在Hive上实现SCD
一、问题提出
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。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：
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）
2. 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。
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
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。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：
1,张三,US,CA 2,李四,US,CB 3,王五,CA,BB 4,赵六,CA,BC 5,老刘,AA,AA2. 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：
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
hive -S -f /home/grid/BigDataDWTest/init_row_number.sql（3）修改数据文件a.txt，内容如下：
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：
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
hive -S -f /home/grid/BigDataDWTest/scd_row_number.sql查询维度表结果如图1所示。
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
hive -S -f /home/grid/BigDataDWTest/scd_row_number.sql
2. 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。
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：
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：
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