缓慢变化维

什么是缓慢变化维(SCD)

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。

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。

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

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。

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。

例如用户维度表，修改前：

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。

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。例如用户维度表修改前：

修改后：

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。例如用户维度表修改前：

修改后：

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：

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。

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：

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;
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
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

相信大家看到这里，可能对拉链表技术已经实现的效果可能不太清楚，下面将通过一个案例为大家进行演示实现拉链表的具体操作。

案例：商品历史快照

有一个商品表：

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？

使用拉链表保存历史快照思路

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

可以发现：

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 从 9999-12-31 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。新数据 005、006、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：

003 编号的商品数据的状态发生了变化（从在售 → 已删除），需要将原有的 dw_end_date 从 9999-12-31 变为 2019-12-22，表示在售状态，在 2019/12/20（包含） - 2019/12/22（不包含）有效
003 编号新的状态重新保存了一条记录，dw_start_date 为 2019/12/22，dw_end_date 为 9999/12/31。新数据 007、008、dw_start_date 为 2019/12/22，dw_end_date 为 9999/12/31

拉链表存储历史快照代码实现

操作步骤：

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）
只同步当天修改的数据到 ods 层
拉链表算法实现
- 编写 SQL 处理当天最新的数据（新添加的数据和修改过的数据）
- 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

MySQL 创建商品表：

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

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

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;

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、首先 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

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

-- 表输入
SELECT
*
FROM t_product_2
where modifytime <= '${dt}'

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

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

-- 表输入读取 MySQL 数据
SELECT
*
FROM t_product_2
where modifytime = '${dt}'

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     -- 小的是以前修改的，不用修改，只修改9999-12-31的数据
  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 dw 层

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'    -- 只有新增和修改的数据
order by dw_start_date, goods_id;

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;

最近更新于 0001-01-01