数据治理 Python桑基图处理表关系
需求
随着hive库表越来越多,调度出问题后,排查时间越来越长。计划通过桑基图以及血缘图谱解决,当前先用桑基图页面顶一段时间。后期做成web服务,如果有可能,尽量嵌入到hive metastore
预期
- 桑基图:
业务DB/中间件 – ods – cdm – ads – 大数据服务DB
- 图谱:
业务DB/中间件 – 调度 – ods – 调度 – cdm – 调度 – ads – 调度 – 大数据服务DB
环境与版本
- Anaconda – Python3.6
- IED – PyCharm
- 前端可视化图表 – echarts(pycharts 1.+)
数据处理
整理hive表
方案一: 从hive metastore关联表获取(DBS + TBLS)
## 所有库表一次获取
SELECT concat(b.NAME,'.',a.TBL_NAME) FROM TBLS a
LEFT JOIN DBS b ON a.DB_ID = b.DB_ID;
方案二: 从hdfs 获取
## 分库表多次获取
hadoop fs -ls /user/hive/warehouse/tmp.db/ | awk -F ' ' '{print $8}' | sed 's/\/user\/hive\/warehouse\/tmp\.db\//tmp\./g'
方案三: 从hive客户端获取
## 分库表多次获取
use tmp; # a库,b库...
show tables;
整理表间关系
- 通过步骤【整理hive表】拿到表,找到代码里的管理关系
比如a与b关联,生成c, c与d关联生成e
source | target |
---|---|
a | c |
b | c |
c | f |
d | f |
- 将如上数据插入mysql
CREATE TABLE `links` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`source` varchar(255) COLLATE utf8mb4_bin DEFAULT NULL,
`target` varchar(255) COLLATE utf8mb4_bin DEFAULT NULL,
`is_deleted` varchar(255) COLLATE utf8mb4_bin DEFAULT NULL,
`gmt_create` varchar(255) COLLATE utf8mb4_bin DEFAULT NULL,
PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=5 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_bin;
SELECT source,target FROM `links`;
Python可视化
#!/usr/bin/python
# -*- coding: UTF-8 -*-
import pymysql
import pandas as pd
import json
from pyecharts.charts import Sankey
from pyecharts import options as opts
# 获取数据库数据
def load_links_frame_from_mysql():
conn = pymysql.connect(host="127.0.0.1",
port=3306,
user="账号",
password="密码",
db="数据库",
charset="utf8")
sql = "SELECT source,target FROM links"
data_frame = pd.read_sql(sql, conn)
conn.close()
return data_frame
# 获取nodes
def get_nodes(df):
nodes = []
for value in pd.concat([df['target'],df['source']]).unique():
dic = {}
dic['name'] = value
nodes.append(dic)
return nodes
# 获取links
def get_links(df):
links = []
for i in df.values:
links.append({'source': i[0], 'target': i[1], 'value': 1})
return links
if __name__=="__main__":
link = load_links_frame_from_mysql()
colors = [
"#67001f",
"#b2182b",
"#d6604d",
"#f4a582",
"#fddbc7",
"#d1e5f0",
"#92c5de",
"#4393c3",
"#2166ac",
"#053061"]
pic = (
Sankey(init_opts=opts.InitOpts(width="480px",height="720px")).set_colors(colors)
.add('大数据表关系图',
get_nodes(link),
get_links(link),
pos_bottom="50%",
focus_node_adjacency="allEdges",
linestyle_opt=opts.LineStyleOpts(opacity=0.2, curve=0.5, color='source'),
label_opts=opts.LabelOpts(position='top'),
node_gap=1,
)
.set_global_opts(title_opts=opts.TitleOpts(title='大数据'))
)
pic.render('xueyuan_sankey.html')
实际使用中的报错
- Cannot set property ‘dataIndex’ of undefined
此错误由重复数据引起
- Sankey is a DAG, the original data has cycle!
此错误为 source 与 target数据相同引起
参考
- echarts桑基图
- echarts关系图
- 桑基图有何作用,桑基图又是怎么做出来的
- 数据可视化 Python实现Sankey桑基图
- Vue+D3.js实现桑基图 流向图
- Python绘制桑基图之可视化神器pyecharts
- springboot2.0+Neo4j+d3.js构建知识图谱
- 基于Python 利用桑基图
- 用Python绘制诱人的桑基图
- D3.js数据可视化实战
- Sankey图的制作
- Apache Atlas元数据血缘关系(Lineage)功能研究
- 使用Apache Atlas 2.0.0解决数据溯源问题
- python可视化动态图表: 关于pyecharts的sankey桑基图绘制
- pyecharts初步认识
补充
- 后期调色忽略,图谱后期再处理;
- 有相关数据治理方面的,可以相互探讨和学习