解决缓慢变化维—拉链表


什么是缓慢变化维（SCD)、

1、缓慢变化维简介

  1. 缓慢变化维，简称SCD（Slowly Changing Dimensions）
  2. 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）
  3. 这种随着时间发生变化的维度称之为缓慢变化维
  4. 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

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。

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。

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。

  • 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。

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。

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。

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。

数仓项目-拉链表技术介绍

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;
  1. 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
  1. 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、在Hive中 demo数据库 创建ods层表

1
2
3
4
5
6
7
create table ods_product_2(
                              goods_id string,
                              goods_status string,
                              createtime string,
                              modifytime string
)   partitioned by (dt string)
    row format delimited fields terminated by ',' stored as TEXTFILE;

Hive dw层创建拉链表

1
2
3
4
5
6
7
8
9
10
11
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,
                                                    dw_end_date string
 
 
)
    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）

1
2
3
4
5
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

Kettle组件图

设置命名参数

3 创建Hive分区

1
2
3
4
-- 创建 分区
alter table `demo`.`ods_product_2` add if not exists partition (dt='2019-12-20');
 
alter table `demo`.`ods_product_2` add if not exists partition (dt='2019-12-21');
1
2
3
4
5
6
-- 查看分区
 
show partitions ods_product_2;
 
-- 查看属性
desc  ods_product_2;