《Greenplum企业应用实战》一第3章 Greenplum实战3.1　历史拉链表

本节书摘来自华章出版社《Greenplum企业应用实战》一书中的第3章，第3.1节，作者 何勇 陈晓峰，更多章节内容可以访问云栖社区“华章计算机”公众号查看

第3章 Greenplum实战

从本章开始我们结合实际需求，阐述一下日常项目开发中如何结合Greenplum的特性进行高效的开发，展现出Greenplum在海量数据分析中的优势。
本章将介绍两个完整的例子:数据仓库拉链记历史和网页浏览日志分析。在这两个例子中，会结合Greenplum的一些特性加以描述，之后会介绍使用Greenplum中要注意的一些特性，以及这些特性对性能的影响。

3.1 历史拉链表

数据仓库是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，用于支持管理决策。由于需要反映历史变化，数据仓库中的数据通常包含历史信息，系统记录了企业从过去某一时点（如开始应用数据仓库的时点）到目前的各个阶段的信息，通过这些信息，可以对企业的发展历程和未来趋势做出定量分析和预测。
历史拉链表是一种数据模型，主要是针对数据仓库设计中表存储数据的方式而定义的。顾名思义，所谓历史拉链表，就是记录一个事物从开始一直到当前状态的所有变化的信息。拉链表可以避免按每一天存储所有记录造成的海量存储问题，同时也是处理缓慢变化数据的一种常见方式。

3.1.1 应用场景描述

现假设有如下场景：一个企业拥有5000万会员信息，每天有20万会员资料变更，我们需要在Greenplum中记录会员表的历史变化以备数据挖掘分析等使用，即每天都要保留一个快照供查询，反映历史数据的情况。在此场景中，需要反映5000万会员的历史变化，如果保留快照，存储两年就需要2×365×5000W条数据存储空间，数据量为365亿，如果存储更长时间，则无法估计需要的存储空间。而用拉链算法存储，每日只向历史表中添加新增和变化的数据量，每日不过20万条，存储4年也只需要3亿存储空间。
接下来我们将概要讲述整个分析实施过程。

3.1.2 原理及步骤

在拉链表中，每一条数据都有一个生效日期（dw_beg_date）和失效日期（dw_end_date）。假设在一个用户表中，在2011年12月1日新增了两个用户，如表3-1所示，则这两条记录的生效时间为当天，由于到2011年12月1日为止，这两条记录还没有被修改过，所以失效时间为无穷大，这里设置为数据库中的最大值（3000-12-31）。

第二天（2011-12-02），用户10001被删除了，用户10002的电话号码被修改成13600000002。为了保留历史状态，用户10001的失效时间被修改为2011-12-02，用户10002则变成两条记录，如表3-2所示。

第三天（2011-12-03），又新增了用户10003，则用户表数据如表3-3所示。

如果要查询最新的数据，那么只要查询失效时间为3000-12-31的数据即可，如果要查询12月1号的历史数据，则筛选生效时间≤2011-12-01并且失效时间 2011-12-01的数据即可。如果查询的是12月2号的数据，那么筛选条件则是生效时间≤2011-12-02 并且失效时间 2011-12-02。读者可对表3-3的数据进行筛选，以检验结果是否正确。
在Greenplum中，则可以利用分区表按照dw_end_date保存时间，这样在查询的时候可以利用Greenplum的分区裁剪，从而减少IO消耗。下面通过图3-1讲解拉链表刷新的步骤，连线代表数据流向，线上的编号就是步骤编号。

首先介绍每个表的用途。
member_fatdt0：表示member的事实表，其中P30001231保存的是最新数据，每个分区保留的都是历史已失效的数据。
member_delta：当天的数据库变更数据，action字段表示该数据为新增（I）、更新（U）、删除（D）。
member_tmp0：刷新过程中的临时表，这个表有两个分区，分别记录历史数据，即当天失效数据，另一个分区记录的是当前数据。
member_tmp1：同样是刷新过程中的临时表，主要是在交换分区的时候使用。
刷新过程简单来说，就是将前一天的全量数据（分区P30001231）与当天的增量数据进行关联，并对不同的变更类型（action）进行相应的处理，最终生成最新数据，以及当天发生变更的历史数据。后续数据刷新实战中会介绍具体的步骤，下面先从表结构开始介绍。

3.1.3 表结构 拉链表（member_fatdt0）结构
member_fatdt0使用member_id作为分布键，使数据尽量打散在每个机器上（参考3.3节数据分布），通过with（appendonly=true,compresslevel=5）指定该表为压缩表，可以减少IO操作（参考3.4节数据压缩），将dw_end_date作为分区字段。建表语句如下：

Create table public.member_fatdt0

 Member_id varchar(64) --会员ID

 ,phoneno varchar(20) --电话号码

 ,dw_beg_date date --生效日期

 ,dw_end_date date --失效日期

 ,dtype char(1) --类型(历史数据、当前数据)

 ,dw_status char(1) --数据操作类型(I,D,U)

 ,dw_ins_date date --数据仓库插入日期

) with(appendonly=true,compresslevel=5) 

distributed by(member_id)

PARTITION BY RANGE (dw_end_date)

PARTITION p20111201 START (date 2011-12-01) INCLUSIVE ,

PARTITION p20111202 START (date 2011-12-02) INCLUSIVE ,

PARTITION p20111203 START (date 2011-12-03) INCLUSIVE ,

PARTITION p20111204 START (date 2011-12-04) INCLUSIVE ,

PARTITION p20111205 START (date 2011-12-05) INCLUSIVE ,

PARTITION p20111206 START (date 2011-12-06) INCLUSIVE ,

PARTITION p20111207 START (date 2011-12-07) INCLUSIVE ,

PARTITION p30001231 START (date 3000-12-31) INCLUSIVE 

END (date 3001-01-01) EXCLUSIVE 

增量表（member_delta）结构
建表语句如下：

Create table public.member_delta

 Member_id varchar(64) --会员ID

 ,phoneno varchar(20) --电话号码

 ,action char(1) --类型 (新增,删除,更新) 

 ,dw_ins_date date --数据仓库插入日期

) with(appendonly=true,compresslevel=5) 

distributed by(member_id);

临时表0（member_tmp0）结构
dtype为分区字段，H表示历史数据，C表示当前数据，建表语句如下：

Create table public.member_tmp0

 Member_id varchar(64) --会员ID

 ,phoneno varchar(20) --电话号码

 ,dw_beg_date date -生效日期

 ,dw_end_date date --失效日期

 ,dtype char(1) --类型 (历史数据、当前数据)

 ,dw_status char(1) --数据操作类型(I,D,U)

 ,dw_ins_date date --数据仓库插入日期

) with(appendonly=true,compresslevel=5) 

distributed by(member_id)

PARTITION BY LIST (dtype)

( PARTITION PHIS VALUES (H),

PARTITION PCUR VALUES (C),

DEFAULT PARTITION other );

临时表1（member_tmp1）结构
表结构与member_tmp1、member_fatdt0一模一样，建表语句如下：

Create table public.member_tmp1

 Member_id varchar(64) --会员ID

 ,phoneno varchar(20) --电话号码

 ,dw_beg_date date --生效日期

 ,dw_end_date date --失效日期

 ,dtype char(1) --类型 (历史数据、当前数据)

 ,dw_status char(1) --数据操作类型(I,D,U)

 ,dw_ins_date date --数据仓库插入日期

) with(appendonly=true,compresslevel=5) 

distributed by(member_id);

3.1.4 Demo数据准备

在这里为了清晰展示整个逻辑，仅以少量demo数据为例。
（1）增量表数据
12月2号增量数据，新增、删除、更新各有一条记录，如表3-4所示。
表3-4 12月2号增量数据

12月3号增量数据，新增、删除、更新各有一条记录，如表3-5所示。

（2）历史表初始数据
初始数据为12月1号，失效日期为3000年12月31号，如表3-6所示。

3.1.5 数据加载

Greenplum数据加载主要包括标准SQL的insert、copy、外部表、gpload、web external table几种方式，通过这个例子，将这几种方式一起来向读者介绍一下。

insert
这种数据加载方式效率最差，只适合加载极少量数据。这里向12月2号会员增量表中插入数据：

insert into public.member_delta values(mem006,13100000006,I,date2011-12-03);

insert into public.member_delta values(mem002,13100000002,D,date2011-12-03);

insert into public.member_delta values(mem003,13800000003,U,date2011-12-03);

copy
copy这种数据加载方式源于PostgreSQL，较SQL的 insert方式效率大大提升，但是数据仍然需通过Master节点，无法实现并行高效数据加载。这里向会员历史表加载12月1号开始的初始数据。

我们将数据以逗号分隔，存放在member_his_init.dat文件中，内容如下：

mem001,13100000001,2011-12-01,3000-12-31,C,I,2011-12-01

mem002,13100000002,2011-12-01,3000-12-31,C,I,2011-12-01

mem003,13100000003,2011-12-01,3000-12-31,C,I,2011-12-01

mem004,13100000004,2011-12-01,3000-12-31,C,I,2011-12-01

mem005,13100000005,2011-12-01,3000-12-31,C,I,2011-12-01

copy命令如下，指定分隔符还有数据文件。

testDB=# copy public.member_fatdt0_1_prt_p30001231 from /home/gpadmin/member_his_init.dat with delimiter ,;

COPY 5

外部表
外部表在2.3.8节中已经简单介绍过了，首先，启动gpfdist服务：

$nohup gpfdist -d /home/gpadmin/data/ -p 8888 -l /home/gpadmin/data/gpfdist.log 

其次，创建外部表：

drop external table if exists public.member_ext;

create external table public.member_ext

 Member_id varchar(64)

 ,phoneno varchar(20)

 ,action char(1)

 ,dw_ins_date date

location (gpfdist://localhost:8888/member_delta.dat)

format text

(delimiter , null as  escape off)

encoding gb18030

log errors into member_err segment reject limit 2 rows;

最后，执行数据装载：

testDB=# Insert into public.member_delta select * from public.member_ext;

INSERT 0 3

gpload
gpload是对外部表的一层封装，详细可参考用户手册，这里直接介绍使用语法，首先，编写gpload控制文件member.yml，代码如下：

---

VERSION: 1.0.0.1

DATABASE: testDB

USER: gpadmin

HOST: localhost

PORT: 5432

GPLOAD:

 INPUT:

 - SOURCE:

 LOCAL_HOSTNAME:

 - mdw

 PORT: 8081

 FILE:

 - /home/gpadmin/data/member_delta.dat

 - COLUMNS:

 - Member_id: varchar(64)

 - phoneno: varchar(20)

 - action: char(1)

 - dw_ins_date: date

 - FORMAT: text

 - DELIMITER: ,

 - ERROR_LIMIT: 2

 - ERROR_TABLE: public.member_err

 OUTPUT:

 - TABLE: public.member_delta

 - MODE: INSERT

 SQL:

 - BEFORE: "truncate table public.member_delta"

 - AFTER: "analyze public.member_delta"

其次，执行数据加载：

$gpload -f member.yml 

2012-01-08 14:30:01|INFO|gpload session started 2012-01-08 14:30:01

2012-01-08 14:30:01|INFO|started gpfdist -p 8081 -P 8082 -f "/home/gpadmin/data/member_delta.dat" -t 30

2012-01-08 14:30:09|INFO|running time: 7.85 seconds

2012-01-08 14:30:09|INFO|rows Inserted = 3

2012-01-08 14:30:09|INFO|rows Updated = 0

2012-01-08 14:30:09|INFO|data formatting errors = 0

2012-01-08 14:30:09|INFO|gpload succeeded

最后，验证数据：

testDB=# select * from public.member_delta;

 member_id | phoneno | action | dw_ins_date 

-----------+-------------+--------+-------------

 mem006 | 13100000006 | I | 2011-12-02

 mem002 | 13100000002 | D | 2011-12-02

 mem003 | 13100000003 | U | 2011-12-02

(3 rows)

可执行外部表
可执行外部表会在6.3.4节中介绍，其中基于操作系统命令读取数据文件的方式如下，用法跟普通外部表类似，不过不用启动gpfdist服务，下面的外部表只在Master上执行：

drop external web table if exists public.member_ext;

create external web table public.member_ext

 Member_id varchar(64)

 ,phoneno varchar(20)

 ,action char(1)

 ,dw_ins_date date

EXECUTE cat /home/gpadmin/data/member_delta.dat ON master

format text

(delimiter , null as  escape off)

encoding gb18030

清空member_delta表并插入数据：

testDB=# truncate table public.member_delta ;

TRUNCATE TABLE

testDB=# Insert into public.member_delta select * from public.member_ext;

INSERT 0 3

3.1.6 数据刷新 拉链表刷新
Step1：对事实表中最新数据（分区P30001231）与member_delta表中的更新、删除数据进行左外连接，关联上则说明该数据已发生过变更，需要将该数据的失效时间更新为当天，并插入到member_tmp0表中的历史数据分区中，关联不上则说明没有发生过变更，需要将该数据插入到member_tmp0表的当前数据分区中。Greenplum会根据dtype的数据自动选择对应的分区。

初始全量数据为2011-12-01号，在12月3号刷新12月2号增量数据，代码如下：

truncate table public.member_tmp0;

--清理临时表

INSERT INTO public.member_tmp0

 Member_id 

,phoneno 

,dw_beg_date 

,dw_end_date 

,dtype 

,dw_status 

,dw_ins_date 

SELECT a.Member_id 

 ,a.phoneno 

 ,a.dw_beg_date 

 ,CASE WHEN b.Member_id IS NULL THEN a.dw_end_date

 ELSE date2011-12-02 

 END AS dw_end_date 

 ,CASE WHEN b.Member_id IS NULL THEN C 

 ELSE H

 END AS dtype 

 ,CASE WHEN b.Member_id IS NULL THEN a.dw_status

 ELSE b.action 

 END AS dw_status 

 ,date2011-12-03 

FROM public.member_fatdt0 a

left join public.member_delta b

ON a.Member_id=b.Member_id

AND b.action IN(D,U)

WHERE a.dw_beg_date =cast(2011-12-02 as date)-1

AND a.dw_end_date cast(2011-12-02 as date)-1;

Step2：将member_delta的新增、更新数据插入到member_tmp0表的当前数据分区中。

INSERT INTO public.member_tmp0

 Member_id 

,phoneno 

,dw_beg_date 

,dw_end_date 

,dtype 

,dw_status 

,dw_ins_date 

SELECT Member_id 

 ,phoneno 

 ,cast(2011-12-02 as date) 

 ,cast(3000-12-31 as date) 

 ,C 

 ,action 

 ,cast(2011-12-03 as date)

FROM public.member_delta

WHERE action IN(I,U);

Step3：将member_fatdt0表中的对应分区（P20121201）与member_tmp0表的历史数据分区交换。

Truncate table public.member_tmp1;

alter table public.member_tmp0 exchange partition for(H) with table public.member_tmp1;

alter table public.member_fatdt0 exchange partition for(2011-12-02) with table public.member_tmp1;

Step4：将member_fatdt0表中对应的当前数据分区（p30001231）与member_tmp0表的当前数据分区交换。

alter table public.member_tmp0 exchange partition for(C) with table public.member_tmp1;

alter table public.member_fatdt0 exchange partition for(3000-12-31) with table public.member_tmp1;

至此，拉链表数据刷新完成，数据验证如图3-2所示。

同样，更新对应的日期，可以刷新3号的增量数据。

历史数据查询
基于拉链表，我们可以回溯到历史上任意一天的数据状态。

3.1.7 分区裁剪

下面通过查看执行计划（第5章讲详细介绍执行计划）来介绍Greenplum的分区表的功能。
全表扫描的执行计划如下：

testDB=# explain select * from public.member_fatdt0;

 QUERY PLAN 

-----------------------------------------------------------------------------

 Gather Motion 6:1 (slice1; segments: 6) (cost=0.00..108.40 rows=1708 width=36)

 - Append (cost=0.00..108.40 rows=1708 width=36)

 - Append-only Scan on member_fatdt0_1_prt_p20111201 member_fatdt0 (cost=0.00..0.00 rows=1 width=232)

 - Append-only Scan on member_fatdt0_1_prt_p20111202 member_fatdt0 (cost=0.00..0.00 rows=1 width=232)

 - Append-only Scan on member_fatdt0_1_prt_p20111203 member_fatdt0 (cost=0.00..0.00 rows=1 width=232)

 - Append-only Scan on member_fatdt0_1_prt_p30001231 member_fatdt0 (cost=0.00..108.40 rows=1707 width=3

(10 rows)

通过执行计划可以看出，Greenplum扫描了所有的分区。当加入筛选条件dw_end_date=3000-12-31时，执行计划如下：

testDB=# explain select * from public.member_fatdt0 where dw_end_date=3000-12-31;

 QUERY PLAN 

---------------------------------------------------------------

 Gather Motion 6:1 (slice1; segments: 6) (cost=0.00..134.00 rows=1707 width=35)

 - Append (cost=0.00..134.00 rows=1707 width=35)

 - Append-only Scan on member_fatdt0_1_prt_p30001231 member_fatdt0 (cost=0.00..134.00 rows=1707 width=35)

 Filter: dw_end_date = 3000-12-31::date

(4 rows)

这时，分区裁剪发生了作用，只扫描了P30001231这个分区。

3.1.8 数据导出

Greenplum在处理大数据量数据导出时常用的方式主要有并行导出（可写外部表）和非并行导出（COPY），copy命令比较简单，就不细说了。下面我们分别简单介绍下可写外部表数据导出方式，通过gpfdist可写外部表将数据导出至文件服务器。
1）创建可写外部表：

testDB=# CREATE WRITABLE EXTERNAL TABLE member_tmp1_unload

testDB-# ( LIKE member_tmp1 )

testDB-# LOCATION (gpfdist://localhost:8080/member_tmp1.dat)

testDB-# FORMAT TEXT (DELIMITER ,)

testDB-# DISTRIBUTED BY (member_id);

CREATE EXTERNAL TABLE

WRITABLE关键字表示该外部表是可写外部表；Like语句表示创建的外部表的表结构与member_tmp1表结构一样；LOCATION指定gpfdist的机器名跟端口，还有保存的文件名；FORMAT为导出文件格式定义。
2）执行数据导出：

testDB=# insert into member_tmp1_unload select * from member_tmp1;

INSERT 0 5

跟普通insert语句一样，只需要将数据插入外部表即可。
3）验证生成的文件：

$less member_tmp1.dat 

mem004,13100000004,2011-12-01,3000-12-31,C,I,2011-12-03

mem006,13100000006,2011-12-02,3000-12-31,C,I,2011-12-03

mem001,13100000001,2011-12-01,3000-12-31,C,I,2011-12-03

mem005,13100000005,2011-12-01,3000-12-31,C,I,2011-12-03

mem003,13800000003,2011-12-02,3000-12-31,C,U,2011-12-03

Presto 架构原理与优化介绍 ｜ 青训营笔记 MapReduce代表了抽象的物理执行模型，使用]槛较高。 与Mapreduce Job相比，OLAP引擎常通过SQL的形式，为数据分析、数据开发人员提供统的逻辑描述语言，实际的物理执行由具体的引|擎进行转换和优化。