拉链表介绍

数据仓库中有一种数据存储模型，用于维护历史状态以及最新状态，反映某一Key的历史变化演进过程，该种模型叫做缓慢变化维，简称SCD（Slowly Changing Dimensions），通常所说的拉链表其实属于缓慢变化维的一种实现方式，拉链表通过增加一列维度信息维护拉链状态，他们之间稍微有所不同，具体区别如下：

相同点：

缓慢变化维度，简称SCD (Slowly Changing Dimensions)和拉链表都是为了存储非静态数据的历史变化状态。

不同点：

拉链表有开链和闭链过程，总一条数据明确表示最新状态（例如常见的End_date=9999-12-31 00:00:00）,针对的大都是事实表。

缓慢变化维，没有开链与闭链过程，只是单纯的记录数据的变化过程,解决的也都是维度表的存储，反映维度的数据历史演进过程。

具体举例如下：

• 缓慢变化维

缓慢变化维的变化相对拉链表要简单很多，直接插入最新状态即可，例如A02套餐内容中通话时长更新为2000分钟后，变化后的结果如下：

• 拉链表

在实现上增加了时效时间字段，用于表示保存变化后的最新状态值

  具体实现如下：例如用户U0001更新了新套餐A02，操作如下

• 将当前最新状态数据更新，也就是闭链操作

变更为：

• 将最新状态数据插入，也就是开链操作

• 最终结果为：

基于Hudi表实现拉链表的方案

• 由于Hudi表存储为了保证数据唯一性要求有主键，拉链表会对某一个对象的历史状态都存储所以主键设计为联合主键，将对象ID和生效时间作为联合主键。
• Hudi新增了数据的更新能力，因此相对于传统的大数据平台，可以基于update的能力优化传统hive的拉链表的实现方案。
• 增量数据一般不携带历史数据的生效时间

拉链表实现算法

1. 当前最新的拉链表为Now_table(UserID：用户ID，BundleID为套餐ID；Start_date为生效时间；End_date为失效效时间)
   
2. 新增数据Tmp_table,(由于大数据平台的数据基于上游采集而来，基于时间戳的增量数据相对容易获取到)
   
3. 新增数据Tmp_data与Now_table关联，将以存在数据更新写入Now_table，end_date为当前时间
4. 将新增数据全部写入Now_table,end_date为‘9999-12-31’

实现举例

• 创建Now_table，并初始化数据

Create table  Now_table(
    userid  string,
    bundleid string,
    start_date string,
    end_date  string,
    ts  timestamp
)using hudi
OPTIONS(
  type = 'mor',
`payloadClass` 'org.apache.hudi.common.model.DefaultHoodieRecordPayload',
  primaryKey = 'userid,start_date',
  preCombineField = 'ts'
 );

insert into Now_table(userid,bundleid,start_date,end_date) values('U0001','A01','2020-05-31','2021-05-31',now());
insert into Now_table(userid,bundleid,start_date,end_date) values('U0001','A01','2021-05-31','9999-12-31',now());
insert into Now_table(userid,bundleid,start_date,end_date) values('U0002','A01','2020-05-31','2021-05-31',now());
insert into Now_table(userid,bundleid,start_date,end_date) values('U0002','A02','2021-05-31','9999-12-31',now());

• 新增数据临时表Tmp_table,新增数据到Tmp_table

Create table  Tmp_table(
    userid  string,
    bundleid string,
    start_date string
)using hudi
OPTIONS(
  type = 'mor',
  primaryKey = 'userid',
  preCombineField = 'start_date'
 );

insert into Tmp_table(userid,bundleid,start_date) values('U0001','A03','2022-05-31');
insert into Tmp_table(userid,bundleid,start_date) values('U0002','A03','2022-05-31');
insert into Tmp_table(userid,bundleid,start_date) values('U0003','A03','2022-05-31');

Tmp_table数据内容如下：

• 将Now_table数据闭链

insert into Now_table select t1.userid,t1.bundleid,t1.start_date,t2.start_date,now() from Now_table t1,Tmp_table t2 where t1.userid= t2.userid and t1.end_date='9999-12-31';

Now_table数据变更如下：

• 将增量数据开链写入Now_table

insert into Now_table select userid,bundleid,start_date,'9999-12-31',now() from Tmp_table

Now_table数据更新如下：

• 通过userid可以查询到历史的状态变化。

select userid,bundleid,start_date,end_date from Now_table where userid='U0001';

 算法总结

•  Hudi表具有数据更新能力，不需要对全表数据进行insert overwrite操作，算法更简单
•  Hudi表提供Upsert的能力，当相同主键的数据存在，新数据会自动更新老数据，因此不用对老数据进行update操作，直接Insert即可（Sparksql的Insert操作默认为upsert操作。）
• 对于缓慢变化维的操作会更加简化，设置合理的主键，基于Merge语法直接操作，会更加简单。