【离线数仓-8-数据仓库开发DWD层-交易域相关事实表】

news/2024/4/26 16:00:52/文章来源:https://blog.csdn.net/weixin_38136584/article/details/129210135

离线数仓-8-数据仓库开发DWD层-交易域相关事实表

  • 离线数仓-8-数据仓库开发DWD层-交易域相关事实表
    • 一、DWD层设计要点
    • 二、交易域相关事实表
      • 1.交易域加购事务事实表
        • 1.加购事务事实表 前期梳理
        • 2.加购事务事实表 DDL表设计分析
        • 3.加购事务事实表 加载数据分析
          • 1.首日全量加购的数据加载
          • 2.每日增量加购的数据加载
      • 2.交易域下单事务事实表
        • 1.下单事务事实表 前期梳理
        • 2.下单事务事实表 DDL表设计分析
        • 3.下单事务事实表 加载数据分析
          • 1.首日全量下单的数据加载
          • 2.每日增量量下单的数据加载
      • 3.交易域取消订单事务事实表
        • 1.取消订单事务事实表 前期梳理
        • 2.取消订单事务事实表 DDL表设计分析
        • 3.取消订单事务事实表 加载数据分析
          • 1.首日全量取消订单的数据加载
          • 2.每日增量取消订单的数据加载
      • 7.交易域购物车周期快照事实表
        • 1.购物车周期快照事实表 前期梳理
        • 2.购物车周期快照事实表 DDL表设计分析
        • 3.购物车周期快照事实表 加载数据分析
      • 4.交易域支付成功事务事实表
        • 1.支付成功事务事实表 前期梳理
        • 2.支付成功事务事实表 DDL表设计分析
        • 3.支付成功事务事实表 加载数据分析
      • 5.交易域退单事务事实表
        • 1.退单事务事实表 前期梳理
        • 2.退单事务事实表 DDL表设计分析
        • 3.退单事务事实表 加载数据分析
      • 6.交易域退款成功事务事实表
        • 1.退款成功事务事实表 前期梳理
        • 2.退款成功事务事实表 DDL表设计分析
        • 3.退款成功事务事实表 加载数据分析

离线数仓-8-数据仓库开发DWD层-交易域相关事实表

一、DWD层设计要点

  • DWD层设计要点：
    • 1）DWD层的设计依据是维度建模理论，该层存储维度模型的事实表。
      • 事实表维度建模理论参考之前整理资料：https://blog.csdn.net/weixin_38136584/article/details/129137583?spm=1001.2014.3001.5501
    • 2）DWD层的数据存储格式为orc列式存储+snappy压缩。
    • 3）DWD层表名的命名规范为dwd_数据域_表名(体现业务过程)_单分区增量全量标识（inc/full）

二、交易域相关事实表

事实事务表设计流程大概分为4步：选择业务过程 --> 声明粒度 --> 确认维度–> 确认事实

1.交易域加购事务事实表

1.加购事务事实表 前期梳理

  • 加购事务事实表 设计流程跟事务事实表流程一致，分为四步进行。
  • 查看之前梳理的业务矩阵，基于业务矩阵来进行设计流程4步骤分析在这里插入图片描述
    • 1.选择业务过程：加购物车
    • 2.声明粒度（业务过程确定后，需要为每个业务过程声明粒度。即精确定义每张事务型事实表的每行数据表示什么，应该尽可能选择最细粒度，以此来应各种细节程度的需求。）：xx人在xx时间将xx商品加入到购物车
    • 3.确认维度：寻找符合业务逻辑的并与此业务过程关联的维度，如果前期选择少了几个维度，后期可以更新表格再添加即可。
    • 4.确认事实（每个业务过程的度量值）：商品件数

2.加购事务事实表 DDL表设计分析

  • 业务数据库对应的表格加购物车cart_info中，存在source_id字段，此字段对应的是加购物车这个操作对应的数据来源，所以需要加来源相关的信息添加到维度表中，此处做了维度弱化，直接将数据整合到加购事务事实表中了。
DROP TABLE IF EXISTS dwd_trade_cart_add_inc;
CREATE EXTERNAL TABLE dwd_trade_cart_add_inc
(`id`               STRING COMMENT '编号',`user_id`          STRING COMMENT '用户id',`sku_id`           STRING COMMENT '商品id',`date_id`          STRING COMMENT '时间id',`create_time`      STRING COMMENT '加购时间',`source_id`        STRING COMMENT '来源类型ID',`source_type_code` STRING COMMENT '来源类型编码',`source_type_name` STRING COMMENT '来源类型名称',`sku_num`          BIGINT COMMENT '加购物车件数'
) COMMENT '交易域加购物车事务事实表'PARTITIONED BY (`dt` STRING)ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'STORED AS ORCLOCATION '/warehouse/gmall/dwd/dwd_trade_cart_add_inc/'TBLPROPERTIES ('orc.compress' = 'snappy');

3.加购事务事实表 加载数据分析

  • 1.加购事务事实表，来自于业务数据库中哪些表格，对应同步到ods层，事务事实表使用的是inc结尾的增量数据，full结尾的全量数据，对应到周期快照事实表使用。
    cart_info
  • 2.加购物车这一业务过程是怎样实现的，有哪些限制条件。
    • 一个用户将一个原来不存在的商品加入到购物车，insert操作
    • 一个用户将原来购物车有的数据再加一件到购物车，update操作，并且数据+1
  • 3.数据最终落地那个分区下面，需要明确
    • 首日全量加购记录 首日默认全部加购物车，按照创建时间写入到对应时间分区里面
    • 每日增量加购记录 ，过滤满足条件的数据，直接写入对应的当日时间分区。
  • 4.加购事务事实表的数据流向，如下图：
    在这里插入图片描述
1.首日全量加购的数据加载
  • 针对业务系统中，历史的数据进行处理，就是首日装载的意义。
  • sql的思路：
    • 1.相关表格已同步到ods层，为增量inc表格，购物车信息表和加购操作数据来源类型表
    • 2.两张表格进行关联，获取到加购事务事实表所有字段，
    • 3.处理数据，使用hive动态分区，将不同数据写入到不同分区
  • hive中sql注意：date_format(create_time,‘yyyy-MM-dd’)，跟mysql中语法不一致。
set hive.exec.dynamic.partition.mode=nonstrict;
insert overwrite table dwd_trade_cart_add_inc partition (dt)
selectid,user_id,sku_id,date_format(create_time,'yyyy-MM-dd') date_id,create_time,source_id,source_type,dic.dic_name,sku_num,date_format(create_time, 'yyyy-MM-dd')
from
(selectdata.id,data.user_id,data.sku_id,data.create_time,data.source_id,data.source_type,data.sku_numfrom ods_cart_info_incwhere dt = '2020-06-14'and type = 'bootstrap-insert'
)ci
left join
(selectdic_code,dic_namefrom ods_base_dic_fullwhere dt='2020-06-14'and parent_code='24'
)dic
on ci.source_type=dic.dic_code;
2.每日增量加购的数据加载

  • sql思路：

    • 一个用户将一个原来不存在的商品加入到购物车，insert操作
    • 一个用户将原来购物车有的数据再加一件到购物车，update操作，并且数据变大
    • 使用maxwell同步过来的json外部的ts时间作为加入购物车时间，而不使用json内部的create_time作为加购时间，这样设计比较合理。
    • 对加购数量进行判断，
      • 如果是insert类型，直接使用sku_num的值即可，
      • 如果是update操作，需要将maxwell过来的json数据中 新值-老值得到的结果存入.

  • hive中函数的使用：

    • map_keys(map集合)：将此map集合中所有的key取出，作为一个数组。
    • array_contains(数组，元素) ：该数组中是否包含此元素 ，返回布尔类型的值
    • cast(数据 as int )：将该数据强制转化为int类型

  • hive中时间戳到时间字符串的转换 ，经常用到,官网：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+UDF#LanguageManualUDF-DateFunctions

    • 时间戳：自零时区以来，1970-01-01以来的经历的秒数（10位）或者毫秒数（13位）
    • 以秒为单位的时间戳，转为时分秒
      • from_unixtime(bigint unixtime[, string format]) 这个转换时间戳函数没有分区概念，所以之间转为了零时区的时间。
      • from_utc_timestamp({any primitive type} ts(必选是毫秒数), string timezone) 使用：from_utc_timestamp(ts*1000, “GMT+8”)
      • 使用时间格式化工具将上面处理完的数据转为想要的格式：date_format(from_utc_timestamp(ts*1000, “GMT+8”),“yyyy-MM-dd HH:mm:ss”)

  • 2020-06-15的增量加购数据处理

insert overwrite table dwd_trade_cart_add_inc partition(dt='2020-06-15')
selectid,user_id,sku_id,date_id,create_time,source_id,source_type_code,source_type_name,sku_num
from
(selectdata.id,data.user_id,data.sku_id,date_format(from_utc_timestamp(ts*1000,'GMT+8'),'yyyy-MM-dd') date_id,date_format(from_utc_timestamp(ts*1000,'GMT+8'),'yyyy-MM-dd HH:mm:ss') create_time,data.source_id,data.source_type source_type_code,if(type='insert',data.sku_num,data.sku_num-old['sku_num']) sku_numfrom ods_cart_info_incwhere dt='2020-06-15'and (type='insert'or(type='update' and old['sku_num'] is not null and data.sku_num>cast(old['sku_num'] as int)))
)cart
left join
(selectdic_code,dic_name source_type_namefrom ods_base_dic_fullwhere dt='2020-06-15'and parent_code='24'
)dic
on cart.source_type_code=dic.dic_code;
  • linux查看进程对应在服务器的配置
1. 首先jps，查看进程号
2. cd /proc/84912(某进程对应的进程号)
3. limits 文件里面有对应的限制信息
4. exe 是对应的启动二进制进程
5. fd 文件描述符，对应该进程所打开的文件，聚合查看一下打开多少文件即可

2.交易域下单事务事实表

设计流程大概分为4步：选择业务过程 --> 声明粒度 --> 确认维度–> 确认事实

1.下单事务事实表 前期梳理

之前梳理的业务矩阵如下，对应下单过程如下：
在这里插入图片描述

  • 1.选择业务过程：下单 业务过程
  • 2.声明粒度：xx订单是在xx时间，xx用户在xx地区完成下单操作，这对应的是下单事务表每行表示的含义。
  • 3.确认维度：时间、用户、商品、地区、活动、优惠券等，声明维度灵活性较高，是由前面梳理的业务数据库中业务过程决定的，业务过程关联哪些表格也就是对应的环境信息，此处就添加多少维度信息。
  • 4.确认事实：下单件数、下单原始金额、下单最终金额、活动优惠金额、优惠券优惠金额

2.下单事务事实表 DDL表设计分析

  • 之前创建的dim层维度表以外，其他的维度都退化到对应的事实表中，没有退化的，事实表直接在本表中体现某些维度表的id即可，退化的维度直接写入对应数据即可。
DROP TABLE IF EXISTS dwd_trade_order_detail_inc;
CREATE EXTERNAL TABLE dwd_trade_order_detail_inc
(`id`                    STRING COMMENT '编号',`order_id`              STRING COMMENT '订单id',`user_id`               STRING COMMENT '用户id',`sku_id`                STRING COMMENT '商品id',`province_id`           STRING COMMENT '省份id',`activity_id`           STRING COMMENT '参与活动规则id',`activity_rule_id`      STRING COMMENT '参与活动规则id',`coupon_id`             STRING COMMENT '使用优惠券id',`date_id`               STRING COMMENT '下单日期id',`create_time`           STRING COMMENT '下单时间',`source_id`             STRING COMMENT '来源编号',`source_type_code`      STRING COMMENT '来源类型编码',`source_type_name`      STRING COMMENT '来源类型名称',`sku_num`               BIGINT COMMENT '商品数量',`split_original_amount` DECIMAL(16, 2) COMMENT '原始价格',`split_activity_amount` DECIMAL(16, 2) COMMENT '活动优惠分摊',`split_coupon_amount`   DECIMAL(16, 2) COMMENT '优惠券优惠分摊',`split_total_amount`    DECIMAL(16, 2) COMMENT '最终价格分摊'
) COMMENT '交易域下单明细事务事实表'PARTITIONED BY (`dt` STRING)ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'STORED AS ORCLOCATION '/warehouse/gmall/dwd/dwd_trade_order_detail_inc/'TBLPROPERTIES ('orc.compress' = 'snappy');

3.下单事务事实表 加载数据分析

  • 下单会对哪些业务表格产生影响，如下图：
    在这里插入图片描述
1.首日全量下单的数据加载
  • 业务数据库中 下单明细表中每行数据就能代表一条下单记录，直接将数据同步到ods层然后同步到dwd层即可。
  • 下单事务事实表 跟 下单明细表字段对比，观察哪些字段能获取到，哪些字段获取不到，获取不到的，直接对照数据库表格关联图，书写sql获取对应关系，如下图，没注释掉的就能获取到，注释掉的通过sql关联或者处理字段方式获取。
  • 订单明细表不能获取到的字段，通过关联关系，进行子查询配置
  • 子查询配置完成后，进行sql关联
  • 关联完毕后，通过hive创建动态分区，实现收入不同时间下单数据进入到不同的分区。
  • 最终整合完的sql如下：
set hive.exec.dynamic.partition.mode=nonstrict;
insert overwrite table dwd_trade_order_detail_inc partition (dt)
selectod.id,order_id,user_id,sku_id,province_id,activity_id,activity_rule_id,coupon_id,date_format(create_time, 'yyyy-MM-dd') date_id,create_time,source_id,source_type,dic_name,sku_num,split_original_amount,split_activity_amount,split_coupon_amount,split_total_amount,date_format(create_time,'yyyy-MM-dd')
from
(selectdata.id,data.order_id,data.sku_id,data.create_time,data.source_id,data.source_type,data.sku_num,data.sku_num * data.order_price split_original_amount,data.split_total_amount,data.split_activity_amount,data.split_coupon_amountfrom ods_order_detail_incwhere dt = '2020-06-14'and type = 'bootstrap-insert'
) od
left join
(selectdata.id,data.user_id,data.province_idfrom ods_order_info_incwhere dt = '2020-06-14'and type = 'bootstrap-insert'
) oi
on od.order_id = oi.id
left join
(selectdata.order_detail_id,data.activity_id,data.activity_rule_idfrom ods_order_detail_activity_incwhere dt = '2020-06-14'and type = 'bootstrap-insert'
) act
on od.id = act.order_detail_id
left join
(selectdata.order_detail_id,data.coupon_idfrom ods_order_detail_coupon_incwhere dt = '2020-06-14'and type = 'bootstrap-insert'
) cou
on od.id = cou.order_detail_id
left join
(selectdic_code,dic_namefrom ods_base_dic_fullwhere dt='2020-06-14'and parent_code='24'
)dic
on od.source_type=dic.dic_code;
2.每日增量量下单的数据加载
  • 2020-06-15 增量下单明细数据加载-最终sql
    • maxwell同步过来的数据，过滤出来insert类型数据即可。
insert overwrite table dwd_trade_order_detail_inc partition (dt='2020-06-15')
selectod.id,order_id,user_id,sku_id,province_id,activity_id,activity_rule_id,coupon_id,date_id,create_time,source_id,source_type,dic_name,sku_num,split_original_amount,split_activity_amount,split_coupon_amount,split_total_amount
from
(selectdata.id,data.order_id,data.sku_id,date_format(data.create_time, 'yyyy-MM-dd') date_id,data.create_time,data.source_id,data.source_type,data.sku_num,data.sku_num * data.order_price split_original_amount,data.split_total_amount,data.split_activity_amount,data.split_coupon_amountfrom ods_order_detail_incwhere dt = '2020-06-15'and type = 'insert'
) od
left join
(selectdata.id,data.user_id,data.province_idfrom ods_order_info_incwhere dt = '2020-06-15'and type = 'insert'
) oi
on od.order_id = oi.id
left join
(selectdata.order_detail_id,data.activity_id,data.activity_rule_idfrom ods_order_detail_activity_incwhere dt = '2020-06-15'and type = 'insert'
) act
on od.id = act.order_detail_id
left join
(selectdata.order_detail_id,data.coupon_idfrom ods_order_detail_coupon_incwhere dt = '2020-06-15'and type = 'insert'
) cou
on od.id = cou.order_detail_id
left join
(selectdic_code,dic_namefrom ods_base_dic_fullwhere dt='2020-06-15'and parent_code='24'
)dic
on od.source_type=dic.dic_code;

3.交易域取消订单事务事实表

1.取消订单事务事实表 前期梳理

之前梳理的业务矩阵如下，对应下单过程如下：
在这里插入图片描述

  • 1.选择业务过程：取消订单 业务过程
  • 2.声明粒度：xx订单是在xx时间，xx用户在xx地区完成取消订单操作，这对应的是取消订单事务表每行表示的含义。
  • 3.确认维度：时间、用户、商品、地区、活动、优惠券等，声明维度灵活性较高，是由前面梳理的业务数据库中业务过程决定的，业务过程关联哪些表格也就是对应的环境信息，此处就添加多少维度信息。
  • 4.确认事实：取消订单件数、取消订单原始金额、取消订单最终金额、活动优惠金额、优惠券优惠金额

2.取消订单事务事实表 DDL表设计分析

  • 取消订单事务事实表中，一行代表一次用户取消订单操作。
DROP TABLE IF EXISTS dwd_trade_cancel_detail_inc;
CREATE EXTERNAL TABLE dwd_trade_cancel_detail_inc
(`id`                    STRING COMMENT '编号',`order_id`              STRING COMMENT '订单id',`user_id`               STRING COMMENT '用户id',`sku_id`                STRING COMMENT '商品id',`province_id`           STRING COMMENT '省份id',`activity_id`           STRING COMMENT '参与活动规则id',`activity_rule_id`      STRING COMMENT '参与活动规则id',`coupon_id`             STRING COMMENT '使用优惠券id',`date_id`               STRING COMMENT '取消订单日期id',`cancel_time`           STRING COMMENT '取消订单时间',`source_id`             STRING COMMENT '来源编号',`source_type_code`      STRING COMMENT '来源类型编码',`source_type_name`      STRING COMMENT '来源类型名称',`sku_num`               BIGINT COMMENT '商品数量',`split_original_amount` DECIMAL(16, 2) COMMENT '原始价格',`split_activity_amount` DECIMAL(16, 2) COMMENT '活动优惠分摊',`split_coupon_amount`   DECIMAL(16, 2) COMMENT '优惠券优惠分摊',`split_total_amount`    DECIMAL(16, 2) COMMENT '最终价格分摊'
) COMMENT '交易域取消订单明细事务事实表'PARTITIONED BY (`dt` STRING)ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'STORED AS ORCLOCATION '/warehouse/gmall/dwd/dwd_trade_cancel_detail_inc/'TBLPROPERTIES ('orc.compress' = 'snappy');

3.取消订单事务事实表 加载数据分析

  • 数据流程
    • 数据来源相关：订单表 中 取消的订单 关联 取消订单表 中 订单详情，即可获取全量字段
1.首日全量取消订单的数据加载
set hive.exec.dynamic.partition.mode=nonstrict;
insert overwrite table dwd_trade_cancel_detail_inc partition (dt)
selectod.id,order_id,user_id,sku_id,province_id,activity_id,activity_rule_id,coupon_id,date_format(canel_time,'yyyy-MM-dd') date_id,canel_time,source_id,source_type,dic_name,sku_num,split_original_amount,split_activity_amount,split_coupon_amount,split_total_amount,date_format(canel_time,'yyyy-MM-dd')
from
(selectdata.id,data.order_id,data.sku_id,data.source_id,data.source_type,data.sku_num,data.sku_num * data.order_price split_original_amount,data.split_total_amount,data.split_activity_amount,data.split_coupon_amountfrom ods_order_detail_incwhere dt = '2020-06-14'and type = 'bootstrap-insert'
) od
join
(selectdata.id,data.user_id,data.province_id,data.operate_time canel_timefrom ods_order_info_incwhere dt = '2020-06-14'and type = 'bootstrap-insert'and data.order_status='1003'
) oi
on od.order_id = oi.id
left join
(selectdata.order_detail_id,data.activity_id,data.activity_rule_idfrom ods_order_detail_activity_incwhere dt = '2020-06-14'and type = 'bootstrap-insert'
) act
on od.id = act.order_detail_id
left join
(selectdata.order_detail_id,data.coupon_idfrom ods_order_detail_coupon_incwhere dt = '2020-06-14'and type = 'bootstrap-insert'
) cou
on od.id = cou.order_detail_id
left join
(selectdic_code,dic_namefrom ods_base_dic_fullwhere dt='2020-06-14'and parent_code='24'
)dic
on od.source_type=dic.dic_code;
2.每日增量取消订单的数据加载
  • maxwell同步过来的数据，update过来的数据，并且order_status的状态变为了取消状态。
  • 15号取消的订单，可能是之前下单的订单，所以获取订单明细数据的时候，需要关联订单明细表的前几天的数据，需要跟时间维度进行关联，获取当天或者前一天的数据。
insert overwrite table dwd_trade_cancel_detail_inc partition (dt='2020-06-15')
selectod.id,order_id,user_id,sku_id,province_id,activity_id,activity_rule_id,coupon_id,date_format(canel_time,'yyyy-MM-dd') date_id,canel_time,source_id,source_type,dic_name,sku_num,split_original_amount,split_activity_amount,split_coupon_amount,split_total_amount
from
(selectdata.id,data.order_id,data.sku_id,data.source_id,data.source_type,data.sku_num,data.sku_num * data.order_price split_original_amount,data.split_total_amount,data.split_activity_amount,data.split_coupon_amountfrom ods_order_detail_incwhere (dt='2020-06-15' or dt=date_add('2020-06-15',-1))and (type = 'insert' or type= 'bootstrap-insert')
) od
join
(selectdata.id,data.user_id,data.province_id,data.operate_time canel_timefrom ods_order_info_incwhere dt = '2020-06-15'and type = 'update'and data.order_status='1003'and array_contains(map_keys(old),'order_status')
) oi
on order_id = oi.id
left join
(selectdata.order_detail_id,data.activity_id,data.activity_rule_idfrom ods_order_detail_activity_incwhere (dt='2020-06-15' or dt=date_add('2020-06-15',-1))and (type = 'insert' or type= 'bootstrap-insert')
) act
on od.id = act.order_detail_id
left join
(selectdata.order_detail_id,data.coupon_idfrom ods_order_detail_coupon_incwhere (dt='2020-06-15' or dt=date_add('2020-06-15',-1))and (type = 'insert' or type= 'bootstrap-insert')
) cou
on od.id = cou.order_detail_id
left join
(selectdic_code,dic_namefrom ods_base_dic_fullwhere dt='2020-06-15'and parent_code='24'
)dic
on od.source_type=dic.dic_code;

7.交易域购物车周期快照事实表

1.购物车周期快照事实表 前期梳理

  • 周期快照事实表，实际上类似于Hive中按天做分区，然后全量拉取mysql中数据，这样就会形成mysql的快照，每日全量快照表。

  • 周期快照事实表，解决的主要问题：对于商品库存、账户余额这些存量型指标，业务系统中通常就会计算并保存最新结果，所以定期同步一份全量数据到数据仓库，构建周期型快照事实表，就能轻松应对此类统计需求，而无需再对事务型事实表中大量的历史记录进行聚合了。

  • 周期快照表的创建，完全是基于需求来的，是服务于需求的，此处创建购物车周期快照事实表，是服务于需求：各分类商品购物车存量Top10

    • 将购物车存量数据创建购物车周期快照事实表，直接基于此表，按照sku_id分组求和sku_num，就可简单实现上面的需求。

  • 周期快照表和业务过程对照关系，没有必要进行讨论，可能对应一个业务过程，也可能对应两个业务过程。

2.购物车周期快照事实表 DDL表设计分析

DROP TABLE IF EXISTS dwd_trade_cart_full;
CREATE EXTERNAL TABLE dwd_trade_cart_full
(`id`       STRING COMMENT '编号',`user_id`  STRING COMMENT '用户id',`sku_id`   STRING COMMENT '商品id',`sku_name` STRING COMMENT '商品名称',`sku_num`  BIGINT COMMENT '加购物车件数'
) COMMENT '交易域购物车周期快照事实表'PARTITIONED BY (`dt` STRING)ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'STORED AS ORCLOCATION '/warehouse/gmall/dwd/dwd_trade_cart_full/'TBLPROPERTIES ('orc.compress' = 'snappy');

3.购物车周期快照事实表 加载数据分析

insert overwrite table dwd_trade_cart_full partition(dt='2020-06-14')
selectid,user_id,sku_id,sku_name,sku_num
from ods_cart_info_full
where dt='2020-06-14'
and is_ordered='0';

4.交易域支付成功事务事实表

1.支付成功事务事实表 前期梳理

2.支付成功事务事实表 DDL表设计分析

3.支付成功事务事实表 加载数据分析

5.交易域退单事务事实表

1.退单事务事实表 前期梳理

2.退单事务事实表 DDL表设计分析

3.退单事务事实表 加载数据分析

6.交易域退款成功事务事实表

1.退款成功事务事实表 前期梳理

2.退款成功事务事实表 DDL表设计分析

3.退款成功事务事实表 加载数据分析

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.luyixian.cn/news_show_74130.aspx

如若内容造成侵权/违法违规/事实不符，请联系dt猫网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

mysys2+minGW方案编译ffmpeg的最佳实践

mysys2+minGW方案编译ffmpeg的最佳实践

一、Win10 64bit编译环境的建立1）从http://www.msys2.org/下载 msys2-x86_64-xxx.exe2） 安装msys2到默认路径 C:\msys64\3） 运行MSYS2 w644）执行 pacman -Syu 更新系统当出现提示时，选择y5) 当窗口关闭时，重…
阅读更多...
【unity游戏制作-mango的冒险】场景二的镜头和法球特效跟随

【unity游戏制作-mango的冒险】场景二的镜头和法球特效跟随

👨‍💻个人主页：元宇宙-秩沅 hallo 欢迎 点赞👍 收藏⭐ 留言📝 加关注✅! 本文由 秩沅 原创 收录于专栏：unity游戏制作 ⭐mango的冒险场景二——镜头和法球特效跟随⭐ 文章目录⭐mango的冒险场景二——镜…
阅读更多...
前端：分享JS中7个高频的工具函数

前端：分享JS中7个高频的工具函数

目录 ◆1、将数字转换为货币 ◆2、将 HTML 字符串转换为 DOM 对象 ◆3、防抖 ◆4、日期验证 ◆5、将 FormData（表单数据）转换为 JSON ◆6、衡量一个函数的性能 ◆7、从数组中删除重复项 JavaScript 实用函数是有用的、可重复使用的片段&#xff0…
阅读更多...
Kotlin1.8新特性

Kotlin1.8新特性

Kotlin1.8.0新特性 新特性概述 JVM 的新实验性功能：递归复制或删除目录内容提升了 kotlin-reflect 性能新的 -Xdebug 编译器选项，提供更出色的调试体验kotlin-stdlib-jdk7 与 kotlin-stdlib-jdk8 合并为 kotlin-stdlib提升了 Objective-C/Swift 互操作…
阅读更多...
FL StudioV21电脑版水果编曲音乐编辑软件

FL StudioV21电脑版水果编曲音乐编辑软件

这是一款功能十分丰富和强大的音乐编辑软件，能够帮助用户进行编曲、剪辑、录音、混音等操作，让用户能够全面地调整音频。FL水果最新版是一款专业级别的音乐编曲软件，集合更多的编曲功能为一身，可以进行录音、编辑、制作、混音、调…
阅读更多...
5 KNN算法及Python实现

5 KNN算法及Python实现

0 建议学时 2学时 1 KNN算法 1.1 KNN原理 KNN：K Nearest Neighbors，即K个最近的邻居； 预测一个新值xxx，根据距离最近的K个点的类别来判断xxx属于哪一类。 算法核心要点： K值的选取非常重要； 距离公式…
阅读更多...
数学不好，英语不行，非本专业，可以学IT吗？

数学不好，英语不行，非本专业，可以学IT吗？

很多小伙伴，都会问小青一些比较类似的问题。比如：不是计算机专业的，可以学编程吗？数学一直就不好，可以转行学IT吗？学编程开发，对英语的的要求会不会很高？01计算机不是计算机专业的&a…
阅读更多...
【Arduino 无刷电机控制教程】

【Arduino 无刷电机控制教程】

【Arduino 无刷电机控制教程】 1. 概述2. 试验准备3. 实验原理4. Arduino 无刷电机控制 – 电路图4.1 实验组件4.2 用于 BLDC 电机控制的 Arduino 代码5. 实验验证5.1 电位计控制无刷电机速度5.2 电调校准在本教程中，我们将学习如何使用 Arduino 和 ESC 控制无刷电机。如果您想…
阅读更多...
（三）代表性物质点邻域的变形分析

（三）代表性物质点邻域的变形分析

本文主要内容如下：1. 伸长张量与Cauchy-Green 张量2. 线元长度的改变2.1. 初始/当前构型下的长度比2.2. 主长度比与 Lagrange/Euler 主方向2.3. 初始/当前构型下任意方向的长度比3. 线元夹角的改变4. 面元的改变5. 体元的改变1. 伸长张量与Cauchy-Green 张量 由于变…
阅读更多...
ABAP 辨析CO|CN|CA|NA|CS|NS|CP|NP

ABAP 辨析CO|CN|CA|NA|CS|NS|CP|NP

1、文档说明 本篇文档将通过举例，解析字符的比较运算符之间的用法和区别，涉及到的操作符：CO|CN|CA|NA|CS|NS|CP|NP 2、用法和区别 用法总览 以下举例，几乎都使用一个字符变量和一个硬编码字符进行对比的方式，忽略尾…
阅读更多...
刚上岸字节测试开发岗，全网最真实的大厂面试真题

刚上岸字节测试开发岗，全网最真实的大厂面试真题

首先我来解释一下为什么说是全网最真实的面试题，相信大家也发现软件测试面试题在网上流传也已不少，但是经过仔细查看发现了两个很重要的问题。 第一，网上流传的面试题的答案并不能保证百分百正确。也就是说各位朋友辛辛苦苦花了很多时间准备…
阅读更多...
【数据结构趣味多】Map和Set

【数据结构趣味多】Map和Set

1.概念及场景 Map和set是一种专门用来进行搜索的容器或者数据结构，其搜索的效率与其具体的实例化子类有关。 在此之前，我还接触过直接查询O(N)和二分查询O(logN)，这两个查询有很多不足之出，直接查询的速率太低，而二分查…
阅读更多...
Servlet笔记（11）：Servletcontext对象

Servlet笔记（11）：Servletcontext对象

1、什么是ServletContext ServletContext是一个全局储存空间，随服务器的生命周期变化， Cookie，Session，ServletContext的区别 Cookie： 存在于客户端的本地文本文件 Session： 存在于服务器的文本文件&#…
阅读更多...
在外包公司熬了 3 年终于进了字节，竭尽全力....

在外包公司熬了 3 年终于进了字节，竭尽全力....

其实两年前校招的时候就往字节投了一次简历，结果很明显凉了，随后这个理想就被暂时放下了，但是这个种子一直埋在心里这两年除了工作以外，也会坚持写博客，也因此结识了很多优秀的小伙伴，从他们身上学到了特别…
阅读更多...
使用kubeadm 部署kubernetes 1.26.1集群 Calico ToR配置

使用kubeadm 部署kubernetes 1.26.1集群 Calico ToR配置

目录 机器信息 升级内核 系统配置 部署容器运行时Containerd 安装crictl客户端命令 配置服务器支持开启ipvs的前提条件 安装 kubeadm、kubelet 和 kubectl 初始化集群 （master） 安装CNI Calico 集群加入node节点 机器信息 主机名集群角色IP内…
阅读更多...
FreeRTOS的Delay函数

FreeRTOS的Delay函数

两个Delay函数有两个延时函数vTaskDelay：至少等待指定个数的Tick Interrupt才能变为就绪态xTaskDelayUtil：等待到指定的绝对时刻，才能变为就绪态个人感觉这两个延时函数就是，比如一个我等3个小时，一个是我等到下午3点的…
阅读更多...
回归预测 | MATLAB实现BO-CNN-BiLSTM贝叶斯优化卷积双向长短期记忆网络数据回归预测

回归预测 | MATLAB实现BO-CNN-BiLSTM贝叶斯优化卷积双向长短期记忆网络数据回归预测

回归预测 | MATLAB实现BO-CNN-BiLSTM贝叶斯优化卷积双向长短期记忆网络数据回归预测 目录回归预测 | MATLAB实现BO-CNN-BiLSTM贝叶斯优化卷积双向长短期记忆网络数据回归预测效果一览基本介绍模型搭建程序设计参考资料效果一览 基本介绍 基于贝叶斯优化卷积双向长短期记忆网络(…
阅读更多...
会声会影2023专业版视频处理制作软件功能详细介绍

会声会影2023专业版视频处理制作软件功能详细介绍

会声会影是一款专业的视频处理和制作软件，也是目前影楼制作结婚和一般视频特效制作的必备软件，他是一款专为个人及家庭所设计的数码影片编辑软件，可将数 字或模拟摄像机所拍下来的如成长写真、国外旅游、个人MTV、生日派对、毕业典礼等精彩生…
阅读更多...
惠普m1136打印机驱动程序安装教程

惠普m1136打印机驱动程序安装教程

惠普m113打印机是一款功能强大的多功能打印机，它能够打印、复印、扫描和传真等。如果你要使用这款打印机，你需要下载并安装驱动程序，以确保它能够在你的计算机上正常工作。在本文中，我们将介绍如何下载和安装惠普m1136打印机驱动程…
阅读更多...
loki 日志管理的安装部署使用

loki 日志管理的安装部署使用

loki介绍 Loki是 Grafana Labs 团队最新的开源项目，是一个水平可扩展，高可用性，多租户的日志聚合系统。它的设计非常经济高效且易于操作，因为它不会为日志内容编制索引，而是为每个日志流编制一组标签。 不对日志进行…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023

友情链接： 我的编程经验分享 一条长河网 尧图网站开发 尧图建网站 广利置业