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。
| 表 | 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=$OPTARG
;;
?)
echo "unkonw argument"
exit 1
;;
esac
done
#如果dt和level没有设置，那么默认值dt是昨天 告警级别是0
[ "$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。
| 表 | 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=$1
[ "$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。
| 表 | 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=$1
[ "$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。
| 表 | 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=$1
[ "$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
- one_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
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
