELECT
*
FROM t_product_2
where modifytime = '2019-12-21'

3、编写SQL处理dw层历史数据，重新计算之前的dw_end_date

-- 重新计算dw层拉链表中的失效时间
select
  t1.goods_id,                -- 商品编号
  t1.goods_status,            -- 商品状态
  t1.createtime,              -- 商品创建时间
  t1.modifytime,              -- 商品修改时间
  t1.dw_start_date,           -- 生效日期（生效日期无需重新计算）
  case when (t2.goods_id is not null and t1.dw_end_date > '2019-12-21')
  then '2019-12-21'
  else t1.dw_end_date
  end as dw_end_date       -- 更新生效日期（需要重新计算）
from
  `demo`.`dw_product_2` t1
  left join
  (select * from `demo`.`ods_product_2` where dt='2019-12-21') t2
   on t1.goods_id = t2.goods_id

4、合并当天最新的数据和历史数据到

insert overwrite table `demo`.`dw_product_2`
select
  t1.goods_id,                -- 商品编号
  t1.goods_status,            -- 商品状态
  t1.createtime,              -- 商品创建时间
  t1.modifytime,              -- 商品修改时间
  t1.dw_start_date,           -- 生效日期（生效日期无需重新计算）
  case when (t2.goods_id is not null and t1.dw_end_date > '2019-12-21')
  then '2019-12-21'
  else t1.dw_end_date
  end as dw_end_date       -- 更新生效日期（需要重新计算）
from
  `demo`.`dw_product_2` t1
  left join
  (select * from `demo`.`ods_product_2` where dt='2019-12-21') t2
   on t1.goods_id = t2.goods_id
union all
select 
  goods_id,                -- 商品编号
  goods_status,            -- 商品状态
  createtime,              -- 商品创建时间
  modifytime,              -- 商品修改时间
  modifytime as dw_start_date,  -- 生效日期
   '9999-12-31' as dw_end_date   -- 失效日期
from
  `demo`.`ods_product_2` where dt='2019-12-21'
order by dw_start_date, goods_id;

2.1.3、查询拉链表

1、获取2019-12-20日的历史快照数据

select * from demo.dw_product_2 where dw_start_date <= '2019-12-20' and dw_end_date > '2019-12-20' order by goods_id;

2、获取最新的商品快照数据

select * from demo.dw_product_2 where dw_end_date = '9999-12-31' order by goods_id;

好了，以上内容就到这里了。你学会了吗。欢迎路过的朋友关注小编哦。各位朋友关注点赞是小编坚持下去的动力。小编会继续为大家分享更多的知识哦~~~。

我是DJ丶小哪吒。是一名互联网行业的工具人，小编的座右铭：“我不生产代码，我只做代码的搬运工”…哈哈哈，我们下期见哦，Bye~

美好的生命应该充满期待、惊喜和感激。