大数据运维之数据质量管理

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%
环比增长 数据总量 -10% 50%
值域检查 final_amount 0 100
dwd_order_info 空值检查 id 0 10
重复值检查 id 0 5
dim_user_info 空值检查 id 0 10
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

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

[ " D T " ] ∣ ∣ D T = DT" ] || DT= 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 H I V E D B . HIVE_DB. HIVEDB.TABLE where dt='$DT' and $COL is null;")

#结果插入MySQL

mysql -h" m y s q l h o s t " − u " mysql_host" -u" mysqlhost"−u"mysql_user" -p"$mysql_passwd" \

-e"INSERT INTO m y s q l D B . mysql_DB. mysqlDB.mysql_tbl VALUES(' D T ′ , ′ DT', ' DT′,′TABLE', '$COL', $RESULT, $MIN, $MAX, $LEVEL)

ON DUPLICATE KEY UPDATE `value`= R E S U L T , v a l u e m i n = RESULT, value_min= RESULT,valuemin=MIN, value_max= M A X , n o t i f i c a t i o n l e v e l = MAX, notification_level= MAX,notificationlevel=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

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%
环比增长 数据总量 -10% 50%
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

[ " D T " ] ∣ ∣ D T = DT" ] || DT= 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
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

[ " D T " ] ∣ ∣ D T = DT" ] || DT= 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
dim_user_info 空值检查 id 0 10
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

[ " D T " ] ∣ ∣ D T = DT" ] || DT= 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:

l read_table用于读取指标有问题的数据

l one_alert函数用于向睿象云发送告警

l 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(["", "

".join(message), ""]), "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:

l login函数可以登录Azkanban并返回session_id

l get_exec_id函数可以获取正在执行的工作流程的Execution ID

l 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AuthenticateAPI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 FlowAPI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 ExecutionAPI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

相关推荐
pk_xz1234561 小时前
Shell 脚本中变量和字符串的入门介绍
linux·运维·服务器
小珑也要变强1 小时前
Linux之sed命令详解
linux·运维·服务器
DolphinScheduler社区1 小时前
Apache DolphinScheduler + OceanBase,搭建分布式大数据调度平台的实践
大数据
瓜牛_gn1 小时前
mysql特性
数据库·mysql
时差9532 小时前
MapReduce 的 Shuffle 过程
大数据·mapreduce
奶糖趣多多2 小时前
Redis知识点
数据库·redis·缓存
kakwooi3 小时前
Hadoop---MapReduce(3)
大数据·hadoop·mapreduce
数新网络3 小时前
《深入浅出Apache Spark》系列②:Spark SQL原理精髓全解析
大数据·sql·spark
Lary_Rock3 小时前
RK3576 LINUX RKNN SDK 测试
linux·运维·服务器
CoderIsArt3 小时前
Redis的三种模式:主从模式,哨兵与集群模式
数据库·redis·缓存