数据对比DataCompare系统设计原理

背景介绍

在日常数据研发工作中，我们会遇到如下常见场景问题，其一为：数据测试人员要对产出多表的一致性进行检测，其二为：数据对账体系，如资金流和订单数据要保持一致，其三为：数据模型迁移过程中，要对迁移前后的数据进行对比，其四为：数据存储在不同库中，例如A存储到ODPS，B存储到ADB，其中AB库中数据必须要保持一致。

如上述4种常见问题，我们需要一套能界面交互（勾选或低代码交互）、离线核对、实时核对、通知告警等全流程闭环的解决方案。

如果没有上述完整的解决方案和平台，我们需要手动写SQL去对比，每个人对于一致性的指标会有所不同，而且也没有评估标准，更为难的是如果存在不同源之间的对比，涉及到代码开发，无疑人力成本会更高。

业务价值

一：提高数据对比的效率，并节省人力成本，验证数据（核对数据），要实现低代码交互（或无代码），特别是不同源数据或实时数据进行比对。

二：统一数据比对的标准，沉淀专家经验，对所核对的出来的指标进行统一度量，并可作为一致性分数提供至质量分建设中。

离线数据核对设计思路

离线数据核对主要是分为两种类型，第一种为量级对比，例如表行数比对，某字段空值量级比对，第二种为全文比对，但是必须要有数据主键（无论是同一个数据源，或是不同的数据源）。目前也有开源代码实现：参考地址

实时数据核对设计思路

假设有用户系统U和订单系统O，其中用户系统的表为A，订单系统的表为B，并且两张表存在关联关系。

并且可能存在如下情况：

1. A表数据到达后，B表数据在一段时间内更新为正确的值
2. A表数据到达后，B表数据在一段时间内更新为错误的值
3. A表数据到达后，B表数据一直未更新
4. A表数据到达后，B表数据晚于预计时间到达,延迟更新为正确的值
5. A表数据到达后，B表数据晚于预计时间到达,延迟更新为错误的值

为了检查出以上2~5种异常数据,我们需要进行实时核对。

核心原理：通过同步数据库到OLAP库中（如ADB For Mysql），不影响线上业务，类似ODPS的跨库JOIN。同时，限定查询数据库的时间范围，提升查询性能以在规定时间内输出结果。

具体方案：因实时核对有时效性要求，并且通常一个表更新后需要一段时间另一个表才会更新，故需要进行定义窗口时间、滑动时间及时延范围。

举例说明：

其中主表数据为每次取10分钟的窗口数据，滑动也为10分钟，而对比表数据则是在主表的窗口时间10分钟+5分钟（时延范围）