SCD2 для dim_customers

This commit is contained in:
2025-11-07 15:10:30 +03:00
parent 42c8515b62
commit b29de24c31
3 changed files with 114 additions and 63 deletions
+39 -12
View File
@@ -15,11 +15,12 @@ CREATE SCHEMA dds;
-- 2. STG: сырые данные (как пришли)
CREATE TABLE stg.customers_raw (
customer_id TEXT,
customer_id TEXT, -- может быть строкой или числом
email TEXT,
phone TEXT,
city TEXT,
_load_ts TIMESTAMP DEFAULT NOW()
_load_id TEXT, -- идентификатор загрузки (обязательно!)
_load_ts TIMESTAMP DEFAULT NOW(), -- время получения в DWH
);
CREATE TABLE stg.orders_raw (
@@ -43,10 +44,12 @@ CREATE TABLE stg.products_raw (
-- 3. ODS: очищенные данные
CREATE TABLE ods.customers (
customer_id INT,
customer_id INT NOT NULL, -- привели к INT
email VARCHAR(100),
phone VARCHAR(20),
city VARCHAR(50)
city VARCHAR(50),
_load_id TEXT NOT NULL, -- сохраняем для отладки и SCD
_load_ts TIMESTAMP NOT NULL -- время загрузки (копия из STG)
);
CREATE TABLE ods.orders (
@@ -98,16 +101,27 @@ CREATE TABLE dds.dim_product (
-- dim_customer: измерение "Клиент" с SCD Type 2
CREATE TABLE dds.dim_customer (
customer_sk BIGINT GENERATED ALWAYS AS IDENTITY PRIMARY KEY,
customer_bk INT NOT NULL,
email VARCHAR(100),
phone VARCHAR(20),
city VARCHAR(50),
valid_from DATE NOT NULL,
valid_to DATE NOT NULL DEFAULT '9999-12-31',
is_current BOOLEAN NOT NULL DEFAULT TRUE
customer_sk BIGSERIAL PRIMARY KEY,
customer_bk INT NOT NULL, -- бизнес-ключ
email TEXT,
phone TEXT,
city TEXT,
hashdiff TEXT NOT NULL, -- md5 по нормализованным атрибутам
valid_from TIMESTAMP NOT NULL,
valid_to TIMESTAMP NOT NULL,
is_current BOOLEAN NOT NULL DEFAULT TRUE,
created_at TIMESTAMP NOT NULL DEFAULT NOW(),
updated_at TIMESTAMP NOT NULL DEFAULT NOW()
);
-- одна версия на момент времени
ALTER TABLE dds.dim_customer
ADD CONSTRAINT uq_dim_customer_bk_from UNIQUE (customer_bk, valid_from); -- dim_product: измерение "
-- ускорители
CREATE INDEX ix_dim_customer_bk_current ON dds.dim_customer (customer_bk) WHERE is_current;
CREATE INDEX ix_dim_customer_bk_from_to ON dds.dim_customer (customer_bk, valid_from, valid_to);
-- fact_sales: факт "Продажи"
CREATE TABLE dds.fact_sales (
sale_id BIGINT GENERATED ALWAYS AS IDENTITY PRIMARY KEY,
@@ -123,3 +137,16 @@ ALTER TABLE dds.fact_sales
ADD CONSTRAINT fk_fact_customer FOREIGN KEY (customer_sk) REFERENCES dds.dim_customer(customer_sk),
ADD CONSTRAINT fk_fact_product FOREIGN KEY (product_sk) REFERENCES dds.dim_product(product_sk),
ADD CONSTRAINT fk_fact_date FOREIGN KEY (date_key) REFERENCES dds.dim_date(date_key);
-- Через md5 по нормализованным атрибутам
CREATE OR REPLACE FUNCTION dds.customer_hash(email TEXT, phone TEXT, city TEXT)
RETURNS TEXT LANGUAGE sql IMMUTABLE AS $$
SELECT md5(
concat_ws('||',
lower(coalesce(trim(email), '')),
lower(coalesce(trim(phone), '')),
lower(coalesce(trim(city), ''))
)
);
$$;
+70 -47
View File
@@ -11,10 +11,13 @@ DELETE FROM stg.orders_raw;
DELETE FROM stg.order_items_raw;
DELETE FROM stg.products_raw;
INSERT INTO stg.customers_raw (customer_id, email, phone, city) VALUES
('101', 'a@ex.com', '700', 'Москва'),
('101', 'b@ex.com', '700', 'Москва'),
('102', 'c@ex.com', '701', 'СПб');
-- STG (пример вставки с метками времени)
INSERT INTO stg.customers_raw (_load_id, _load_ts, event_ts, customer_id, email, phone, city) VALUES
('batch_20250405_0800', '2025-04-05 08:00', NULL, '101','a@ex.com','700','Москва'),
('batch_20250405_0800', '2025-04-05 08:00', NULL, '102','c@ex.com','701','СПб'),
('batch_20250405_1200', '2025-04-05 12:00', NULL, '101','b@ex.com','700','Москва'),
('batch_20250405_1800', '2025-04-05 18:00', NULL, '101','b@ex.com','700','Санкт-Петербург');
INSERT INTO stg.orders_raw (order_id, order_date, customer_id) VALUES
('5001', '2024-01-10', '101'),
@@ -39,7 +42,9 @@ SELECT
customer_id::INT,
NULLIF(TRIM(email), ''),
NULLIF(TRIM(phone), ''),
NULLIF(TRIM(city), '')
NULLIF(TRIM(city), ''),
_load_id,
_load_ts
FROM stg.customers_raw
WHERE customer_id ~ '^\d+$';
@@ -107,53 +112,71 @@ INSERT INTO dds.dim_product (product_bk, product_name)
SELECT product_id, name
FROM ods.products;
-- 5. DDS: dim_customer — SCD Type 2 (упрощённая версия для обучения)
-- В продакшене — используем алгоритм «детектирования изменений + UPSERT»
-- Здесь: перестраиваем всю историю на основе STG (для детерминированности)
-- 5. DDS: dim_customer — SCD Type 2
-- Загрузка SCD2 (идемпотентный апсерт)
-- Делаем внутри одной транзакции
DELETE FROM dds.dim_customer;
WITH ranked AS (
BEGIN;
-- Подготовим дельту: по BK одна запись на «текущую истину» из ODS/STG
WITH src AS (
SELECT
customer_id::INT AS customer_bk,
email,
phone,
city,
s.customer_id::INT AS customer_bk,
NULLIF(trim(s.email), '') AS email,
NULLIF(trim(s.phone), '') AS phone,
NULLIF(trim(s.city), '') AS city,
COALESCE(s.event_ts, s._load_ts)::timestamp AS eff_ts,
dds.customer_hash(s.email, s.phone, s.city) AS hashdiff,
ROW_NUMBER() OVER (
PARTITION BY customer_id
ORDER BY _load_ts, email
PARTITION BY s.customer_id
ORDER BY COALESCE(s.event_ts, s._load_ts) DESC, s._load_ts DESC
) AS rn
FROM stg.customers_raw
WHERE customer_id ~ '^\d+$'
),
changes AS (
FROM stg.customers_raw s
WHERE s.customer_id ~ '^\d+$'
),
delta AS (
-- берём по BK последнюю версию из поступивших данных
SELECT customer_bk, email, phone, city, hashdiff, eff_ts
FROM src
WHERE rn = 1
),
-- Закрываем текущие версии там, где атрибуты изменились
expired AS (
UPDATE dds.dim_customer d
SET valid_to = LEAST(d.valid_to, delta.eff_ts - INTERVAL '1 second'),
is_current = FALSE,
updated_at = NOW()
FROM delta
WHERE d.customer_bk = delta.customer_bk
AND d.is_current = TRUE
AND d.hashdiff <> delta.hashdiff -- изменение состава атрибутов
AND delta.eff_ts >= d.valid_from -- не уходим «назад во времени»
RETURNING d.customer_bk
)
-- Вставляем новые текущие версии:
-- а) для новых BK (раньше не было строки)
-- б) для изменившихся BK (после закрытия предыдущей версии)
INSERT INTO dds.dim_customer (
customer_bk, email, phone, city, hashdiff,
valid_from, valid_to, is_current, created_at, updated_at
)
SELECT
customer_bk,
email,
phone,
city,
-- Имитируем хронологию: +1 день на каждое изменение
'2023-01-01'::DATE + (rn - 1) * INTERVAL '1 day' AS eff_from
FROM ranked
),
final AS (
SELECT
customer_bk,
email,
phone,
city,
eff_from::DATE AS valid_from,
COALESCE(
LEAD(eff_from) OVER (PARTITION BY customer_bk ORDER BY eff_from) - INTERVAL '1 day',
'9999-12-31'::DATE
) AS valid_to,
CASE WHEN LEAD(eff_from) OVER (PARTITION BY customer_b_k ORDER BY eff_from) IS NULL
THEN TRUE ELSE FALSE END AS is_current
FROM changes
)
INSERT INTO dds.dim_customer (customer_bk, email, phone, city, valid_from, valid_to, is_current)
SELECT customer_bk, email, phone, city, valid_from, valid_to, is_current
FROM final;
s.customer_bk, s.email, s.phone, s.city, s.hashdiff,
COALESCE( -- у новых BK открываем «историю с вечности»
-- если нужна «вечность» именно как TIMESTAMP-величина:
CASE WHEN d.customer_bk IS NULL THEN TIMESTAMP '1900-01-01' ELSE s.eff_ts END,
TIMESTAMP '1900-01-01'
) AS valid_from,
TIMESTAMP '9999-12-31' AS valid_to,
TRUE AS is_current,
NOW(), NOW()
FROM delta s
LEFT JOIN dds.dim_customer d
ON d.customer_bk = s.customer_bk AND d.is_current = TRUE
WHERE d.customer_bk IS NULL -- новый BK
OR d.hashdiff <> s.hashdiff -- или изменившийся BK
ON CONFLICT (customer_bk, valid_from) DO NOTHING;
-- Конец транзакции
COMMIT;
-- 6. DDS: fact_sales — загрузка фактов с учётом SCD
-- В продакшене — фильтруем по диапазону дат (инкрементально)