Lookup的几种缓存模式

1、微软BI 之SSIS 系列 - Lookup 组件的使用与它的几种缓存模式 - Full Cache, Partial Cache, NO Cache2013-09-04 20:28 by BIWORK, 1496 阅读, 13 评论, 收藏, 编辑开篇介绍先简单的演示一下使用 Lookup 组件实现一个简单示例 - 从数据源表 A 中导出数据到目标数据表 B，如果 A 数据在 B 中不存在就插入新数据到B，如果存在就更新B 和 A 表数据保持统一。随后再来解释在这个过程中使用到的一些术语，以及分析一下 Lookup 中出现的几种缓存模式，各自的特点以及常用的场合。案例讲解两张表，一张是目标表

2、 DEMO_LK_Customer，一张是 DEMO_LK_LegacyCustomer  旧系统表。我们可以理解我们这个示例要实现的目标是 DEMO_LK_Customer 表的数据要和DEMO_LK_LegacyCustomer 实现同步，保持一致。USE BIWORK_SSISGO- Look up demo tableIF OBJECT_ID('DEMO_LK_Customer','U') IS NOT NULLDROP TABLE DEMO_LK_Customer GOIF OBJECT_ID('DEMO_LK_Legacy

3、Customer','U') IS NOT NULLDROP TABLE DEMO_LK_LegacyCustomer GOCREATE TABLE DEMO_LK_Customer( CustomerID INT PRIMARY KEY, CustomerCompany NVARCHAR(255), CustomerName NVARCHAR(20), CustomerAddress NVARCHAR(255)CREATE TABLE DEMO_LK_LegacyCustomer( CustomerID INT PRIMARY KEY, CustomerCompany

4、 NVARCHAR(255), ContactName NVARCHAR(20), ContactTitle NVARCHAR(50), CustomerAddress NVARCHAR(255)INSERT INTO DEMO_LK_Customer VALUES(1,'HFBZG','Allen,Michael','Obere Str. 0123'),(2,'MLTDN','Hassall, Mark','Avda. de la Constitución 5678'),(3,'

5、KBUDE','Peoples, John','Mataderos 1000')INSERT INTO DEMO_LK_LegacyCustomer VALUES (1,'NRZBB','Allen,Michael','Sales Representative','Obere Str. 0123'),(2,'MLTDN','Hassall, Mark','Owner','Avda. de la Constitución 567

6、8'),(3,'KBUDE','Peoples, John','Owner','Mataderos 7890'),(4,'HFBZG','Arndt, Torsten','Sales Representative','7890 Hanover Sq.'),(5,'HGVLZ','Higginbotham, Tom','Order Administrator','Berguvsvägen 5678

7、')SELECT * FROM DEMO_LK_CustomerSELECT * FROM DEMO_LK_LegacyCustomer-UPDATE DEMO_LK_Customer SET CustomerName = ?, CustomerCompany = ?, CustomerAddress = ? WHERE CustomerID = ?-UPDATE DEMO_LK_Customer SET CustomerName = ? WHERE CustomerID = ?-UPDATE DEMO_LK_Customer SET CustomerAddress = ? WHERE

8、 CustomerID = ?在测试数据中，我们认为两张表的 ID 都是不变的唯一的，第1条数据和第3条数据不一致，第4条和第5条数据在目标表中不存在。先看一下实现这个例子的 SSIS Package 结构，最外面的是一个数据流 DF_Lookup。在数据流中，数据源 OLE_SRC_LegacyCustomer 在这个例子中使用的是 SQL Server 数据库表，但是这个数据源也可以是文本文件，Excel 或者其它数据库的表或者查询的结果集。这个数据源相对于 Lookup 组件 LKP_Customer 来说是 Lookup 组件的输入项。LKP_Customer 之后有两个分支 - 匹配

9、和不匹配分支，做的事情就是匹配的数据做更新，不匹配的数据做插入动作。输入源 OLE_SRC_LegacyCustomer 的配置输入源中要向下输出的列 - 相对于 Lookup 组件，它的输出是 Lookup 的输入。LKP_Customer 的缓存模式选择的是默认模式 - Full Cache 完全缓存，连接类型 OLE DB Connection 。从上一个组件中输出的列即这里的数据源 Input 要到下面展示的表或者视图 DEMO_LK_Customer 中查找匹配项，下面的 DEMO_LK_Customer 在Lookup 组件中被称为 - Reference Table/Set 引用

10、表/引用集，前面默认的 Full Cache 缓存的就是这里的 Reference Table - DEMO_LK_Customer。解释一下这个关联和配置的含义 -左边 Available Input Columns 来源于 Input 即数据源中输出的列，这些列会作为 Lookup 组件继续向下一个组件输出的列。Available Lookup Columns 来源于 Reference table 即在缓存中的数据，已选中的 CustomerID 也会作为 Lookup 组件继续向下一个组件输出的列。中间的黑色实心线描述了查询时的关联规则，以左边为驱动表到右边缓存表中查找 Cu

11、stomerID 一致的数据，找到了则匹配成功，找不到则不匹配。设置了如果不匹配则输出不匹配的选项，因此在 Lookup 组件之后能看到 Lookup Match Output 和 Lookup No Match Output 选项。我们要把匹配的 CustomerID, 将 Input 作为源，将 Reference Table 作为目标表，将 CustomerID 匹配的其它列的数据更新到目标表中。添加组件 OLE_Command 来更新 DEMO_LK_Customer 目标表，选择的是 Lookup Match Output -UPDATE DEMO_LK

12、_Customer SET CustomerName = ?, CustomerCompany = ?, CustomerAddress = ? WHERE CustomerID = ?设置参数，这里就能看到有两个 CustomerID，一个是来源于 Input 的 CustomerID，一个则是上一个数据源中 OLE_SRC_LegacyCustomer 的 CustomerID，这里随便制定哪一个 CustomerID 都可以。添加一个新组件 OLE DB Destination 连接的是 Lookup NO Match Output，并设置 DEMO_LK_Customer 为

13、目标表，表示如果不匹配则添加新数据。输入输出的 Mapping 关系。执行 Package，看到从数据源中向下输出 5 条数据，其中有 3 条数据与 Reference Table 通过 CustomerID 匹配上，因此根据 CustomerID 将最新的从 Input 中输出的信息更新到已存在的目标表中。另外两条不匹配，则添加到目标表中。注意这里提到的几个表虽然有的是同一张表，但是它们的角色是不一样的 -· OLE_SRC_LegacuCustomer 中的表 DEMO_LK_LegacyCustomer - 作为 Lookup 组件  LKP_Custome

14、r 中的输入源，被称为 Input Table。· LKP_Customer 中引用的表 DEMO_LK_Customer 在 Lookup 组件中被称为 Reference Table。· OLE_CMD_UpdateCustomer 和 OLE_DST_InsertNewCustomer 中出现的表 DEMO_LK_Customer 是目标表。对于一下最后源表和目标表的数据，保持了同步，前提就是 CustomerID 在两张表中都能够唯一确定一条数据。在数据仓库的设计中，也会设计一个 Key 能够唯一确定业务系统和数据仓库中的一条数据，使它们能够在逻辑上能够关联起来。但

15、是这里有一个问题，就是第2条数据没有变化，但是也会执行一次 Update 操作，可以看上面的例子中，Update 操作显示的是3条数据输入了。如果数据量比较多的情况下，像这样的 Update 是没有必要的。因此下面要对这个例子进行一个简单的改造，假设只有 CustomerCompany 和 CustomerAddress 会不一致的情况下，可以如何处理来避免无谓的更新操作。我的改造是在查找匹配之后，添加一个组件 Conditional Split - CS_CheckValues 对输出列做一个判断，只在 CustomerCompany 和 CustomerAddress 不一致的情况下做出更

16、新。并且在 Lookup 组件中做出修改，因为要比较 Input table 和 Reference table 的两个列，因此选中右边的几个列。检查的规则有3个，当两个列都不一致的时候，到某一个列不一致的时候，并且也应该按照这种顺序来确保第一种规则应该最先检查。(_CustomerName != ContactName) && (CustomerAddress != _CustomerAddress) && (CustomerCompany != _CustomerCompany)_CustomerCompany != CustomerCompanyCusto

17、merAddress != _CustomerAddress最后添加相应的组件按照不同的规则执行对应的更新语句 -UPDATE DEMO_LK_Customer SET CustomerName = ?, CustomerCompany = ?, CustomerAddress = ? WHERE CustomerID = ?-UPDATE DEMO_LK_Customer SET CustomerName = ? WHERE CustomerID = ?-UPDATE DEMO_LK_Customer SET CustomerAddress = ? WHERE CustomerID = ?再

18、次执行这个 Package 的时候就能看到更新的时候只有两条数据更新了，这样就避免了不必要的全部更新。这个例子往小了说就是一个表到另外一个表根据那些列然后关联查询出一些列合并或者不合并输出，往大了说可以想象一下更多的场景。比如数据源是一个或者一批文件，Excel，需要定期将文件或者Excel中的数据同步更新到一个数据表中。比如将业务系统中的表数据更新到数据仓库中，更新一下数据仓库中的一些维度属性或者事实数据（事实数据一般很少更新），或者添加一些新的事实数据。所以，Lookup 的使用在 SSIS 中相当于大多数组件来说使用的频率还是比较高的。虽然，它的某些功能实现完全可以用其它的组件或者逻辑来

19、代替，甚至直接使用 SQL 语句。但是某些时候，我们还是还考虑使用 Lookup，因为 Lookup 里有一些缓存的设计，可以提高我们处理数据的效率，特别是在 SSIS Package 中反复使用到同一个 Reference 对象的时候。了解 Lookup 的缓存模式下面提到的缓存模式只适用于 OLE DB Connection Manager,  Cache connection manager 类似于 OLE DB Connection Manager 中的 Full Cache Mode。Full Cache 完全缓存模式 这是 Lookup 的默

20、认选项，选择这个模式后，在数据流 Data flow 真正执行之前就会将表中的数据或者对应查询结果的数据一次性的从数据源中将数据缓存到内存中。特点：· 数据流(SSIS)执行之前缓存全部结果集。· 消耗内存大，增加了数据流的启动时间。· 在数据流启动之后执行速度要快，数据不需要从数据源中再次读取。· 数据源中的数据更新此时将不再影响到缓存中的数据。· 缓存中的数据可以被后面的组件重复使用。什么时候该使用 Full Cache?· Lookup 数据集比较大的时候，一次加载到内存可以反复使用，而不

21、需要反复的去查询数据库。· 数据库服务器不在本地，为了减少查询次数的情况下也要考虑使用 Full Cache。使用 Full Cache 模式时要注意的地方:· 数据全部缓存在内存中，如果内存不够并不会将超出部分的数据缓存到磁盘上，而是直接报错 - Run out of memory。· 由于数据集缓存在内存中，所以在使用 Lookup 的时候不应该直接使用表对象，而应该通过写 SELECT 语句来减少不必要的列输出并且可以加上 WHERE 条件来限定一下数据集的大

22、小，简而言之缓存的数据应该只包含有用的数据。· 数据一旦缓存，那么在数据流执行过程中就不会再去检测之前源数据是否发生改变或者更新等等，除非数据流重新启动执行。Partial Cache 部分缓存模式部分缓存模式下，数据流开始时缓存还是空的。当时数据流开始执行后，当 Lookup 组件需要根据输入行找匹配数据的时候，这时 Lookup 组件会先检查一下缓存有没有匹配的数据，如果没有就查询数据库，如果在数据库中查到匹配的数据行的时候就把这个数据行缓存起来，以便下次使用。查询的过程可以这样理解，比如 Input Source 中有一个 ID1 与 Lookup 对象的 ID2 匹配，那么每次就是拿 ID1 到 Lookup 的缓存中查一下有没有 ID2的值和ID1的值匹配，如果没有的话就用 ID1的值作为一个参数到 ID2