什么是缓慢变化维（SCD)、

1、缓慢变化维简介

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

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：

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  

 

2、在Hive中 demo数据库   创建ods层表

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 

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）

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

-- 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'); -- 查看分区 show partitions ods_product_2; -- 查看属性 desc ods_product_2;

 

使用 kettle 从mysql 查询数据到 hive 的元数据路径中 保存为txt 格式 kettle 表输入 到 Hadoop File Ouput SELECT * FROM t_product_2 where modifytime <= '${dt}' 3、编写SQL从ods导入dw当天最新的数据 insert overwrite table `demo`.`dw_product_2` select goods_id, goods_status, createtime, modifytime, modifytime as dw_start_date, '9999-12-31' as dw_end_date from ods_product_2 where dt='2019-12-20'; 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 拉链表的失效时间 -- 重新计算 dw 层 拉链表中的失效时间 select t1.goods_id, t1.goods_status, t1.createtime, t1.modifytime, t1.dw_start_date, 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 from dw_product_2 t1 left join (select * from ods_product_2 where dt='2019-12-21') t2 on t1.goods_id=t2.goods_id ; 6、最终进行 dw 和 ods 的 拉链合并 合并当天最新的数据和历史数据到 -- 合并 当天 最新的数据 和历史数据 insert overwrite table `demo`.`dw_product_2` select t1.goods_id, t1.goods_status, t1.createtime, t1.modifytime, t1.dw_start_date, 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 from dw_product_2 t1 left join (select * from ods_product_2 where dt='2019-12-21') t2 on t1.goods_id=t2.goods_id union all select goods_id, goods_status, createtime, modifytime, modifytime as dw_start_date, '9999-12-31' as dw_end_date from ods_product_2 where dt='2019-12-21' 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;