(2).第二类：create view v as select id,name,age from table;
(3).第三类：create view v[vid,vname,vage] as select id,name,age from table;
如果涉及到数据量过大，业务逻辑需要跨表查询等等也可建立一个跨表的视图，有三种情况：
一、基于同一数据库
这种情况较为简单，只需简单的一行sql命令，如下：
create view v as (select * from table1) union all (select * from table2);
二、基于不同数据库
这种情况只比上面的sql语句多一个数据库的名字，如下：
create view 数据库1.v as (select * from 数据库1.table1) union all (select * from 数据库2.table2);
或
create view 数据库2.v as (select * from 数据库1.table1) union all (select * from 数据库2.table2);
如果执行第一个sql将在数据库1下建立视图，反之亦然；
三、基于不同服务器
这种情况稍微麻烦一点，需要先建立一个远程表来访问远程服务器的数据表，然后再对这个刚建立的远程表和本地表进行视图，步骤如下：
1、查看MySql是否支持federated引擎
(1).登录Mysql;
(2).mysql>show engines;
(3).如果显示为no,在配置文件中添加：federated (在my.ini)，重新启动mysql服务。
2、创建远程表
mysql>CREATE TABLE federated_table (
id  INT(20)  NOT NULL AUTO_INCREMENT,
name  VARCHAR(32) NOT NULL DEFAULT '',
other  INT(20) NOT NULL DEFAULT '0',
PRIMARY KEY  (id)
)
ENGINE=FEDERATEDDEFAULT
CHARSET=utf8
CONNECTION='mysql://fed_user@remote_host:9306/federated/test_table';
CONNECTION可以按如下方式进行配置：
(1).CONNECTION='mysql://username:password@hostname:port/database/tablename'
(2).CONNECTION='mysql://username@hostname/database/tablename'
(3).CONNECTION='mysql://username:password@hostname/database/tablename'
3、建立视图
create view 本地数据库.v as (select * from 本地数据库.table1) union all (select * from 远程数据库.test_table);

我需要在MySQL中创建可以将两个表组合在一起的VIEW,以便对于第一个表中的每一行都必须添加第二个表中的列,但是由于行数据必须格式化为具有多个CSV的多个字段,因此每一行必须具有多个CSV.
我最初的方法是使用MySQL VIEW,但无法找到将第二个表中的多行数据显示为View表中的CSV单个单元格数据的方法.
这里有些例子：
1st table: gears
+------------+------------------------+-----------------+
| MainGearID | MainGearName           | MainGearType    |
+------------+------------------------+-----------------+
|          1 | Main Drive             | Spur            |
|          2 | Secondary Drive        | Spur            |
|          3 | Backup Secondary Drive | Hypoid          |
|          4 | AUX Drive              | Rack and pinion |
+------------+------------------------+-----------------+
2nd table: orbitinggears:
+----------+------------+--------------+--------------+
| OrbitaID | MainGearID | OrbitalType  | OrbitalValue |
+----------+------------+--------------+--------------+
|        1 |          1 | Spur         | 112          |
|        2 |          1 | Spur         | 280          |
|        3 |          2 | Spur         | 144          |
|        4 |          2 | Spur         | 248          |
|        5 |          3 | Helical      | 18           |
|        6 |          4 | Spur         | 144          |
+----------+------------+--------------+--------------+
Required View:
+------------+------------------------+-----------------+----------+---------+
| MainGearID | MainGearName           | MainGearType    | Spur     | Helical |
+------------+------------------------+-----------------+----------+---------+
|          1 | Main Drive             | Spur            | 112,280, |         |
|          2 | Secondary Drive        | Spur            | 144,248, |         |
|          3 | Backup Secondary Drive | Hypoid          |          | 18,     |
|          4 | AUX Drive              | Rack and pinion | 144,     |         |
+------------+------------------------+-----------------+----------+---------+
有人知道如何以这种方式创建视图吗？

数据仓库数据治理方案
数据仓库在数据治理时，通常建立数据模型，分层维护。一般有两种方式：
1. 面向未来可能或数据规划，从底层数据出发来模型构建；
2. 面向主题构建模型。减少模型涉及不到，和初期无法确定未来数据情况。
使用kylin构建数据仓库是怎么处理数据治理的呢？
kylin构建cube，可以多表关联构建。大多数复杂SQL需要经过拆分，多次汇总最后使ADS层数据得到构建。其中每一次任务构建，在kylin中设置定时策略构建。任务构建需要维护，当数据发生变化时，由重刷任务使数据更新完成。所以，kylin在数据治理时，有个极大的好处是，通过构建每一个数据展示任务，实际上已经提前做了分拆构建(人为拆分)，并且它会去维护这些繁杂的任务以及定时更新策略。
有impala/kudu 构建的主要OLAP数据仓库，数据ETL任务设置定时策略可按一定频率刷新数仓数据。处理过程中包括新增数据和更新数据。
ODS : 数据ETL之后，在KUDU中存储的贴源数据即为ODS层数据，这里重点是维护ETL任务，保证增量数据新增和更新完成。另外需要对一些事实表建维表，包括时间，交易类型，支付类型，渠道，银行，商户类型等维表。使整体事实表和维表呈星形，在数据查询时，通过维表关联。这样好处是，能通过维表统计多种多样的维度数据统计。缺点是，在对一个本来简单的数据查询时，需要关联好几个维表，使其显得格外复杂。
DWS : 即为汇总层。主要任务是对主题数据汇总。
ADS: 主题数据物化层
数据治理实施方法
(一)、确定主题
各业务需求主题
(二)、确定量度
在确定了主题以后，将考虑要分析的技术指标，诸如年销售额之类。它们一般为数值型数据。或者将该数据汇总，或者将该数据取次数、独立次数或取最大最小值等，这样的数据称为量度。
量度是要统计的指标，必须事先选择恰当，基于不同的量度可以进行复杂关键性能指标(KPI)等的设计和计算。
(三)、确定事实数据粒度
在确定了量度之后，要考虑到该量度的汇总情况和不同维度下量度的聚合情况。考虑到量度的聚合程度不同，将采用“最小粒度原则”，即将量度的粒度设置到最小。
在采用“最小粒度原则”的同时，不必担心海量数据所带来的汇总分析效率问题，因为在后续建立多维分析模型(CUBE)的时候，会对数据提前进行汇总，从而保障产生分析结果的效率。
(四)、确定维度
维度是指分析的各个角度。例如希望按照时间，或者按照地区，或者按照产品进行分析，那么这里的时间、地区、产品就是相应的维度。基于不同的维度，可以看到各量度的汇总情况，也可以基于所有的维度进行交叉分析。
这里首先要确定维度的层次(HierarChy)和级别(Level)。在时间维度上，按照“年-季度-月”形成了一个层次，其中“年”、“季度”、“月”成为了这个层次的3个级别;同理，当建立产品维度时，可以将“产品大类-产品子类-产品”划为一个层次，其中包含“产品大类”、“产品子类”、“产品”三个级别。
(五)、创建事实表
在确定好事实数据和维度后，将考虑加载事实表。
做法是将原始表与维度表进行关联，生成事实表。事实表除了各维度代理键外，还有各量度数据，这将来自原始表，事实表中将存在维度代理键和各量度。
事实数据表是数据仓库的核心，需要精心维护，在JOIN后将得到事实数据表，一般记录条数都比较大，需要为其设置复合主键和索引，以呈现数据的完整性和基于数据仓库的查询性能优化。事实数据表与维度表一起放于数据仓库中，如果前端需要连接数据仓库进行查询，还需要建立一些相关的中间汇总表或物化视，以方便查询。
谈谈传统数仓技术构架
传统数仓通常都是通过HIVE来构建，部署个Hadoop，然后HIVE，以及hive需要的MySQL。
最多在加上Hbase，全是hadoop一套技术组件。离线数据通过sqoop同步到HIVE里，增量数据的处理方法很原始，就是每天做对数仓数据做个镜像，重新拉取。也有对需要更新的数据，通过扫表或解析MySQL日志发送kafka消息，在hive里对数仓数据删除，然后再插入。
另外，也有直接往Hbase里同步数据，主要解决存储的扩展问题。Hbase本身的查询性能也非常不错，及时现在也好像没有在查询性能上比他更好的存储组件。分析上通过impala,presto配合，一套数仓架构基础也能构建完成。数据质量方便不必说，分层质量的方案是很早就有的。
这种方式虽然耗时，在取数时，也因为是通过hive查询启动MapReduce程序，时效性很长，因此通常都是跑定时任务做报表统计。但总体上运行稳定，数据量不大的情况下，方案基本能应付支持。
因此新的架构出现，主要在解决取数快速，和能即查即用上。这就需要在存储和计算上解决查询快速和及时响应。存储上，会通过使用支持数据更新的存储如KUDU等分布式存储来提数仓数据及时更新，减少延时。计算分开来，有像impala,presto的内存计算查询引擎，直接查询底层存储数据聚合返回；也有想Spark SQL，Flink 这样的流式计算引擎，对存量数据启动内存任务计算获取数据，对增量数据也能支持流式计算纳入查询结果返回。
因此，分布式查询引擎和流式计算是新一代大数据技术核心。
附大数据整体架构图：

1、索引对数据库性能如此重要应该如何使用它？
为数据库选择正确的索引是一项复杂的任务。如果索引列较少，则需要的磁盘空间和维护开销 都较少。如果在一个大表上创建了多种组合索引，索引文件也会膨胀很快。而另一方面，索引较多 可覆盖更多的查询。可能需要试验若干不同的设计，才能找到最有效的索引。可以添加、修改和删 除索引而不影响数据库架构或应用程序设计。因此，应尝试多个不同的索引从而建立最优的索引。
2、尽量使用短索引
对字符串类型的字段进行索引，如果可能应该指定一个前缀长度。例如，如果有一个 CHAR(255)的列，如果在前10个或30个字符内，多数值是惟一的，则不需要对整个列进行索引。 短索引不仅可以提高查询速度而且可以节省磁盘空间、减少I/O操作。
3、MySQL存储过程和函数有什么区别？
在本质上它们都是存储程序。函数只能通过return语句返回单个值或者表对象；而存储过程 不允许执行return，但是可以通过out参数返回多个值。函数限制比较多，不能用临时表，只能用表变量，还有一些函数都不可用等等；而存储过程的限制相对就比较少。函数可以嵌入在SQL 语句中使用，可以在SELECT语句中作为查询语句的一个部分调用；而存储过程一般是作为一个独立的部分来执行。
4、存储过程中的代码可以改变吗？
目前，MySQL还不提供对已存在的存储过程代码的修改，如果必须要修改存储过程，必须使用DROP语句删除之后，再重新编写代码，或者创建一个新的存储过程。
5、存储过程中可以调用其他存储过程吗？
存储过程包含用户定义的SQL语句集合，可以使用CALL语句调用存储过程，当然在存储 过程中也可以使用CALL语句调用其他存储过程，但是不能使用DROP语句删除其他存储过程。
6、存储过程的参数不要与数据表中的字段名相同
在定义存储过程参数列表时，应注意把参数名与数据库表中的字段名区别开来，否则将出 现无法预期的结果。
7、存储过程的参数可以使用中文吗？
一般情况下，可能会出现存储过程中传入中文参数的情况，例如某个存储过程根据用户的 名字查找该用户的信息，传入的参数值可能是中文。这时需要在定义存储过程的时候，在后面加 上character set gbk,不然调用存储过程使用中文参数会出错，比如定义userInfo存储过程，代码 如下：
CREATE PROCEDURE useInfo(IN u_name VARCHAR(50) character set gbk, OUT u_age INT)
8、MySQL中视图和表的区别以及联系是什么？
两者的区别：
(1)视图是已经编译好的SQL语句，是基于SQL语句的结果集的可视化的表，而表不是。
(2)视图没有实际的物理记录，而基本表有。
(3)表是内容，视图是窗口。
(4)表占用物理空间而视图不占用物理空间，视图只是逻辑概念的存在，表可以及时对它 进行修改，但视图只能用创建的语句来修改。
(5)视图是查看数据表的一种方法，可以查询数据表中某些字段构成的数据，只是一些SQL 语句的集合。从安全的角度来说，视图可以防止用户接触数据表，因而用户不知道表结构。
(6)表属于全局模式中的表，是实表；视图属于局部模式的表，是虚表。
(7)视图的建立和删除只影响视图本身，不影响对应的基本表。
两者的联系：
视图(view)是在基本表之上建立的表，它的结构(即所定义的列)和内容(即所有记录) 都来自基本表，它依据基本表存在而存在。一个视图可以对应一个基本表，也可以对应多个基本 表。视图是基本表的抽象和在逻辑意义上建立的新关系。
9、使用触发器时须特别注意
在使用触发器的时候需要注意，对于相同的表，相同的事件只能创建一个触发器，比如对 表account创建了一个BEFORE INSERT触发器，那么如果对表account再次创建一个BEFORE INSERT触发器，MySQL将会报错，此时，只可以在表account上创建AFTER INSERT或者 BEFORE UPDATE类型的触发器。灵活的运用触发器将为操作省去很多麻烦。
10、及时删除不再需要的触发器
触发器定义之后，每次执行触发事件，都会激活触发器并执行触发器中的语句。如果需求 发生变化，而触发器没有进行相应的改变或者删除，则触发器仍然会执行旧的语句，从而会影响 新的数据的完整性。因此，要将不再使用的触发器及时删除。