Hudi实现拉链表实战

1 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

2 拉链表实现算法

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)

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)

新增数据Tmp_table与Now_table关联，将以存在数据更新写入Now_table，end_date为当前时间

将新增数据全部写入Now_table,end_date为'9999-12-31'

3 实现举例

创建Now_table，并初始化数据

新增数据临时表Tmp_table,新增数据到Tmp_table

Tmp_table数据内容如下：

将Now_table数据闭链

Now_table数据变更如下：

将增量数据开链写入Now_table

Now_table数据更新如下：

通过userid可以查询到历史的状态变化。

4 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。