1 背景
若数据库中有一张表，每天都会新增数据，这时候用户可以使用 增量抽取，只将每天新增的数据更新到 Smartbi MPP 表，这样就不需要更新整张数据表，节省了更新时间和更新资源。
1、增量抽取只在数据模型引擎V2.0上生效。
2、目前增量抽取支持的缓存库：SmartbiMpp产品默认使用高速缓存库CH、StarRocks、SmartbiMppMD产品exe安装包自带高速缓存库，正在持续继续完善。
4、增量抽取是针对数据模型的单个表或查询进行设置的。
1.1 增量抽取适用场景
增量抽取常用于频繁更新且数据量比较大的表。
满足以下条件的数据表，比较适合使用增量抽取：
- 历史数据不会变动 --入库方式可以使用”追加“。
- 表内有“时间戳”字段，可用来和"更新时间"做对比实现增量更新,--入库方式可以使用”更新与插入“。
2 示例介绍
2.1 增量数据入库方式-追加示例
- 追加：每次抽取，根据“用于标识新增数据的字段”判断数据库中的数据是否为新增数据，对数据库的新增数据进行抽取，并追加在MPP数据库中，如下图所示：
- 适合追加的场景：历史数据不会变动 。
以产品自带数据源northwind数据库下的“orderDetails”表，”produts“表进行为例进行说明。
1、创建数据模型并在数据模型加入"orderDetails"表、”produts“表，创建的模型如下：
2、由于”orderDetails“表的数据每天都会增加，在”orderDetails“表上设置增量抽取：
增量数据获取方式：
- 按字段筛选:当选中的是”数据源表“时，它才是启用状态，当选中的是其他查询是禁用状态。
- 当选中的是SQL查询、存储过程查询、java查询、可视化SQL查询、脚本查询，它是启用状态；当选中”数据源表“时，它才是禁用状态
当前”orderDetails“表是数据源表的类型，所以”增量数据获取方式“是”按字段筛选“，需要选择”用于标识新增数据的字段“：
- 代表的意思：假设“用于标识新增数据的字段”是 field，上一次抽取时 field 字段的最大值表示为 last_max(field)，则本次抽取获取增量数据的过滤条件是 field > last_max(field)。
- 只能选择整型、日期、日期时间类型的字段。
- 只能选择一个字段。
增量入库方式：支持追加、更新与插入；选择追加。
3、配置好之后，点击【确定】，保存数据模型之后，点击增量抽取页面的”立即抽取“，查看抽取日志，可以看到第一次是全量抽取：
4、去数据库中在“orderDetails” 表中增加几条数据：
5、再次点击【立即抽取】，可以看到“orderDetails”已追加了新的数据。
2.2 增量数据入库方式-更新与插入示例
- 更新与插入：每次抽取，根据“用于判断数据在缓存库中是否存在的主键字段”逐行判断该行数据在缓存库中是否存在，如果不存在则插入，如果存在则更新，如下图所示：
- ”更新与插入“的使用场景：数据量较大，历史数据会进行变更。并且表内有“时间戳”字段，可用来和"更新时间"做对比实现增量更新。
前提条件
要实现增量抽取的“更新与插入”，必须满足两个条件：
1、必须指定主键。
2、必须指定更新时间；数据库中源表必须要有数据的更新时间，如果更新时间为空或null，更新与插入会失败。
以产品自带数据源northwind数据库下的“orders”表、“OrderDetail”为例来进行说明。
为了更好的说明增量抽取的原理，在"orders"源表中，增加一列“UpdateTime”，如下图：
具体的操作步骤如下：
1、创建数据模型并在数据模型加入"ordersDetail"表，以及通过SQL查询来筛选大于2024-01-01的“Orders”表信息，创建的模型如下：
2、在参数管理中，创建参数UpdateTime,并映射到“Orders”表：
3、由于"Orders"表的数据很大，并且经常会更新，抽取方式选择“增量抽取”。
增量数据获取方式: SQL查询 类型默认是”按参数筛选“，”按参数筛选“需要填写”用于标识新增数据的参数“、”与参数关联的字段“。
由于刚已经映射了参数“UpdateTime”,所以“用于标识新增数据的参数” 选择“UpdateTime”、”与参数关联的字段“的选择“UpdateTime”字段， 如下图所示：
| 选项 | 说明 | ||
|---|---|---|---|
| 按参数筛选 | 用于标识新增数据的参数 |
| |
| 与参数关联的字段 | 只能选择数值型、日期、日期时间类型的字段。 | ||
| 增量数据入库方式 | 追加 | 原理：本次抽取的增量数据，全部追加到缓存库中。 | |
| 更新与插入 | 原理：本次抽取的增量数据，利用“主键字段”逐行判断该行数据在缓存库中是否存在，如果不存在则插入，如果存在则更新。 ”用于判断数据在缓存库中是否存在的主键字段“ 选项：
| ||
| 立即抽取 | 如果是第一次抽取，则会把整个模型都执行全量抽取，如果非第一次抽取，则会根据上一次抽取时UpdateTime字段的最大值为参数默认值进行抽取。 | ||
| 立即覆盖抽取 | 即全量抽取，如果其他表/查询没有更改过，只会抽取该表的数据；如果其他表/查询调整了结构也会把调整结构的表都抽取了。 |
4、配置好之后，去抽取数据模型，查看抽取日志，如果是第一次抽取，默认是全量抽取：
5、去源数据库中在该表新增以及更改几条数据：
6、再次点击【立即抽取】按钮，抽取成功之后，查看日志，可以看到是增量抽取：
注意：增量更新，抽取时会自动更新与它关联的事实表的小宽表，如果与它关联的事实表数据量很大，则抽取时间会相对久一些。
7、去创建即席查询，可以查看到刚新增与更新的记录：
如果已抽取2024-10-29的数据了，源库又更新了“2024-10-29”的数据，再点击抽取，是没办法把"2024-10-29"的数据增量过来的；这时候需要全量抽取。
原因：更新参数的默认值已记住了2024-10-29，SQL语句是UpdateTime >’2024-10-29‘，所以没办法更新与插入同一天的数据。
3 注意事项
目前增量抽取还支持的场景：覆盖多少天/季度等，即每次抽取，根据日期及滚动周期将数据库中的新增以及部分历史数据抽取到MPP数据库中，其中历史数据将会覆盖原数据。
4 数据抽取耗时对比
数据模型如下图：
1、【orders】入库方式"追加"
场景1：[orders]表原始数据1kw，增量100w和500w数据，追加情况
表名称 | 原始数据 | 列数 | 全量抽取耗时 | 增量数据 | 增量抽取耗时 (重新计算历史数据小宽表) | 抽取提升效率 |
orders | 1kw | 25 | 263s(源表：233s + 小宽表：30s) | 100w | 98s(源表：51s+ 小宽表37s) | 2.7倍 |
500W | 186s(源表：120s+ 小宽表66s) | 1.4倍 | ||||
customers | 200w | 14 | 97s(源表：85s + 小宽表：12s) |
场景2：[orders]表原始数据1亿，增量100w和500w数据，追加情况
表名称 | 原始数据 | 列数 | 全量抽取耗时 | 增量数据 | 增量抽取耗时(重新计算历史数据小宽表) | 抽取提升效率 |
orders | 1亿 | 25 | 2084s(源表：1809s + 小宽表：262s) | 100w | 434s(源表：172s+ 小宽表262s) | 4.8倍 |
500W | 584s(源表：296s+ 小宽表288s) | 3.5倍 | ||||
customers | 200w | 14 | 97s(源表：85s + 小宽表：12s) |
2、【orders】入库方式"插入与更新"
场景1：[orders]表原始数据1kw，增量100w和500w数据，插入与更新情况
表名称 | 原始数据 | 列数 | 全量抽取耗时 | 增量数据 | 增量抽取耗时 (重新计算历史数据小宽表) | 抽取提升效率 |
orders | 1kw | 25 | 263s(源表：233s + 小宽表：30s) | 100w | 140s(源表：51s+ 小宽表37s+合并42s) | 1.9倍 |
500W | 234s(源表：120s+ 小宽表66s+ 合并48s) | 1.1倍 | ||||
customers | 200w | 14 | 97s(源表：85s + 小宽表：12s) |
场景2：[orders]表原始数据1亿，增量100w和500w数据，插入与更新情况）
表名称 | 原始数据 | 列数 | 全量抽取耗时 | 增量数据 | 增量抽取耗时(重新计算历史数据小宽表) | 抽取提升效率 |
orders | 1亿 | 25 | 2084s(源表：1809s + 小宽表：262s) | 100w | 740s(源表：172s+ 小宽表262s + 合并306s) | 2.8倍 |
500W | 904s(源表：296s+ 小宽表288s+合并320s) | 2.3倍 | ||||
customers | 200w | 14 | 97s(源表：85s + 小宽表：12s) |
问题1： 我的原始数据是3000w，每天增量10w，列数：60列，抽取大概需要多久？
答：是一千万的三倍，但是抽取时间是会比3倍少，全量大概10分钟， 增量抽取耗时大概90s。
问题3：我的机器配置是：X86架构 32核； 内存 128G，硬盘1TB+？"5.1.1 "、"5.1.2"的场景，抽取时间是多少？
答：此配置远比上面测试环境高，那么抽取耗时也会比上述测试数据低一些。
