CN113495891B - 一种数据处理方法和装置 - Google Patents
一种数据处理方法和装置 Download PDFInfo
- Publication number
- CN113495891B CN113495891B CN202010196414.1A CN202010196414A CN113495891B CN 113495891 B CN113495891 B CN 113495891B CN 202010196414 A CN202010196414 A CN 202010196414A CN 113495891 B CN113495891 B CN 113495891B
- Authority
- CN
- China
- Prior art keywords
- data
- data set
- remark information
- row
- unit names
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000005192 partition Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 abstract description 29
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 101100202502 Caenorhabditis elegans scd-2 gene Proteins 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- AEDMQUAPBVOJNN-UHFFFAOYSA-N [3-[2-[4-[2-(trifluoromethyl)phenoxy]piperidin-1-yl]-1,3-thiazol-5-yl]-1,2,4-oxadiazol-5-yl]methanol Chemical compound O1C(CO)=NC(C=2SC(=NC=2)N2CCC(CC2)OC=2C(=CC=CC=2)C(F)(F)F)=N1 AEDMQUAPBVOJNN-UHFFFAOYSA-N 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000001072 colon Anatomy 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24553—Query execution of query operations
- G06F16/24554—Unary operations; Data partitioning operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种数据处理方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：获取数据表对应的第一数据集，以及用于对所述第一数据集进行更新的第二数据集；对比所述第一数据集与所述第二数据集中每一行数据对应的数据标识；根据所述数据标识在所述第二数据集中对应的数据行更新所述第一数据集，且更新后的所述第一数据集中的数据行具有备注信息。该实施方式降低了存储空间，提高了获取数据变化原因的效率。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种数据处理方法和装置。
背景技术
在数据仓库领域处理缓慢变化维(Slowly Changing Dimension，SCD)的方式分为类型1(SCD-1)、类型2(SCD-2)、类型3(SCD-3)三种：对于SCD-1，数据行中原来的属性值被新属性值覆盖，不保留历史情况；对于SCD-2，数据表中需要增加新数据行，新数据行中采用新属性值，但需要增加行有效日期、行失效日期、当前行标识三列；对于SCD-3，数据表中需要增加新列，新列中保存原来的属性值，而原先的列的属性值被新属性值覆盖。因此，在需要查询历史数据时，需要使用SCD-2或SCD-3。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：SCD-2方案虽可以利用时间戳反映数据行的更新时间，但不能直观反映数据变化原因，且维度表中的每一个维度发生变化都会造成旧行失效及新行生效，在需要确定发生变化的具体维度时，需要进行表的关联、按时间排序、新旧数据行对比等复杂操作，耗时、耗力；SCD-3方案虽可以在一行当中反映出属性值的变化，但随着发生变化维度的增加，增加新列的数量逐步增加，需消耗大量存储空间。
发明内容
有鉴于此，本发明提供一种数据处理方法和装置，能够通过数据行中的备注信息直接反映数据的变化原因，便于用户搜索获取数据变化原因，又可以节省因增加新列消耗的存储空间。
为实现上述目的，根据本发明的一个方面，提供了一种数据处理方法，包括：
获取数据表对应的第一数据集，以及用于对所述第一数据集进行更新的第二数据集；
对比所述第一数据集与所述第二数据集中每一行数据对应的数据标识；
根据所述数据标识在所述第二数据集中对应的数据行更新所述第一数据集，且更新后的所述第一数据集中的数据行具有备注信息。
可选地，所述根据所述数据标识在所述第二数据集中对应的数据行更新所述第一数据集，且更新后的所述第一数据集中的数据行具有备注信息，包括：
在所述数据标识仅存在于所述第二数据集的情况下，根据所述数据标识在所述第二数据集中对应的数据行，在所述第一数据集中生成所述数据标识对应的新数据行，且所述新数据行具有备注信息；
在所述数据标识同时存在于所述第一数据集及所述第二数据集的情况下，对比所述数据标识对应的一个或多个数据单元名分别在所述第一数据集及所述第二数据集中对应的取值，以更新所述数据标识在所述第一数据集中对应的数据行以及所述数据行的备注信息。
可选地，在所述数据标识仅存在于所述第二数据集的情况下，在所述新数据行的备注信息中记录所述数据标识在所述第二数据集中对应的一个或多个数据单元名；
在所述数据标识同时存在于所述第一数据集及所述第二数据集，且所述数据单元名在所述第一数据集及所述第二数据集中对应的取值不同的情况下，在所述备注信息中相对应地记录所述数据单元名、所述数据单元名在所述第一数据集中的取值、所述数据单元名在所述第二数据集中的取值。
可选地，还包括：
在所述备注信息中使用预设的分隔符分隔一个或多个所述数据单元名以及所述数据单元名在第一数据集及所述第二数据集中对应的取值，且所述预设的分隔符仅存在于所述备注信息中。
可选地，根据所述预设的分隔符，使用正则匹配规则对所述备注信息进行搜索。
可选地，所述第一数据集存储于所述数据表的当前分区中；
在所述第一数据集更新后，将更新前的所述第一数据集中的一行或多行数据存储至所述数据表的历史分区中。
为实现上述目的，根据本发明的另一个方面，提供了一种数据处理装置，包括：数据集获取模块、数据标识对比模块、数据集更新模块；其中，
所述数据集获取模块，用于获取数据表对应的第一数据集，以及用于对所述第一数据集进行更新的第二数据集；
所述数据标识对比模块，用于对比所述第一数据集与所述第二数据集中每一行数据对应的数据标识；
所述数据集更新模块，用于根据所述数据标识在所述第二数据集中对应的数据行更新所述第一数据集，且更新后的所述第一数据集中的数据行具有备注信息。
可选地，所述根据所述数据标识在所述第二数据集中对应的数据行更新所述第一数据集，且更新后的所述第一数据集中的数据行具有备注信息，包括：
在所述数据标识仅存在于所述第二数据集的情况下，根据所述数据标识在所述第二数据集中对应的数据行，在所述第一数据集中生成所述数据标识对应的新数据行，且所述新数据行具有备注信息；
在所述数据标识同时存在于所述第一数据集及所述第二数据集的情况下，对比所述数据标识对应的一个或多个数据单元名分别在所述第一数据集及所述第二数据集中对应的取值，以更新所述数据标识在所述第一数据集中对应的数据行以及所述数据行的备注信息。
可选地，所述数据集更新模块，还用于，
在所述数据标识仅存在于所述第二数据集的情况下，在所述新数据行的备注信息中记录所述数据标识在所述第二数据集中对应的一个或多个数据单元名；
在所述数据标识同时存在于所述第一数据集及所述第二数据集，且所述数据单元名在所述第一数据集及所述第二数据集中对应的取值不同的情况下，在所述备注信息中相对应地记录所述数据单元名、所述数据单元名在所述第一数据集中的取值、所述数据单元名在所述第二数据集中的取值。
可选地，所述数据集更新模块，还用于，
在所述备注信息中使用预设的分隔符分隔一个或多个所述数据单元名以及所述数据单元名在第一数据集及所述第二数据集中对应的取值，且所述预设的分隔符仅存在于所述备注信息中。
可选地，还包括：信息搜索模块；其中，
所述信息搜索模块，用于根据所述预设的分隔符，使用正则匹配规则对所述备注信息进行搜索。
可选地，所述第一数据集存储于所述数据表的当前分区中；
所述数据集更新模块，还用于在所述第一数据集更新后，将更新前的所述第一数据集中的一行或多行数据存储至所述数据表的历史分区中。
为实现上述目的，根据本发明的又一个方面，提供了一种用于数据处理的电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，所述一个或多个处理器实现如上所述的数据处理方法中任一所述的方法。
为实现上述目的，根据本发明的再一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的数据处理方法中任一所述的方法。
上述发明中具有如下优点或有益效果：由于在对数据表中数据进行更新时，通过在数据行对应的备注信息中记录变化数据单元名以及对应的新旧值，可以直观地反应数据变化原因；在此基础上，对于任意数据单元名，可以通过正则匹配规则快速定位发生变化时对应的数据行；此外，由于通过备注信息记录数据单元名对的新旧值，无需增加新列，减少了因增加新列消耗的存储空间。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的数据处理方法的主要流程的示意图；
图2是根据本发明实施例的另一数据处理方法的主要流程的示意图；
图3是根据本发明实施例的数据处理装置的主要模块的示意图；
图4是本发明实施例可以应用于其中的示例性系统架构图；
图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的数据处理方法的主要流程的示意图，如图1所示，该数据处理方法具体可以包括的步骤如下：
步骤S101，获取数据表对应的第一数据集，以及用于对所述第一数据集进行更新的第二数据集。
数据表对应的第一数据集、第二数据集均具有一行或多行数据，每一行数据均具有一个或多个维度列，且每一行数据均具有一个唯一的数据标识(如数据ID、代理键)用以标识数据行，所谓代理键是指在关系型数据库中使用一个attribute当代理键。其中，维度列既包括数据表(如拉链表)使用的数据标识、生效时间、时效时间等通用字段，还包括一列或多列数据属性值。具体地，参见表1，以数据表为员工信息统计表为例进行说明，该表具有ID、姓名、性别、年龄、级别、生效日期、失效日期等多个维度列，其中ID对应的取值1、2、3即为不同员工信息对应的数据标识，姓名、年龄、级别等员工信息即为员工对应的属性值，生效日期、失效日期等即为员工信息表的通用字段。可以理解的是，数据表的通用字段仅用于描述数据行本身，因而本实施例中所涉及的根据第二数据集对第一数据集进行更新的字段主要是指属性值的更新。
表1员工信息统计表
| ID | 姓名 | 性别 | 年龄 | 级别 | …… | 生效日期 | 失效日期 |
| 1 | 张三 | 男 | 20 | 一级 | …… | 2019.01.01 | 4712.12.31 |
| 2 | 李四 | 男 | 30 | 二级 | …… | 2019.01.07 | 4712.12.31 |
| 3 | 王五 | 女 | 35 | 特级 | …… | 2019.01.08 | 4712.12.31 |
在一种可选的实施方式中，所述第一数据集存储于所述数据表的当前分区中；在所述第一数据集更新后，将更新前的所述第一数据集中的一行或多行数据存储至所述数据表的历史分区中。具体地，以数据表为拉链表为例进行说明，拉链表是针对数据仓库设计中表存储数据的方式而定义的，用于记录一个事物从开始一直到当前状态的所有变化的信息，适用于数据缓慢发生变化的场景。在使用基于Hadoop的数据仓库工具HIVE时，拉链表在当日的最新分区即当前分区(ACTIVE分区)中保存的数据即为第一数据集，在更新拉链表的ACTIVE分区时，需要使用最新、待存储至ACTIVE分区的第二数据集与第一数据进行对比，以对ACTIVE分区进行更新，并在ACTIVE分区更新后，将ACTIVE分区中原存储的第一数据集对应的数据或过期数据存储至拉链表的历史分区(HISTORY分区)中。
步骤S102，对比所述第一数据集与所述第二数据集中每一行数据对应的数据标识。
可以理解的是，在对比数据标识时存在以下三种情况：数据标识仅存在于第一数据集中，数据标识仅存在于第二数据集中，数据标识同时存在于第一数据集、第二数据集中。若数据标识仅存在于第一数据集，则说明该数据标识对应的数据行仅存在于第一数据集中，不存在于第二数据集中，则继续保留第一数据集中该数据标识对应的数据行，不对该数据行进行更新；若数据标识仅存在于第二数据集中，则说明该数据标识对应的数据行仅存在于第二数据集中，不存在于第一数据集中，相当于需要在第一数据中新增该数据标识对应的数据行；若数据标识同时存在于第一数据集及第二数据集中，则需要根据数据标识在第二数据集中对应的数据行，对数据标识在第一数据集中对应的数据行进行更新。基于此，在根据第二数据集对第一数据集进行更新时，仅向第一数据集中新增数据行或更新数据行，进而实现了对数据的增量更新，降低了全量更新消耗的时间、资源。
步骤S103，根据所述数据标识在所述第二数据集中对应的数据行更新所述第一数据集，且更新后的所述第一数据集中的数据行具有备注信息。
也即是说，仅在数据标识存在于第二数据集，即第二数据标识仅存在于第二数据集或同时存在于第一数据集、第二数据集的情况下，才根据第二数据集对第一数据集中对应的数据行进行更新，包括：向第一数据集中新增数据标识对应的数据行、更新第一数据集中数据标识对应的数据行。而在数据标识仅存在于第一数据集的情况下，仍保留第一数据集中数据标识对一个的数据行。
具体地，所述根据所述数据标识在所述第二数据集中对应的数据行更新所述第一数据集，且更新后的所述第一数据集中的数据行具有备注信息，包括：在所述数据标识仅存在于所述第二数据集的情况下，根据所述数据标识在所述第二数据集中对应的数据行，在所述第一数据集中生成所述数据标识对应的新数据行，且所述新数据行具有备注信息；在所述数据标识同时存在于所述第一数据集及所述第二数据集的情况下，对比所述数据标识对应的一个或多个数据单元名分别在所述第一数据集及所述第二数据集中对应的取值，以更新所述数据标识在所述第一数据集中对应的数据行以及所述数据行的备注信息。
可以理解的是，第一数据集中生成的新数据行或者更新后的数据行，除具有数据标识在第二数据集中对应的一个或多个属性值单元外，还具有数据标识、备注信息以及数据表中的生效时间、失效时间、创建时间等通用字段。同时，在数据更新时根据实际情况记录数据行对应的生效时间、失效时间、创建时间等信息。
更具体地，在所述数据标识仅存在于所述第二数据集的情况下，在所述新数据行的备注信息中记录所述数据标识在所述第二数据集中对应的一个或多个数据单元名；在所述数据标识同时存在于所述第一数据集及所述第二数据集，且所述数据单元名在所述第一数据集及所述第二数据集中对应的取值不同的情况下，在所述备注信息中相对应地记录所述数据单元名、所述数据单元名在所述第一数据集中的取值、所述数据单元名在所述第二数据集中的取值。具体地，仍以HIVE仓库为例进行说明，由于HIVE使用类SQL语言HQL，因而可以在HQL中使用等号连接数据单元名在第一数据集及第二数据集中的取值，若返回的结果为true，则判定取值相同，或数据单元名在第一数据集及第二数据集中的取值均为NULL，则判定取值相同，否则，均判定取值不相同，即数据单元名对应的取值发生了变化，需要记录在备注信息中。
更进一步地，在所述备注信息中使用预设的分隔符分隔一个或多个所述数据单元名以及所述数据单元名在第一数据集及所述第二数据集中对应的取值，且所述预设的分隔符仅存在于所述备注信息中。分隔符可以是“￥”、“#”、“&”、“*”等任一种符号。具体地，以预设的分隔符为“#”为例进行说明，在数据标识仅存在于第二数据集的情况下，即需要向第一数据集中新增数据标识对应的新数据行时，在新数据行的备注信息中记录数据标识对应的一个或多个数据单元名即属性值，形式为“#数据单元名称1#数据单元名称2#数据单元名称3#……”；在数据标识同时存在于第一数据集、第二数据集的情况下，且所述数据单元名在所述第一数据集及所述第二数据集中对应的取值不同的情况下，在所述备注信息中相对应地记录所述数据单元名、所述数据单元名在第一数据集中的取值、所述数据单元名在所述第二数据集中的取值。也即是说，在变化单元的两侧均加入分隔符“#”，在发生变化的单元只有一个的情况下，在备注信息中保存“#数据单元名称1：新值1|旧值1#”，而在发生变化的单元有多个的情况下，在备注信息中保存“#数据单元名称1：新值1|旧值1#数据单元名称2：新值2|旧值2#数据单元名称3：新值3|旧值3#……”，即将变化单元简单排列即可。值得注意的是，本实施例中的分隔符“#”、单元名称与属性值之间的“：”、新值与旧值之间的“|”仅为示例性说明，在实际的执行过程中，可以根据实际需求进行调整，如使用“￥”、“&”、“*”、空格等符号。
在此基础上，根据所述预设的分隔符，使用正则匹配规则对所述备注信息进行搜索。具体地，以需在备注信息中搜索数据单元名1对应的值由旧值1变化为新值1为例进行说明，则可通过正则匹配规则在所有的备注信息中匹配“#数据单元名称1：新值1|旧值1#”即可快速搜索到具有该数据变化原因的数据行。可以理解的是，除使用正则匹配规则在备注信息中进行搜索以外，还可以在其他单元或维度列中进行搜索。如此，可以通过备注信息直观的反应发生变化的数据单元及变化原因，同时，还可以基于正则匹配规则快速高效地获取数据变化原因。
基于上述实施例，由于在对数据表中数据进行更新时，通过在备注信息中记录变化数据单元名以及对应的新旧值，可以直观地反应数据变化原因；在此基础上，对于任意数据单元名，可以通过正则匹配规则快速定位发生变化时对应的数据行；此外，由于通过备注信息记录数据单元名对的新旧值，无需增加新列，减少了因增加新列消耗的存储空间。
参见图2，在上述实施例的基础上，本发明实施例提供了另一种数据处理方法，该方法具体可以包括的步骤如下：
步骤S201，获取数据表对应的第一数据集，以及用于对所述第一数据集进行更新的第二数据集。
步骤S202，判断第二数据集中的数据标识是否存在于第一数据集中；若数据标识存在于第一数据集中，则继续执行下述步骤S203，若数据标识不存在于第一数据集中，则继续执行下述步骤S204。
步骤S203，对比所述数据标识对应的一个或多个数据单元名分别在所述第一数据集及所述第二数据集中对应的取值，以更新所述数据标识在所述第一数据集中对应的数据行以及所述数据行的备注信息。
具体地，以数据标识为1，对应的数据单元名分别为姓名、性别、年龄、等级为例进行说明，在第一数据集中对应的取值分别为张三、男、29、三级，在第二数据集中对应的取值分别是张三、男、30、一级，经对比分析以后确定年龄、等级对应的取值发生了变化需要更新，则更新后的第一数据集中年龄、等级对应的取值分别为30、一级，同时在更新后的该数据标识对应的数据行的备注信息中记录“#年龄：30|29#等级：一级|三级#”。值得注意的是，在对第一数据集中的数据进行更新时可以根据实际情况选择如下任一种方式进行更新：在确定变化单元后，直接用第二数据集中的新值覆盖第一数据集中的旧值；在第一数据集中生成新的数据行，该数据行中的值为第二数据集中的新值，然后再移除数据标识在第一数据集中对应的原数据行。此外，还需要根据实际需求更新该行数据的生效时间、失效时间等信息。
步骤S204，根据所述数据标识在所述第二数据集中对应的数据行，生成所述数据标识在所述第一数据集中对应的新数据行，且所述新数据行具有备注信息。具体地，仍是以数据标识为1，对应的数据单元名分别为姓名、性别、年龄、等级为例进行说明，在第二数据集中对应的取值分别是张三、男、30、一级，由于该数据标识不存在于第一数据集中，因此在第一数据集中生成新数据行，且该新数据行中姓名、性别、年龄、等级对应的取值分别是张三、男、30、一级。除此之外，该新数据行还具有备注信息，且在该备注信息中记录“#姓名#性别#年龄#等级#”。此外，还需要根据实际需求记录该行数据的创建时间、生效时间、失效时间等信息。
在此基础上，参见表2，以一个数据仓库中的数据表为例进行说明，该数据表除含有代理键ID(数据标识)、生效时间start_date、失效时间end_date、分区dp等字段外，还包括运营状态status字段，且该字段包含四个值，分别是分别为1(部署中)、2(部署完成)、3(正式运营)和NUL，该数据表中的数据变化过程如下表2所示：
表2数据表示例
| id | status | ... | start_date | end_date | dp | modify_reason |
| 1 | NULL | ... | 2019-01-01 | 2019-01-02 | HISTORY | #status#... |
| 1 | 1 | ... | 2019-01-02 | 2019-01-03 | HISTORY | #status：1|NULL#... |
| 1 | 1 | ... | 2019-01-03 | 2019-01-04 | HISTORY | ... |
| 1 | 2 | ... | 2019-01-04 | 2019-01-05 | HISTORY | #status：2|1#... |
| 1 | 2 | ... | 2019-01-05 | 2019-01-06 | HISTORY | ... |
| 1 | 3 | ... | 2019-01-06 | 2019-01-07 | HISTORY | #status：3|2#... |
| 1 | 3 | ... | 2019-01-07 | 4712-12-31 | ACTIVE | ... |
从表中的start_date和end_date字段可知，代理键(ID)为1对应的数据行在2019-01-01至2019-01-07期间每天都存在变化，其中产生数据变化的单元包括但不限于status，备注信息(modify_reason)可以直观地反映数据变化原因。具体地，以status字段为例进行说明，代理键为1对应的首行表示该代理键对应的数据行第一次出现在数据表中；第二行表示该数据行的status对应的取值由NULL变为了1；而第三行status的取值未发生变化，但其他字段发生了变化(表中省略)；第四行则表示该代理键对应的数据行的status取值由1变为了2，以此类推，继续由2变为了3。由此可见，备注信息能够反映每一行数据的变化原因。
在此基础上，基于数据表中的任意一个字段可以结合正则匹配规则快速定位数据变化所在的数据行。以定位status的取值由2变为3所在的数据行为例进行说明，可以在备注信息(modify_reason)中直接筛选包含“#status:3|2#”的字符串，即可找到对应的数据行。更进一步地，可以基于生效时间start_date、失效时间end_date等字段，获取数据的变换时间，分析数据变化频率等信息。
更具体地，以获取status的值为3之前的取值为例进行说明，则可以在备注信息中筛选出两个“#”之间包含有“status:3”的数据行即可。但值得注意的是，由于在备注信息中使用分隔符“#”分隔一个或多个数据单元名称以及对应的新值、旧值，因此存在有多对“#”，因而两个“#”之间包含有“status:3”对应的字符串长度不同。因而可以通过正则惰性匹配筛选出两个“#”之间前包含有“status:3”的数据行，使得两个“#”之间包含的字符串长度最短。且由于status字段名称长度为6，status新值3的长度为1，可直接通过字符串的截取获取竖线(新值与旧值之间的分隔符)后的旧值，无需再进行速度较慢正则匹配，也无需保证status字段的内容是否包含冒号和竖线等其他符号。
参见图3，在上述实施例的基础上，本发明实施例提供了一种数据处理装置300，其特征在于，包括：数据集获取模块301、数据标识对比模块302、数据集更新模块303；其中，
所述数据集获取模块301，用于获取数据表对应的第一数据集，以及用于对所述第一数据集进行更新的第二数据集；
所述数据标识对比模块302，用于对比所述第一数据集与所述第二数据集中每一行数据对应的数据标识；
所述数据集更新模块303，用于根据所述数据标识在所述第二数据集中对应的数据行更新所述第一数据集，且更新后的所述第一数据集中的数据行具有备注信息。
在一种可选的实施方式中，所述根据所述数据标识在所述第二数据集中对应的数据行更新所述第一数据集，且更新后的所述第一数据集中的数据行具有备注信息，包括：
在所述数据标识仅存在于所述第二数据集的情况下，根据所述数据标识在所述第二数据集中对应的数据行，在所述第一数据集中生成所述数据标识对应的新数据行，且所述新数据行具有备注信息；
在所述数据标识同时存在于所述第一数据集及所述第二数据集的情况下，对比所述数据标识对应的一个或多个数据单元名分别在所述第一数据集及所述第二数据集中对应的取值，以更新所述数据标识在所述第一数据集中对应的数据行以及所述数据行的备注信息。
在一种可选的实施方式中，所述数据集更新模块303，还用于，
在所述数据标识仅存在于所述第二数据集的情况下，在所述新数据行的备注信息中记录所述数据标识在所述第二数据集中对应的一个或多个数据单元名；
在所述数据标识同时存在于所述第一数据集及所述第二数据集，且所述数据单元名在所述第一数据集及所述第二数据集中对应的取值不同的情况下，在所述备注信息中相对应地记录所述数据单元名、所述数据单元名在所述第一数据集中的取值、所述数据单元名在所述第二数据集中的取值。
在一种可选的实施方式中，所述数据集更新模块303，还用于，
在所述备注信息中使用预设的分隔符分隔一个或多个所述数据单元名以及所述数据单元名在第一数据集及所述第二数据集中对应的取值，且所述预设的分隔符仅存在于所述备注信息中。
在一种可选的实施方式中，还包括：信息搜索模块304；其中，
所述信息搜索模块304，用于根据所述预设的分隔符，使用正则匹配规则对所述备注信息进行搜索。
在一种可选的实施方式中，所述第一数据集存储于所述数据表的当前分区中；
所述数据集更新模块303，还用于在所述第一数据集更新后，将更新前的所述第一数据集中的一行或多行数据存储至所述数据表的历史分区中。
图4示出了可以应用本发明实施例的数据处理方法或数据装置的示例性系统架构400。
如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果反馈给终端设备。
需要说明的是，本发明实施例所提供的数据处理方法一般由服务器405执行，相应地，数据处理装置一般设置于服务器405中。
应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图5，其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括数据集获取模块、数据标识对比模块、数据集更新模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，数据集获取模块还可以被描述为“用于获取数据表对应的第一数据集以及用于对所述第一数据集进行更新的第二数据集的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获取数据表对应的第一数据集，以及用于对所述第一数据集进行更新的第二数据集；对比所述第一数据集与所述第二数据集中每一行数据对应的数据标识；根据所述数据标识在所述第二数据集中对应的数据行更新所述第一数据集，且更新后的所述第一数据集中的数据行具有备注信息。
根据本发明实施例的技术方案，由于在对数据表中数据进行更新时，通过在备注信息中记录变化数据单元名以及对应的新旧值，可以直观地反应数据变化原因；在此基础上，对于任意数据单元名，可以通过正则匹配规则快速定位发生变化时对应的数据行；此外，由于通过备注信息记录数据单元名对的新旧值，无需增加新列，减少了因增加新列消耗的存储空间。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种数据处理方法，其特征在于，包括：
获取数据表对应的第一数据集，以及用于对所述第一数据集进行更新的第二数据集；
对比所述第一数据集与所述第二数据集中每一行数据对应的数据标识；
根据所述数据标识在所述第二数据集中对应的数据行更新所述第一数据集，且更新后的所述第一数据集中的数据行具有备注信息；
所述根据所述数据标识在所述第二数据集中对应的数据行更新所述第一数据集，且更新后的所述第一数据集中的数据行具有备注信息，包括：
在所述数据标识仅存在于所述第二数据集的情况下，根据所述数据标识在所述第二数据集中对应的数据行，在所述第一数据集中生成所述数据标识对应的新数据行，且所述新数据行具有备注信息；在所述新数据行的备注信息中记录所述数据标识在所述第二数据集中对应的一个或多个数据单元名；
在所述数据标识同时存在于所述第一数据集及所述第二数据集的情况下，对比所述数据标识对应的一个或多个数据单元名分别在所述第一数据集及所述第二数据集中对应的取值；在所述数据单元名在所述第一数据集及所述第二数据集中对应的取值不同的情况下，在所述备注信息中相对应地记录所述数据单元名、所述数据单元名在所述第一数据集中的取值、所述数据单元名在所述第二数据集中的取值，以更新所述数据标识在所述第一数据集中对应的数据行以及所述数据行的备注信息。
2.根据权利要求1所述的数据处理方法，其特征在于，还包括：
在所述备注信息中使用预设的分隔符分隔一个或多个所述数据单元名以及所述数据单元名在第一数据集及所述第二数据集中对应的取值，且所述预设的分隔符仅存在于所述备注信息中。
3.根据权利要求2所述的数据处理方法，其特征在于，
根据所述预设的分隔符，使用正则匹配规则对所述备注信息进行搜索。
4.根据权利要求1-3任一所述的数据处理方法，其特征在于，
所述第一数据集存储于所述数据表的当前分区中；
在所述第一数据集更新后，将更新前的所述第一数据集中的一行或多行数据存储至所述数据表的历史分区中。
5.一种数据处理装置，其特征在于，包括：数据集获取模块、数据标识对比模块、数据集更新模块；其中，
所述数据集获取模块，用于获取数据表对应的第一数据集，以及用于对所述第一数据集进行更新的第二数据集；
所述数据标识对比模块，用于对比所述第一数据集与所述第二数据集中每一行数据对应的数据标识；
所述数据集更新模块，用于根据所述数据标识在所述第二数据集中对应的数据行更新所述第一数据集，且更新后的所述第一数据集中的数据行具有备注信息；
还用于在所述数据标识仅存在于所述第二数据集的情况下，根据所述数据标识在所述第二数据集中对应的数据行，在所述第一数据集中生成所述数据标识对应的新数据行，且所述新数据行具有备注信息；在所述新数据行的备注信息中记录所述数据标识在所述第二数据集中对应的一个或多个数据单元名；
还用于在所述数据标识同时存在于所述第一数据集及所述第二数据集的情况下，对比所述数据标识对应的一个或多个数据单元名分别在所述第一数据集及所述第二数据集中对应的取值；在所述数据单元名在所述第一数据集及所述第二数据集中对应的取值不同的情况下，在所述备注信息中相对应地记录所述数据单元名、所述数据单元名在所述第一数据集中的取值、所述数据单元名在所述第二数据集中的取值，以更新所述数据标识在所述第一数据集中对应的数据行以及所述数据行的备注信息。
6.根据权利要求5所述的数据处理装置，其特征在于，所述数据集更新模块，还用于，
在所述备注信息中使用预设的分隔符分隔一个或多个所述数据单元名以及所述数据单元名在第一数据集及所述第二数据集中对应的取值，且所述预设的分隔符仅存在于所述备注信息中。
7.根据权利要求6所述的数据处理装置，其特征在于，还包括：信息搜索模块；其中，
所述信息搜索模块，用于根据所述预设的分隔符，使用正则匹配规则对所述备注信息进行搜索。
8.根据权利要求5-7任一所述的数据处理装置，其特征在于，
所述第一数据集存储于所述数据表的当前分区中；
所述数据集更新模块，还用于在所述第一数据集更新后，将更新前的所述第一数据集中的一行或多行数据存储至所述数据表的历史分区中。
9.一种用于数据处理的电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010196414.1A CN113495891B (zh) | 2020-03-19 | 2020-03-19 | 一种数据处理方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010196414.1A CN113495891B (zh) | 2020-03-19 | 2020-03-19 | 一种数据处理方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113495891A CN113495891A (zh) | 2021-10-12 |
| CN113495891B true CN113495891B (zh) | 2023-09-26 |
Family
ID=77993538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010196414.1A Active CN113495891B (zh) | 2020-03-19 | 2020-03-19 | 一种数据处理方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113495891B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114331745B (zh) * | 2021-12-24 | 2023-06-13 | 易保网络技术(上海)有限公司 | 数据处理方法、系统、可读存储介质和电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109189798A (zh) * | 2018-09-30 | 2019-01-11 | 浙江百世技术有限公司 | 一种基于spark同步更新数据的方法 |
| CN110362583A (zh) * | 2018-04-08 | 2019-10-22 | 北京京东尚科信息技术有限公司 | 一种用于多数据源的数据处理方法和装置 |
| CN110457401A (zh) * | 2019-07-08 | 2019-11-15 | 南京苏宁软件技术有限公司 | 数据存储方法、装置、计算机设备和存储介质 |
| US10546056B1 (en) * | 2018-06-01 | 2020-01-28 | Palantir Technologies Inc. | Transformation in tabular data cleaning tool |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8321390B2 (en) * | 2009-06-11 | 2012-11-27 | Vivek Swarnakar | Methods and apparatus for organizing data in a database |
| US9031911B2 (en) * | 2012-06-05 | 2015-05-12 | International Business Machines Corporation | Preserving past states of file system nodes |
-
2020
- 2020-03-19 CN CN202010196414.1A patent/CN113495891B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110362583A (zh) * | 2018-04-08 | 2019-10-22 | 北京京东尚科信息技术有限公司 | 一种用于多数据源的数据处理方法和装置 |
| US10546056B1 (en) * | 2018-06-01 | 2020-01-28 | Palantir Technologies Inc. | Transformation in tabular data cleaning tool |
| CN109189798A (zh) * | 2018-09-30 | 2019-01-11 | 浙江百世技术有限公司 | 一种基于spark同步更新数据的方法 |
| CN110457401A (zh) * | 2019-07-08 | 2019-11-15 | 南京苏宁软件技术有限公司 | 数据存储方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 基于Struts与Hibernate技术的EOMS计划子系统的开发;赵麒;中国优秀硕士学位论文全文数据库(第6期);全文 * |
| 数据仓库预聚集增量更新的研究;黄光明;;贵阳学院学报(自然科学版)(01);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113495891A (zh) | 2021-10-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109614402B (zh) | 多维数据查询方法和装置 | |
| CN107704202B (zh) | 一种数据快速读写的方法和装置 | |
| CN107480205B (zh) | 一种进行数据分区的方法和装置 | |
| CN110019367B (zh) | 一种统计数据特征的方法和装置 | |
| CN107609192A (zh) | 一种搜索引擎的补充搜索方法和装置 | |
| CN110909022A (zh) | 一种数据查询方法和装置 | |
| CN107291835B (zh) | 一种搜索词的推荐方法和装置 | |
| CN113495891B (zh) | 一种数据处理方法和装置 | |
| CN116450622B (zh) | 数据入库的方法、装置、设备和计算机可读介质 | |
| CN113761565A (zh) | 数据脱敏方法和装置 | |
| CN112100168A (zh) | 一种确定数据关联关系的方法和装置 | |
| CN115525659A (zh) | 数据查询方法、装置、电子设备及存储介质 | |
| CN113760600B (zh) | 一种数据库备份方法、数据库还原方法和相关装置 | |
| CN112783615B (zh) | 一种数据处理任务的清理方法和装置 | |
| CN112783914B (zh) | 优化语句的方法和装置 | |
| CN107665241B (zh) | 一种实时数据多维度去重方法和装置 | |
| CN113742321A (zh) | 一种数据更新的方法和装置 | |
| CN113127416A (zh) | 数据查询方法和装置 | |
| CN110866002A (zh) | 分表数据处理的方法和装置 | |
| CN113760695A (zh) | 一种定位问题代码的方法和装置 | |
| CN112988857A (zh) | 一种业务数据的处理方法和装置 | |
| CN112862554A (zh) | 一种订单数据的处理方法和装置 | |
| CN113535768A (zh) | 生产监控方法和装置 | |
| CN112131287A (zh) | 一种读取数据的方法和装置 | |
| CN111290927A (zh) | 一种数据监控方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |