前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >在Hive上实现SCD

在Hive上实现SCD

作者头像
用户1148526
发布2019-05-25 19:44:15
7780
发布2019-05-25 19:44:15
举报
文章被收录于专栏:Hadoop数据仓库Hadoop数据仓库

版权声明:本文为博主原创文章,未经博主允许不得转载。 https://cloud.tencent.com/developer/article/1433192

一、问题提出

代码语言:txt
复制
     官方一直称Hive是Hadoop数据仓库解决方案。既然是数据仓库就离不开多维、CDC、SCD这些概念,于是尝试了一把在Hive上实现SCD1和SCD2。这有两个关键点,一个是行级更新,一个是生成代理键。行级更新hive本身就是支持的,但需要一些配置,还有一些限制。具体可参考[http://blog.csdn.net/wzy0623/article/details/51483674](http://blog.csdn.net/wzy0623/article/details/51483674)。生成代理键在RDBMS上一般都用自增序列。Hive也有一些对自增序列的支持,本实验分别使用了窗口函数ROW\_NUMBER()和hive自带的UDFRowSequence实现生成代理键。

二、软件版本

Hadoop 2.7.2

Hive 2.0.0

三、实验步骤

  1. 准备初始数据文件a.txt,内容如下:
代码语言:javascript
复制
1,张三,US,CA
2,李四,US,CB
3,王五,CA,BB
4,赵六,CA,BC
5,老刘,AA,AA
  1. 用ROW_NUMBER()方法实现初始装载和定期装载

(1)建立初始装载脚本init_row_number.sql,内容如下:

代码语言:javascript
复制
USE test;

-- 建立过渡表
DROP TABLE IF EXISTS tbl_stg;
CREATE TABLE tbl_stg (
    id INT,
    name STRING,
    cty STRING,
    st STRING
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ',';

-- 建立维度表
DROP TABLE IF EXISTS tbl_dim;
CREATE TABLE tbl_dim (
    sk INT,
    id INT,
    name STRING,
    cty STRING,
    st STRING,
    version INT,
    effective_date DATE,
    expiry_date DATE)
CLUSTERED BY (id) INTO 8 BUCKETS
STORED AS ORC TBLPROPERTIES ('transactional'='true');

-- 向过渡表加载初始数据
LOAD DATA LOCAL INPATH '/home/grid/BigDataDWTest/a.txt' INTO TABLE tbl_stg;

-- 向维度表装载初始数据
INSERT INTO tbl_dim
SELECT
    ROW_NUMBER() OVER (ORDER BY tbl_stg.id) + t2.sk_max,
    tbl_stg.*,
    1,
    CAST('1900-01-01' AS DATE),
    CAST('2200-01-01' AS DATE)
from tbl_stg CROSS JOIN (SELECT COALESCE(MAX(sk),0) sk_max FROM tbl_dim) t2;

(2)执行初始装载

代码语言:javascript
复制
hive -S -f /home/grid/BigDataDWTest/init_row_number.sql

(3)修改数据文件a.txt,内容如下:

代码语言:javascript
复制
1,张,U,C
3,王五,CA,BB
4,赵六,AC,CB
5,刘,AA,AA
6,老杨,DD,DD

说明:

  1. 新增了第6条数据
  2. 删除了第2条数据
  3. 修改了第1条数据的name列、cty列和st列(name列按SCD2处理,cty列和st列按SCD1处理)
  4. 修改了第4条数据的cty列和st列(按SCD1处理)
  5. 修改了第5条数据的name列(按SCD2处理)

(4)建立定期装载脚本scd_row_number.sql,内容如下:

代码语言:javascript
复制
USE test;

-- 设置日期变量
SET hivevar:pre_date = DATE_ADD(CURRENT_DATE(),-1);
SET hivevar:max_date = CAST('2200-01-01' AS DATE);

-- 向过渡表加载更新后的数据
LOAD DATA LOCAL INPATH '/home/grid/BigDataDWTest/a.txt' OVERWRITE INTO TABLE tbl_stg;

-- 向维度表装载更新后的数据
-- 设置已删除记录和SCD2的过期
UPDATE tbl_dim
SET expiry_date = ${hivevar:pre_date}
WHERE sk IN
(SELECT a.sk FROM (
SELECT sk,id,name FROM tbl_dim WHERE expiry_date = ${hivevar:max_date}) a LEFT JOIN tbl_stg b ON a.id=b.id
WHERE b.id IS NULL OR a.name<>b.name);

-- 处理SCD2新增行
INSERT INTO tbl_dim
SELECT
    ROW_NUMBER() OVER (ORDER BY t1.id) + t2.sk_max,
    t1.id,
    t1.name,
    t1.cty,
    t1.st,
    t1.version,
    t1.effective_date,
    t1.expiry_date
FROM
(
SELECT
    t2.id id,
    t2.name name,
    t2.cty cty,
    t2.st st,
    t1.version + 1 version,
    ${hivevar:pre_date} effective_date,
    ${hivevar:max_date} expiry_date
FROM tbl_dim t1 INNER JOIN tbl_stg t2
ON t1.id=t2.id AND t1.name<>t2.name AND t1.expiry_date = ${hivevar:pre_date}
LEFT JOIN tbl_dim t3 ON T1.id = t3.id AND t3.expiry_date = ${hivevar:max_date}
WHERE t3.sk IS NULL) t1
CROSS JOIN
(SELECT COALESCE(MAX(sk),0) sk_max FROM tbl_dim) t2;

-- 处理SCD1
-- 因为hive的update还不支持子查询,所以这里使用了一个临时表存储需要更新的记录,用先delete再insert代替update
-- 因为SCD1本身就不保存历史数据,所以这里更新维度表里的所有cty或st改变的记录,而不是仅仅更新当前版本的记录
DROP TABLE IF EXISTS tmp;
CREATE TABLE tmp AS
SELECT a.sk,a.id,a.name,b.cty,b.st,a.version,a.effective_date,a.expiry_date FROM tbl_dim a, tbl_stg b
WHERE a.id=b.id AND (a.cty <> b.cty OR a.st <> b.st);
DELETE FROM tbl_dim WHERE sk IN (SELECT sk FROM tmp);
INSERT INTO tbl_dim SELECT * FROM tmp;

-- 处理新增记录
INSERT INTO tbl_dim
SELECT
    ROW_NUMBER() OVER (ORDER BY t1.id) + t2.sk_max,
    t1.id,
    t1.name,
    t1.cty,
    t1.st,
    1,
    ${hivevar:pre_date},
    ${hivevar:max_date}
FROM
(
SELECT t1.* FROM tbl_stg t1 LEFT JOIN tbl_dim t2 ON t1.id = t2.id
WHERE t2.sk IS NULL) t1
CROSS JOIN
(SELECT COALESCE(MAX(sk),0) sk_max FROM tbl_dim) t2;

(5)执行定期装载

代码语言:javascript
复制
hive -S -f /home/grid/BigDataDWTest/scd_row_number.sql

查询维度表结果如图1所示。

代码语言:javascript
复制
select * from tbl_dim order by id,version;

图1

(6)再次执行定期装载,维度表的数据没有变化

代码语言:javascript
复制
hive -S -f /home/grid/BigDataDWTest/scd_row_number.sql
  1. 用UDFRowSequence方法实现初始装载和定期装载 实验过程和ROW_NUMBER()方法基本一样,只是先要将hive-contrib-2.0.0.jar传到HDFS上,否则会报错。
代码语言:javascript
复制
hadoop dfs -put /home/grid/hive/lib/hive-contrib-2.0.0.jar /user

初始装载脚本init_UDFRowSequence.sql,内容如下:

代码语言:javascript
复制
USE test;

ADD JAR hdfs:///user/hive-contrib-2.0.0.jar;
CREATE TEMPORARY FUNCTION row_sequence as 'org.apache.hadoop.hive.contrib.udf.UDFRowSequence';

-- 建立过渡表
DROP TABLE IF EXISTS tbl_stg;
CREATE TABLE tbl_stg (
    id INT,
    name STRING,
    cty STRING,
    st STRING
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ',';

-- 建立维度表
DROP TABLE IF EXISTS tbl_dim;
CREATE TABLE tbl_dim (
    sk INT,
    id INT,
    name STRING,
    cty STRING,
    st STRING,
    version INT,
    effective_date DATE,
    expiry_date DATE)
CLUSTERED BY (id) INTO 8 BUCKETS
STORED AS ORC TBLPROPERTIES ('transactional'='true');

-- 向过渡表加载初始数据
LOAD DATA LOCAL INPATH '/home/grid/BigDataDWTest/a.txt' INTO TABLE tbl_stg;

-- 向维度表装载初始数据
INSERT INTO tbl_dim
SELECT
    t2.sk_max + row_sequence(),
    tbl_stg.*,
    1,
    CAST('1900-01-01' AS DATE),
    CAST('2200-01-01' AS DATE)
from tbl_stg CROSS JOIN (SELECT COALESCE(MAX(sk),0) sk_max FROM tbl_dim) t2;

定期装载脚本scd_UDFRowSequence.sql,内容如下:

代码语言:javascript
复制
USE test;

ADD JAR hdfs:///user/hive-contrib-2.0.0.jar;
CREATE TEMPORARY FUNCTION row_sequence as 'org.apache.hadoop.hive.contrib.udf.UDFRowSequence';

-- 设置日期变量
SET hivevar:pre_date = DATE_ADD(CURRENT_DATE(),-1);
SET hivevar:max_date = CAST('2200-01-01' AS DATE);

-- 向过渡表加载更新后的数据
LOAD DATA LOCAL INPATH '/home/grid/BigDataDWTest/a.txt' OVERWRITE INTO TABLE tbl_stg;

-- 向维度表装载更新后的数据
-- 设置已删除记录和SCD2的过期
UPDATE tbl_dim
SET expiry_date = ${hivevar:pre_date}
WHERE sk IN
(SELECT a.sk FROM (
SELECT sk,id,name FROM tbl_dim WHERE expiry_date = ${hivevar:max_date}) a LEFT JOIN tbl_stg b ON a.id=b.id
WHERE b.id IS NULL OR a.name<>b.name);

-- 处理SCD2新增行
INSERT INTO tbl_dim
SELECT
    t2.sk_max + row_sequence(),
    t1.id,
    t1.name,
    t1.cty,
    t1.st,
    t1.version,
    t1.effective_date,
    t1.expiry_date
FROM
(
SELECT
    t2.id id,
    t2.name name,
    t2.cty cty,
    t2.st st,
    t1.version + 1 version,
    ${hivevar:pre_date} effective_date,
    ${hivevar:max_date} expiry_date
FROM tbl_dim t1 INNER JOIN tbl_stg t2
ON t1.id=t2.id AND t1.name<>t2.name AND t1.expiry_date = ${hivevar:pre_date}
LEFT JOIN tbl_dim t3 ON T1.id = t3.id AND t3.expiry_date = ${hivevar:max_date}
WHERE t3.sk IS NULL) t1
CROSS JOIN
(SELECT COALESCE(MAX(sk),0) sk_max FROM tbl_dim) t2;

-- 处理SCD1
-- 因为hive的update还不支持子查询,所以这里使用了一个临时表存储需要更新的记录,用先delete再insert代替update
-- 因为SCD1本身就不保存历史数据,所以这里更新维度表里的所有cty或st改变的记录,而不是仅仅更新当前版本的记录
DROP TABLE IF EXISTS tmp;
CREATE TABLE tmp AS
SELECT a.sk,a.id,a.name,b.cty,b.st,a.version,a.effective_date,a.expiry_date FROM tbl_dim a, tbl_stg b
WHERE a.id=b.id AND (a.cty <> b.cty OR a.st <> b.st);
DELETE FROM tbl_dim WHERE sk IN (SELECT sk FROM tmp);
INSERT INTO tbl_dim SELECT * FROM tmp;

-- 处理新增记录
INSERT INTO tbl_dim
SELECT
    t2.sk_max + row_sequence(),
    t1.id,
    t1.name,
    t1.cty,
    t1.st,
    1,
    ${hivevar:pre_date},
    ${hivevar:max_date}
FROM
(
SELECT t1.* FROM tbl_stg t1 LEFT JOIN tbl_dim t2 ON t1.id = t2.id
WHERE t2.sk IS NULL) t1
CROSS JOIN
(SELECT COALESCE(MAX(sk),0) sk_max FROM tbl_dim) t2;

参考:

http://blog.csdn.net/wzy0623/article/details/49616643

http://www.remay.com.br/blog/hdp-2-2-how-to-create-a-surrogate-key-on-hive/

http://www.aboutechnologies.com/2016/02/hive-auto-increment-column.html

本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2016年05月26日,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
内容分发网络 CDN
内容分发网络(Content Delivery Network,CDN)通过将站点内容发布至遍布全球的海量加速节点,使其用户可就近获取所需内容,避免因网络拥堵、跨运营商、跨地域、跨境等因素带来的网络不稳定、访问延迟高等问题,有效提升下载速度、降低响应时间,提供流畅的用户体验。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档