大数据项目之尚品汇(11数据质量管理)


第1章 数据质量管理概述

1.1 数据质量管理定义

数据质量管理(Data Quality Management),是指对数据从计划、获取、存储、共享、维护、应用、消亡生命周期的每个阶段里可能引发的各类数据质量问题,进行识别、度量、监控、预警等一系列管理活动,并通过改善和提高组织的管理水平使得数据质量获得进一步提高。

数据质量管理是循环管理过程,其终极目标是通过可靠的数据提升数据在使用中的价值,并最终为企业赢得经济效益。

1.2 数据质量评价指标

数据质量管理的最终目标是改善,任何改善都是建立在评价的基础上。通常数据质量的评价标准包括以下内容。

*评价标准* *描述* *监控项*
*唯一性* 指主键保持唯一 字段唯一性检查
*完整性* 主要包括记录缺失和字段值缺失等方面 字段枚举值检查、字段记录数检查、字段空值检查
*精确度* 数据生成的正确性,数据在整个链路流转的正确性 波动阀值检查
*合法性* 主要包括格式、类型、域值的合法性 字段日期格式检查、字段长度检查、字段值域检查
*时效性* 主要包括数据处理的时效性 批处理是否按时完成

第2章 数据质量管理实操

2.1 需求分析

我们的数仓项目主要监控以下数据的指标:

ODS层数据量,每日环比和每周同比变化不能超过一定范围

DIM层不能出现id空值,重复值;

DWD层不能出现id空值,重复值;

在每层中任意挑选一张表作为示例。

检查项目 依据 异常值下限 异常值上限
ods_order_info 同比增长 数据总量 -10% 10%
ods_order_info 环比增长 数据总量 -10% 50%
ods_order_info 值域检查 final_amount 0 100
dwd_order_info 空值检查 id 0 10
dwd_order_info 重复值检查 id 0 5
dim_user_info 空值检查 id 0 10
dim_user_info 重复值检查 id 0 5

2.2 功能模块

2.3 开发环境准备

2.3.1 Python开发环境准备

本文使用Python和Shell脚本实现数据质量监控的各项功能,故需先搭建相应的开发环境,Python开发可选择IDEA(需安装Python插件),或PyCharm等工具,本文使用IDEA作为开发工具。

1. 安装** Python **插件

(1)在IDEA中点击”File”,在下拉选择中点击”Settings…”

(2)点击”Plugins”,点击右上角的”Marketplace”,然后在搜索框中输入”python”,在搜索结果列表中找到Python插件,点击”Install”,安装插件。

2. 新建一个** Python **项目

(1)点击Idea中的”File”,在下列列表中点击”New”,在右侧弹出的列表中点击”Project…”

(2)在新建的工程中,点击”Python”,然后点击Next

(3)首次创建Python项目,会提示无Python SDK,此处选择Yes,后续再添加SDK。

(4)填写项目名称和项目路径等基本信息,点击Finish

(5)添加Python SDK

为了保证测试和运行的Python环境一致,我们配置项目采用远程集群的Python环境执行本地代码,以下为具体配置步骤。

第一步:点击”File”→”Project Structure”

第二步:按照下图操作,增加Python SDK。

第三步:点击”SSH Interpreter”,选择”Existing server configuration”,点击”…”

第四步:点击”+”,填入ssh连接信息,点击Next

第五步:点击Finish

img

第六步:点击OK

2.3.2 初始化MySQL环境

MySQL主要用于存储数据质量监控的结果值,这里需要提前建库建表。详细建表语句如下:

(1)创建data_supervisor库

drop database if exists data_supervisor;

create database data_supervisor;

(2)创建空值指标表,null_id

CREATE TABLE data_supervisor.`null_id`

(

`dt` date NOT NULL COMMENT '日期',

`tbl` varchar(50) NOT NULL COMMENT '表名',

`col` varchar(50) NOT NULL COMMENT '列名',

`value` int DEFAULT NULL COMMENT '空ID个数',

`value_min` int DEFAULT NULL COMMENT '下限',

`value_max` int DEFAULT NULL COMMENT '上限',

`notification_level` int DEFAULT NULL COMMENT '警告级别',

PRIMARY KEY (`dt`, `tbl`, `col`)

) ENGINE = InnoDB

DEFAULT CHARSET = utf8

comment '空值指标表';

(3)创建重复值指标表,duplicate

CREATE TABLE data_supervisor.`duplicate`

(

`dt` date NOT NULL COMMENT '日期',

`tbl` varchar(50) NOT NULL COMMENT '表名',

`col` varchar(50) NOT NULL COMMENT '列名',

`value` int DEFAULT NULL COMMENT '重复值个数',

`value_min` int DEFAULT NULL COMMENT '下限',

`value_max` int DEFAULT NULL COMMENT '上限',

`notification_level` int DEFAULT NULL COMMENT '警告级别',

PRIMARY KEY (`dt`, `tbl`, `col`)

) ENGINE = InnoDB

DEFAULT CHARSET = utf8

comment '重复值指标表';

(4)创建值域指标表,rng

CREATE TABLE data_supervisor.`rng`

(

`dt` date NOT NULL COMMENT '日期',

`tbl` varchar(50) NOT NULL COMMENT '表名',

`col` varchar(50) NOT NULL COMMENT '列名',

`value` int DEFAULT NULL COMMENT '超出预定值域个数',

`range_min` int DEFAULT NULL COMMENT '值域下限',

`range_max` int DEFAULT NULL COMMENT '值域上限',

`value_min` int DEFAULT NULL COMMENT '下限',

`value_max` int DEFAULT NULL COMMENT '上限',

`notification_level` int DEFAULT NULL COMMENT '警告级别',

PRIMARY KEY (`dt`, `tbl`, `col`)

) ENGINE = InnoDB

DEFAULT CHARSET = utf8

comment '值域指标表';

(5)创建环比增长指标表,day_on_day

CREATE TABLE data_supervisor.`day_on_day`

(

`dt` date NOT NULL COMMENT '日期',

`tbl` varchar(50) NOT NULL COMMENT '表名',

`value` double DEFAULT NULL COMMENT '环比增长百分比',

`value_min` double DEFAULT NULL COMMENT '增长上限',

`value_max` double DEFAULT NULL COMMENT '增长上限',

`notification_level` int DEFAULT NULL COMMENT '警告级别',

PRIMARY KEY (`dt`, `tbl`)

) ENGINE = InnoDB

DEFAULT CHARSET = utf8

comment '环比增长指标表';

(6)创建同比增长指标表,week_on_week

CREATE TABLE data_supervisor.`week_on_week`

(

`dt` date NOT NULL COMMENT '日期',

`tbl` varchar(50) NOT NULL COMMENT '表名',

`value` double DEFAULT NULL COMMENT '同比增长百分比',

`value_min` double DEFAULT NULL COMMENT '增长上限',

`value_max` double DEFAULT NULL COMMENT '增长上限',

`notification_level` int DEFAULT NULL COMMENT '警告级别',

PRIMARY KEY (`dt`, `tbl`)

) ENGINE = InnoDB

DEFAULT CHARSET = utf8

comment '同比增长指标表';

2.4 规则检测模块

2.4.1 单一规则检测脚本编写

检测规则脚本分为五类:分别是空id检查脚本、重复id检查脚本、值域检查脚本、数据量环比检查脚本和数据量同比检查脚本。

下面分别给大家介绍一下五类检测脚本的具体编写。

1.** 空 *id* 检查脚本**

在Idea中创建一个文件null_id.sh,在文件中编写如下内容:

实现的主要功能是:计算空值个数,并将结果和自己定义的阈值上下限,插入到MySQL表中。

#!/usr/bin/env bash

# -*- coding: utf-8 -*-

# 检查id空值

# 解析参数

while getopts "t:d:c:s:x:l:" arg; do

case $arg in

# 要处理的表名

t)

TABLE=$OPTARG

;;

# 日期

d)

DT=$OPTARG

;;

# 要计算空值的列名

c)

COL=$OPTARG

;;

# 空值指标下限

s)

MIN=$OPTARG

;;

# 空值指标上限

x)

MAX=$OPTARG

;;

# 告警级别

l)

LEVEL=$OPTARG

;;

?)

echo "unkonw argument"

exit 1

;;

esac

done

\#如果dt和level没有设置,那么默认值dt是昨天 告警级别是0

["$DT"] || DT=$(date -d '-1 day' +%F)

["$LEVEL"] || LEVEL=0

# 数仓DB名称

HIVE_DB=gmall

# 查询引擎

HIVE_ENGINE=hive

# MySQL相关配置

mysql_user="root"

mysql_passwd="000000"

mysql_host="hadoop102"

mysql_DB="data_supervisor"

mysql_tbl="null_id"

# 认证为hive用户,如在非安全(Hadoop未启用Kerberos认证)环境中,则无需认证

kinit -kt /etc/security/keytab/hive.keytab hive

# 空值个数

RESULT=$($HIVE_ENGINE -e "set hive.cli.print.header=false;select count(1) from $HIVE_DB.$TABLE where dt='$DT' and $COL is null;")

\#结果插入MySQL

mysql -h"$mysql_host" -u"$mysql_user" -p"$mysql_passwd" \

-e"INSERT INTO $mysql_DB.$mysql_tbl VALUES('$DT', '$TABLE', '$COL', $RESULT, $MIN, $MAX, $LEVEL)

ON DUPLICATE KEY UPDATE `value`=$RESULT, value_min=$MIN, value_max=$MAX, notification_level=$LEVEL;"

2.** 重复 *id* 检查脚本**

在Idea中创建一个文件duplicate.sh,在文件中编写如下内容:

实现的主要功能是:计算重复值个数,并将结果和自己定义的阈值上下限,插入到MySQL表中。

#!/usr/bin/env bash

# -*- coding: utf-8 -*-

# 监控某张表一列的重复值

# 参数解析

while getopts "t:d:c:s:x:l:" arg; do

case $arg in

# 要处理的表名

t)

TABLE=$OPTARG

;;

# 日期

d)

DT=$OPTARG

;;

# 要计算重复值的列名

c)

COL=$OPTARG

;;

# 重复值指标下限

s)

MIN=$OPTARG

;;

# 重复值指标上限

x)

MAX=$OPTARG

;;

# 告警级别

l)

LEVEL=$OPTARG

;;

?)

echo "unkonw argument"

exit 1

;;

esac

done

\#如果dt和level没有设置,那么默认值dt是昨天 告警级别是0

["$DT"] || DT=$(date -d '-1 day' +%F)

["$LEVEL"] || LEVEL=0

# 数仓DB名称

HIVE_DB=gmall

# 查询引擎

HIVE_ENGINE=hive

# MySQL相关配置

mysql_user="root"

mysql_passwd="000000"

mysql_host="hadoop102"

mysql_DB="data_supervisor"

mysql_tbl="duplicate"

# 认证为hive用户,如在非安全(Hadoop未启用Kerberos认证)环境中,则无需认证

kinit -kt /etc/security/keytab/hive.keytab hive

# 重复值个数

RESULT=$($HIVE_ENGINE -e "set hive.cli.print.header=false;select count(1) from (select $COL from $HIVE_DB.$TABLE where dt='$DT' group by $COL having count($COL)>1) t1;")

# 将结果插入MySQL

mysql -h"$mysql_host" -u"$mysql_user" -p"$mysql_passwd" \

-e"INSERT INTO $mysql_DB.$mysql_tbl VALUES('$DT', '$TABLE', '$COL', $RESULT, $MIN, $MAX, $LEVEL)

ON DUPLICATE KEY UPDATE `value`=$RESULT, value_min=$MIN, value_max=$MAX, notification_level=$LEVEL;"

3. 值域检查脚本

在Idea中创建一个文件range.sh,在文件中编写如下内容:

实现的主要功能是:计算超出规定值域的值的个数,并将结果和自己定义的阈值上下限,插入到MySQL表中。

#!/usr/bin/env bash

# -*- coding: utf-8 -*-

# 计算某一列异常值个数

while getopts "t:d:l:c:s:x:a:b:" arg; do

case $arg in

# 要处理的表名

t)

TABLE=$OPTARG

;;

# 日替

d)

DT=$OPTARG

;;

# 要处理的列

c)

COL=$OPTARG

;;

# 不在规定值域的值的个数下限

s)

MIN=$OPTARG

;;

# 不在规定值域的值的个数上限

x)

MAX=$OPTARG

;;

# 告警级别

l)

LEVEL=$OPTARG

;;

# 规定值域为a-b

a)

RANGE_MIN=$OPTARG

;;

b)

RANGE_MAX=$OPTARG

;;

?)

echo "unkonw argument"

exit 1

;;

esac

done

\#如果dt和level没有设置,那么默认值dt是昨天 告警级别是0

["$DT"] || DT=$(date -d '-1 day' +%F)

["$LEVEL"] || LEVEL=0

# 数仓DB名称

HIVE_DB=gmall

# 查询引擎

HIVE_ENGINE=hive

# MySQL相关配置

mysql_user="root"

mysql_passwd="000000"

mysql_host="hadoop102"

mysql_DB="data_supervisor"

mysql_tbl="rng"

# 认证为hive用户,如在非安全(Hadoop未启用Kerberos认证)环境中,则无需认证

kinit -kt /etc/security/keytab/hive.keytab hive

# 查询不在规定值域的值的个数

RESULT=$($HIVE_ENGINE -e "set hive.cli.print.header=false;select count(1) from $HIVE_DB.$TABLE where dt='$DT' and $COL not between $RANGE_MIN and $RANGE_MAX;")

# 将结果写入MySQL

mysql -h"$mysql_host" -u"$mysql_user" -p"$mysql_passwd" \

-e"INSERT INTO $mysql_DB.$mysql_tbl VALUES('$DT', '$TABLE', '$COL', $RESULT, $RANGE_MIN, $RANGE_MAX, $MIN, $MAX, $LEVEL)

ON DUPLICATE KEY UPDATE `value`=$RESULT, range_min=$RANGE_MIN, range_max=$RANGE_MAX, value_min=$MIN, value_max=$MAX, notification_level=$LEVEL;"

4. 数据量环比检查脚本

在Idea中创建一个文件day_on_day.sh,在文件中编写如下内容:

实现的主要功能是:计算数据量环比增长值,并将结果和自己定义的阈值上下限,插入到MySQL表中。

#!/usr/bin/env bash

# -*- coding: utf-8 -*-

# 计算一张表单日数据量环比增长值

# 参数解析

while getopts "t:d:s:x:l:" arg; do

case $arg in

# 要处理的表名

t)

TABLE=$OPTARG

;;

# 日期

d)

DT=$OPTARG

;;

# 环比增长指标下限

s)

MIN=$OPTARG

;;

# 环比增长指标上限

x)

MAX=$OPTARG

;;

# 告警级别

l)

LEVEL=$OPTARG

;;

?)

echo "unkonw argument"

exit 1

;;

esac

done

\#如果dt和level没有设置,那么默认值dt是昨天 告警级别是0

["$DT"] || DT=$(date -d '-1 day' +%F)

["$LEVEL"] || LEVEL=0

# 数仓DB名称

HIVE_DB=gmall

# 查询引擎

HIVE_ENGINE=hive

# MySQL相关配置

mysql_user="root"

mysql_passwd="000000"

mysql_host="hadoop102"

mysql_DB="data_supervisor"

mysql_tbl="day_on_day"

# 认证为hive用户,如在非安全(Hadoop未启用Kerberos认证)环境中,则无需认证

kinit -kt /etc/security/keytab/hive.keytab hive

# 昨日数据量

YESTERDAY=$($HIVE_ENGINE -e "set hive.cli.print.header=false; select count(1) from $HIVE_DB.$TABLE where dt=date_add('$DT',-1);")

# 今日数据量

TODAY=$($HIVE_ENGINE -e "set hive.cli.print.header=false;select count(1) from $HIVE_DB.$TABLE where dt='$DT';")

# 计算环比增长值

if ["$YESTERDAY" -ne 0]; then

RESULT=$(awk "BEGIN{print ($TODAY-$YESTERDAY)/$YESTERDAY*100}")

else

RESULT=10000

fi

# 将结果写入MySQL表格

mysql -h"$mysql_host" -u"$mysql_user" -p"$mysql_passwd" \

-e"INSERT INTO $mysql_DB.$mysql_tbl VALUES('$DT', '$TABLE', $RESULT, $MIN, $MAX, $LEVEL)

ON DUPLICATE KEY UPDATE `value`=$RESULT, value_min=$MIN, value_max=$MAX, notification_level=$LEVEL;"

5. 数据量同比检查脚本

在Idea中创建一个文件week_on_week.sh,在文件中编写如下内容:

实现的主要功能是:计算数据量同比增长值,并将结果和自己定义的阈值上下限,插入到MySQL表中。

#!/usr/bin/env bash

# -*- coding: utf-8 -*-

# 计算一张表一周数据量同比增长值

# 参数解析

while getopts "t:d:s:x:l:" arg; do

case $arg in

# 要处理的表名

t)

TABLE=$OPTARG

;;

# 日期

d)

DT=$OPTARG

;;

# 同比增长指标下限

s)

MIN=$OPTARG

;;

# 同比增长指标上限

x)

MAX=$OPTARG

;;

# 告警级别

l)

LEVEL=$OPTARG

;;

?)

echo "unkonw argument"

exit 1

;;

esac

done

\#如果dt和level没有设置,那么默认值dt是昨天 告警级别是0

["$DT"] || DT=$(date -d '-1 day' +%F)

["$LEVEL"] || LEVEL=0

# 数仓DB名称

HIVE_DB=gmall

# 查询引擎

HIVE_ENGINE=hive

# MySQL相关配置

mysql_user="root"

mysql_passwd="000000"

mysql_host="hadoop102"

mysql_DB="data_supervisor"

mysql_tbl="week_on_week"

# 认证为hive用户,如在非安全(Hadoop未启用Kerberos认证)环境中,则无需认证

kinit -kt /etc/security/keytab/hive.keytab hive

# 上周数据量

LASTWEEK=$($HIVE_ENGINE -e "set hive.cli.print.header=false;select count(1) from $HIVE_DB.$TABLE where dt=date_add('$DT',-7);")

# 本周数据量

THISWEEK=$($HIVE_ENGINE -e "set hive.cli.print.header=false;select count(1) from $HIVE_DB.$TABLE where dt='$DT';")

# 计算增长

if [$LASTWEEK -ne 0]; then

RESULT=$(awk "BEGIN{print ($THISWEEK-$LASTWEEK)/$LASTWEEK*100}")

else

RESULT=10000

fi

# 将结果写入MySQL

mysql -h"$mysql_host" -u"$mysql_user" -p"$mysql_passwd" \

-e"INSERT INTO $mysql_DB.$mysql_tbl VALUES('$DT', '$TABLE', $RESULT, $MIN, $MAX, $LEVEL)

ON DUPLICATE KEY UPDATE `value`=$RESULT, value_min=$MIN, value_max=$MAX, notification_level=$LEVEL;"

2.4.2 数仓各层检测脚本编写

将上一节编写的单一规则检测脚本按照数仓分层进行集成,分别编写ODS层检测脚本,DWD层检测脚本和DIM层检测脚本。

每层详细集成步骤如下

1. ODS** 层**

ODS层需要检查的指标如下表所示。

检查项目 依据 异常值下限 异常值上限
ods_order_info 同比增长 数据总量 -10% 10%
ods_order_info 环比增长 数据总量 -10% 50%
ods_order_info 值域检查 final_amount 0 100

在Idea中创建一个文件check_ods.sh,在文件中编写如下内容:

#!/usr/bin/env bash

DT=$1

["$DT"] || DT=$(date -d '-1 day' +%F)

\#检查表 ods_order_info 数据量日环比增长

\#参数: -t 表名

# -d 日期

# -s 环比增长下限

# -x 环比增长上限

# -l 告警级别

bash day_on_day.sh -t ods_order_info -d "$DT" -s -10 -x 10 -l 1

\#检查表 ods_order_info 数据量周同比增长

\#参数: -t 表名

# -d 日期

# -s 同比增长下限

# -x 同比增长上限

# -l 告警级别

bash week_on_week.sh -t ods_order_info -d "$DT" -s -10 -x 50 -l 1

\#检查表 ods_order_info 订单异常值

\#参数: -t 表名

# -d 日期

# -s 指标下限

# -x 指标上限

# -l 告警级别

# -a 值域下限

# -b 值域上限

bash range.sh -t ods_order_info -d "$DT" -c final_amount -a 0 -b 100000 -s 0 -x 100 -l 1

2. DWD** 层**

DWD层需要检查的项目下标所示。

检查项目 依据 异常值下限 异常值上限
dwd_order_info 空值检查 id 0 10
dwd_order_info 重复值检查 id 0 5

在Idea中创建一个文件check_dwd.sh,在文件中编写如下内容:

#!/usr/bin/env bash

DT=$1

["$DT"] || DT=$(date -d '-1 day' +%F)

# 检查表 dwd_order_info 重复ID

\#参数: -t 表名

# -d 日期

# -c 检查重复值的列

# -s 异常指标下限

# -x 异常指标上限

# -l 告警级别

bash duplicate.sh -t dwd_order_info -d "$DT" -c id -s 0 -x 5 -l 0

\#检查表 dwd_order_info 的空ID

\#参数: -t 表名

# -d 日期

# -c 检查空值的列

# -s 异常指标下限

# -x 异常指标上限

# -l 告警级别

bash null_id.sh -t dwd_order_info -d "$DT" -c id -s 0 -x 10 -l 0

3. DIM** 层**

DIM层需要检查的项目如下表所示。

检查项目 依据 异常值下限 异常值上限
dwd_user_info 空值检查 id 0 10
dwd_user_info 重复值检查 id 0 5

在Idea中创建一个文件check_dim.sh,在文件中编写如下内容:

#!/usr/bin/env bash

DT=$1

["$DT"] || DT=$(date -d '-1 day' +%F)

\#检查表 dim_user_info 的重复ID

\#参数: -t 表名

# -d 日期

# -c 检查重复值的列

# -s 异常指标下限

# -x 异常指标上限

# -l 告警级别

bash duplicate.sh -t dim_user_info -d "$DT" -c id -s 0 -x 5 -l 0

\#检查表 dim_user_info 的空ID

\#参数: -t 表名

# -d 日期

# -c 检查空值的列

# -s 异常指标下限

# -x 异常指标上限

# -l 告警级别

bash null_id.sh -t dim_user_info -d "$DT" -c id -s 0 -x 10 -l 0

2.5 告警集成模块

该模块主要用于检查MySQL中的检测结果的异常,若有异常出现就发送警告。警告方式可选择邮件或者集成第三方告警平台睿象云。

(1)环境准备

在MySQL官网下载mysql-connector-python-2.1.7-1.el7.x86_64.rpm,下载地址如下:

https://repo.mysql.com/yum/mysql-connectors-community/el/7/x86_64/mysql-connector-python-2.1.7-1.el7.x86_64.rpm

将该rpm包上传至每台服务器,并安装:

[atguigu@hadoop102 ~]$ sudo rpm -i mysql-connector-python-2.1.7-1.el7.x86_64.rpm

(2)新建python脚本用于查询数据监控结果表格并发送告警邮件,该脚本主要由三个函数组成:

  • read_table用于读取指标有问题的数据
  • ne_alert函数用于向睿象云发送告警
  • mail_alert函数用于发送邮件告警

在Idea中创建一个文件check_notification.py,在文件中编写如下内容:

#!/usr/bin/env python

# -*- coding: utf-8 -*-

import mysql.connector

import sys

import smtplib

from email.mime.text import MIMEText

from email.header import Header

import datetime

import urllib

import urllib2

import random

def get_yesterday():

"""

:return: 前一天的日期

"""

today = datetime.date.today()

one_day = datetime.timedelta(days=1)

yesterday = today - one_day

return str(yesterday)

def read_table(table, dt):

"""

:param table:读取的表名

:param dt:读取的数据日期

:return:表中的异常数据(统计结果超出规定上下限的数据)

"""

# mysql必要参数设置,需根据实际情况作出修改

mysql_user = "root"

mysql_password = "000000"

mysql_host = "hadoop102"

mysql_schema = "data_supervisor"

# 获取Mysql数据库连接

connect = mysql.connector.connect(user=mysql_user, password=mysql_password, host=mysql_host, database=mysql_schema)

cursor = connect.cursor()

# 查询表头

# ['dt', 'tbl', 'col', 'value', 'value_min', 'value_max', 'notification_level']

query = "desc " + table

cursor.execute(query)

head = map(lambda x: str(x[0]), cursor.fetchall())

# 查询异常数据(统计结果超出规定上下限的数据)

# [(datetime.date(2021, 7, 16), u'dim_user_info', u'id', 7, 0, 5, 1),

# (datetime.date(2021, 7, 16), u'dwd_order_id', u'id', 10, 0, 5, 1)]

query = ("select * from " + table + " where dt='" + dt + "' and `value` not between value_min and value_max")

cursor.execute(query)

cursor_fetchall = cursor.fetchall()

# 将指标和表头映射成为dict数组

\#[{'notification_level': 1, 'value_min': 0, 'value': 7, 'col': u'id', 'tbl': u'dim_user_info', 'dt': datetime.date(2021, 7, 16), 'value_max': 5},

# {'notification_level': 1, 'value_min': 0, 'value': 10, 'col': u'id', 'tbl': u'dwd_order_id', 'dt': datetime.date(2021, 7, 16), 'value_max': 5}]

fetchall = map(lambda x: dict(x), map(lambda x: zip(head, x), cursor_fetchall))

return fetchall

def one_alert(line):

"""

集成第三方告警平台睿象云,使用其提供的通知媒介发送告警信息

:param line: 一个等待通知的异常记录,{'notification_level': 1, 'value_min': 0, 'value': 7, 'col': u'id', 'tbl': u'dim_user_info', 'dt': datetime.date(2021, 7, 16), 'value_max': 5}

"""

# 集成睿象云需要使用的rest接口,和APP KEY,须在睿象云平台获取

one_alert_key = "c2030c9a-7896-426f-bd64-59a8889ac8e3"

one_alert_host = "http://api.aiops.com/alert/api/event"

# 根据睿象云的rest api要求,传入必要的参数

data = {

"app": one_alert_key,

"eventType": "trigger",

"eventId": str(random.randint(10000, 99999)),

"alarmName": "".join(["表格", str(line["tbl"]), "数据异常."]),

"alarmContent": "".join(["指标", str(line["norm"]), "值为", str(line["value"]),

", 应为", str(line["value_min"]), "-", str(line["value_max"]),

", 参考信息:" + str(line["col"]) if line.get("col") else ""]),

"priority": line["notification_level"] + 1

}

# 使用urllib和urllib2向睿象云的rest结构发送请求,从而触发睿象云的通知策略

body = urllib.urlencode(data)

request = urllib2.Request(one_alert_host, body)

urlopen = urllib2.urlopen(request).read().decode('utf-8')

print urlopen

def mail_alert(line):

"""

使用电子邮件的方式发送告警信息

:param line: 一个等待通知的异常记录,{'notification_level': 1, 'value_min': 0, 'value': 7, 'col': u'id', 'tbl': u'dim_user_info', 'dt': datetime.date(2021, 7, 16), 'value_max': 5}

"""

# smtp协议发送邮件的必要设置

mail_host = "smtp.126.com"

mail_user = "skiinder@126.com"

mail_pass = "KADEMQZWCPFWZETF"

# 告警内容

message = ["".join(["表格", str(line["tbl"]), "数据异常."]),

"".join(["指标", str(line["norm"]), "值为", str(line["value"]),

", 应为", str(line["value_min"]), "-", str(line["value_max"]),

", 参考信息:" + str(line["col"]) if line.get("col") else ""])]

# 告警邮件,发件人

sender = mail_user

# 告警邮件,收件人

receivers = [mail_user]

# 将邮件内容转为html格式

mail_content = MIMEText("".join(["<html>", "<br>".join(message), "</html>"]), "html", "utf-8")

mail_content["from"] = sender

mail_content["to"] = receivers[0]

mail_content["Subject"] = Header(message[0], "utf-8")

# 使用smtplib发送邮件

try:

smtp = smtplib.SMTP_SSL()

smtp.connect(mail_host, 465)

smtp.login(mail_user, mail_pass)

content_as_string = mail_content.as_string()

smtp.sendmail(sender, receivers, content_as_string)

except smtplib.SMTPException as e:

print e

def main(argv):

"""

:param argv: 系统参数,共三个,第一个为python脚本本身,第二个为告警方式,第三个为日期

"""

# 如果没有传入日期参数,将日期定为昨天

if len(argv) >= 3:

dt = argv[2]

else:

dt = get_yesterday()

notification_level = 0

# 通过参数设置告警方式,默认是睿象云

alert = None

if len(argv) >= 2:

alert = {

"mail": mail_alert,

"one": one_alert

}[argv[1]]

if not alert:

alert = one_alert

# 遍历所有表,查询所有错误内容,如果大于设定警告等级,就发送警告

for table in ["day_on_day", "duplicate", "null_id", "rng", "week_on_week"]:

for line in read_table(table, dt):

if line["notification_level"] >= notification_level:

line["norm"] = table

alert(line)

if __name__ == "__main__":

# 两个命令行参数

# 第一个为警告类型:one或者mail

# 第二个为日期,留空取昨天

main(sys.argv)

2.6 调度模块

该模块的主要功能为调度数据质量监控流程。数据质量监控工作流也采用Azkaban进行调度。数据质量监控工作流必定依赖数据仓库工作流,此处为了解耦,利用Azkaban API主动监视数据仓库工作流的执行状态,进而触发数据质量监控工作流。

以下是所有脚本内容:

1.Azkaban REST API 封装脚本

该脚本主要是对Azkaban API的封装,主要有三个方法:

  • login函数可以登录Azkanban并返回session_id
  • get_exec_id函数可以获取正在执行的工作流程的Execution ID
  • wait_node可以等待指定Flow中某一结点执行完毕并判断其是否执行成功

在Idea中创建一个文件azclient.py,在文件中编写如下内容:

#!/usr/bin/env python

# -*- coding: utf-8 -*-

import time

import urllib

import urllib2

import json

# Azkaban API 接口地址

az_url = "http://hadoop102:8081/"

# Azkaban用户名

az_username = "atguigu"

# Azkaban密码

az_password = "atguigu"

# 工程名称

project = "gmall"

# flow名称

flow = "gmall"

def post(url, data):

"""

发送post请求到指定网址

:param url: 指定网址

:param data: 请求参数

:return: 请求结果

"""

body = urllib.urlencode(data)

request = urllib2.Request(url, body)

urlopen = urllib2.urlopen(request).read().decode('utf-8')

return json.loads(urlopen)

def get(url, data):

"""

发送get请求到指定网址

:param url: 指定网址

:param data: 请求参数

:return: 请求结果

"""

body = urllib.urlencode(data)

urlopen = urllib2.urlopen(url + body).read().decode('utf-8')

return json.loads(urlopen)

def login():

"""

使用`Authenticate`API进行azkaban身份认证,获取session ID

:return: 返回session_id

"""

data = {

"action": "login",

"username": az_username,

"password": az_password

}

auth = post(az_url, data)

return str(auth.get(u"session.id"))

def get_exec_id(session_id):

"""

使用`Fetch Running Executions of a Flow`API获取正在执行的Flow的ExecId

:param session_id: 和azkaban通讯的session_id

:param project: 项目名称

:param flow: 工作流名称

:return: 执行ID

"""

data = {

"session.id": session_id,

"ajax": "getRunning",

"project": project,

"flow": flow

}

execs = get(az_url + "executor?", data).get(u"execIds")

if execs:

return str(execs[0])

else:

return None

def wait_node(session_id, exec_id, node_id):

"""

循环使用`Fetch a Flow Execution`API获取指定Flow中的某个节点(job)的执行状态,直到其执行完成

:param session_id: 和azkaban通讯的session_id

:param exec_id: 执行ID

:param node_id: 指定节点(job)

:return: 该节点是否成功执行完毕

"""

data = {

"session.id": session_id,

"ajax": "fetchexecflow",

"execid": exec_id

}

status = None

# 若指定Flow中的指定Node(job)的执行状态是未完成的状态,就一直循环

while status not in ["SUCCEEDED", "FAILED", "CANCELLED", "SKIPPED", "KILLED"]:

# 获取指定Flow的当前的执行信息

flow_exec = get(az_url + "executor?", data)

# 从该Flow的执行信息中获取nodes字段的值,并遍历寻找特定的节点(job)信息,进而获取该节点(job)的状态

for node in flow_exec.get(u"nodes"):

if unicode(node_id) == node.get(u"id"):

status = str(node.get(u"status"))

print " ".join([node_id, status])

# 等待1s,进入下一轮循环判断

time.sleep(1)

return status == "SUCCEEDED"

2.ODS** 层调度脚本**

该脚本用于检查ODS层数据质量。

在Idea中创建一个文件check_ods.py,在文件中编写如下内容:

#!/usr/bin/env python

# -*- coding: utf-8 -*-

import sys

import os

from azclient import login,wait_node,get_exec_id

from check_notification import get_yesterday

def check_ods(dt, session_id, exec_id):

"""

检查ODS层数据质量

:param dt: 日期

:param session_id: 和azkaban通讯的session_id

:param exec_id: 指定的执行ID

:return: None

"""

if wait_node(session_id, exec_id, "hdfs_to_ods_db") and wait_node(session_id, exec_id, "hdfs_to_ods_log"):

os.system("bash check_ods.sh " + dt)

if __name__ == '__main__':

argv = sys.argv

# 获取session_id

session_id = login()

# 获取执行ID。只有在原Flow正在执行时才能获取

exec_id = get_exec_id(session_id)

# 获取日期,如果不存在取昨天

if len(argv) >= 2:

dt = argv[1]

else:

dt = get_yesterday()

# 检查各层数据质量

if exec_id:

check_ods(dt, session_id, exec_id)

3.DWD** 层调度脚本**

该脚本用于检查DWD层数据质量。

在Idea中创建一个文件check_dwd.py,在文件中编写如下内容:

#!/usr/bin/env python

# -*- coding: utf-8 -*-

import sys

import os

from azclient import login, wait_node, get_exec_id

from check_notification import get_yesterday

def check_dwd(dt, session_id, exec_id):

"""

检查DWD层数据质量

:param dt: 日期

:param session_id: 和azkaban通讯的session_id

:param exec_id: 指定的执行ID

:return: None

"""

if wait_node(session_id, exec_id, "ods_to_dwd_db") and wait_node(session_id, exec_id, "ods_to_dwd_log"):

os.system("bash check_dwd.sh " + dt)

if __name__ == '__main__':

argv = sys.argv

# 获取session_id

session_id = login()

# 获取执行ID。只有在原Flow正在执行时才能获取

exec_id = get_exec_id(session_id)

# 获取日期,如果不存在取昨天

if len(argv) >= 2:

dt = argv[1]

else:

dt = get_yesterday()

# 检查各层数据质量

if exec_id:

check_dwd(dt, session_id, exec_id)

4.DIM** 层调度脚本**

该脚本用于检查DIM层数据质量。

在Idea中创建一个文件check_dim.py,在文件中编写如下内容:

#!/usr/bin/env python

# -*- coding: utf-8 -*-

import sys

import os

from azclient import login, wait_node, get_exec_id

from check_notification import get_yesterday

def check_dim(dt, session_id, exec_id):

"""

检查DIM层数据质量

:param dt: 日期

:param session_id: 和azkaban通讯的session_id

:param exec_id: 指定的执行ID

:return: None

"""

if wait_node(session_id, exec_id, "ods_to_dim_db"):

os.system("bash check_dim.sh " + dt)

if __name__ == '__main__':

argv = sys.argv

# 获取session_id

session_id = login()

# 获取执行ID。只有在原Flow正在执行时才能获取

exec_id = get_exec_id(session_id)

# 获取日期,如果不存在取昨天

if len(argv) >= 2:

dt = argv[1]

else:

dt = get_yesterday()

# 检查各层数据质量

if exec_id:

check_dim(dt, session_id, exec_id)

5.Azkaban工作流配置文件

(1)在Idea中创建一个文件azkaban.project,在文件中编写如下内容:

azkaban-flow-version: 2.0

(2)在Idea中创建一个文件data_supervisor.flow,在文件中编写如下内容:

nodes:
  - name: check_ods
    type: command
    config:
     command: python check_ods.py ${dt}

  - name: check_dwd
    type: command
    config:
     command: python check_dwd.py ${dt}

  - name: check_dim
    type: command
    config:
     command: python check_dim.py ${dt}
    
  - name: check_notification
    type: command
    dependsOn:
         - check_ods
         - check_dwd
         - check_dim
    config:
     command: python check_notification.py ${alert} ${dt}

(3)将所有文件打包成data_supervisor.zip文件

(4)在Azkaban框架中新建项目并上传该文件,可看到如下图所示工作流。

(5)先启动数仓工作流,在执行过程中,启动质量监控工作流,并传入如下参数

等待任务执行完毕,观察邮箱是否有告警邮件

2.7 可视化模块

该模块的主要作用是对数据质量监控结果进行可视化展示。

检测结果可以采用Superset进行可视化展示。具体配置步骤如下:

(1)在Superset中新建数据库连接

注:mysql://root:000000@hadoop102:3306/data_supervisor?charset=utf8

(2)点击”Datasets”,然后点击”+Dataset”,将所有数据表格都导入为dataset

五张表格全部添加后,如下图所示。

(3)新建一个dashboard,并命名,如下图所示。

(4)新建一张图表并保存到dashboard,在chart页面中选择新建chart,如下图所示。

配置chart内容,如下图所示。

在Metrics中添加value,value_min, value_max三列,然后点击”run”,就完成了chart的配置流程,如下图所示。

点击”save”,保存chart到dashboard,如下图所示。

(5)为所有监控的指标创建图表,并保存到dashboard,如下图所示。

大数据项目之尚品汇(2业务数据采集平台)


文章作者: 读序
版权声明: 本博客所有文章除特別声明外,均采用 CC BY 4.0 许可协议。转载请注明来源 读序 !
  目录