MaxCompute数据质量监控

本文为您介绍如何监控数据质量、设置表的质量监控规则和监控提醒等。

前提条件
在进行本实验前，请首先完成数据采集和数据加工中的操作。
背景信息
数据质量是支持多种异构数据源的质量校验、通知、管理服务的一站式平台。数据质量以数据集（DataSet）为监控对象，目前支持MaxCompute数据表和DataHub实时数据流的监控。当离线MaxCompute数据发生变化时，数据质量会对数据进行校验，并阻塞生产链路，以避免问题数据污染扩散。同时，数据质量提供历史校验结果的管理，以便您对数据质量分析和定级。

在流式数据场景下，数据质量能够基于Datahub数据通道进行断流监控，第一时间告警给订阅用户，并且支持橙色、红色告警等级以及告警频次设置，最大限度减少冗余报警。

数据质量开发流程

• 针对已有的表进行监控规则配置，配置完成后进行试跑，验证该规则是否适用。您可以根据试跑结果，确认此次任务产出的数据是否符合预期。建议每个表规则配置完成后，都进行一次试跑操作，以验证表规则的适用性。
  
• 试跑成功后，将该规则和调度任务进行关联。在规则配置完成且试跑成功的情况下，您需要将表和其产出任务进行关联，以便每次表的产出任务运行完成后，都会触发数据质量规则的校验，以保证数据的准确性。
  
• 关联调度后，每次调度任务代码运行完成，都会触发数据质量的校验规则，以提升任务准确性。数据质量支持设置规则订阅，您可以针对重要的表及其规则设置订阅，设置订阅后会根据数据质量的校验结果进行告警，从而实现对校验结果的跟踪。如果数据质量校验结果异常，则会根据配置的告警策略进行通知。
  
  

说明

• 每张表在完成规则的配置后，都需要进行试跑、关联调度和规则订阅等操作。
• 数据质量会产生额外的计算费用，更多详情请参见数据质量概述。
  

新增表规则配置

如果已经完成数据采集和数据加工实验，请确认您是否已拥有数据表：ods_raw_log_d、ods_user_info_d、ods_log_info_d、dw_user_info_all_d和rpt_user_info_d。

完成确认后，请单击左上角的图标，选择全部产品 > 数据质量后，单击左侧导航栏中的规则配置，进行表规则的配置。您可以在规则配置页面输入表名，搜素需要设置的表。

• 配置ods_raw_log_d表规则。
  • 单击ods_raw_log_d表后的配置监控规则。
  • 在已添加的分区表达式模块，单击+，添加分区表达式。

    ods_raw_log_d表的数据来源为oss_workshop_log，数据是从OSS中获取到的日志数据，其分区格式为${bdp.system.bizdate}（获取到前一天的日期）。

    对于此类每天产出的日志数据，您可以配置表的分区表达式。分区表达式有如下几种，您可以选择 dt=$[yyyymmdd-1] 。表达式的详情请参见调度参数。
    
    说明 如果表中无分区列，可以配置无分区，请根据真实的分区值配置对应的分区表达式。
    
    

    选择分区表达式后，单击确认。

    
    
  • 单击右上角的创建规则，在模板规则对话框中进行配置。
  • 单击添加监控规则，选择规则模板为表行数，固定值，设置规则的强度为强、比较方式为期望值大于0。ods_raw_log_d表的数据来源于OSS上传的日志文件，作为源头表，您需要尽早判断该表的分区中是否存在数据。如果该表没有数据，则需要阻止后续任务运行。如果来源表没有数据，后续任务运行无意义。
    说明 只有强规则下红色报警会导致任务阻塞，阻塞会将任务的实例状态置为失败。
    
    
    配置完成后，单击批量保存。
    
    说明 该配置主要是为了避免分区中没有数据，导致下游任务的数据来源为空的问题。
    
    
    
  • 单击右上角的试跑，在试跑对话框中，选择调度时间，单击试跑。试跑可以立即触发数据质量的校验规则，对配置完成的规则进行校检。试跑完成后，单击试跑成功！点击查看试跑结果，即可跳转至试跑结果页面。
    
    
  • 进行关联调度。数据质量支持和调度任务关联。在表规则和调度任务绑定后，任务实例运行完成都会触发数据质量的检查。您可以通过以下两种方式进行表规则和任务的关联调度：
    • 在运维中心页面关联表规则

      单击左上角的图标，选择全部产品 > 运维中心。

      单击左侧导航栏中的周期任务运维 > 周期任务，找到oss_数据同步任务，右键单击选择配置质量监控。
      

      在配置质量监控对话框中，选择表名（ods_raw_log_d）和分区表达式dt=$[yyyymmdd-1]），单击添加即可。

    • 在数据质量页面关联表规则在规则配置页面，单击关联调度，配置规则与任务的绑定关系。
      

      单击关联调度，可以与已提交到调度的节点任务进行绑定，系统会根据血缘关系给出推荐绑定的任务，也支持自定义绑定。

      在关联调度对话框中，输入节点ID或节点名称，单击添加。添加完成后，即可完成与调度节点任务的绑定。
      关联调度后，表名后面的小图标会变成蓝色。
      
      
    
    
    
  • 配置任务订阅。单击订阅管理，设置接收人以及订阅方式，目前支持邮件通知、邮件和短信通知、钉钉群机器人和钉钉群机器人@ALL。
    订阅管理设置完成后，您可以进入我的订阅页面查看和修改。
    
    说明 建议订阅全部规则，避免校验结果无法及时通知。
    
    
    
    
• 配置ods_user_info_d表规则。

  ods_user_info_d是用户信息表，您在配置规则时，需要配置表的行数校验和主键唯一性校验，避免数据重复。

  
  
  • 配置一个分区字段的监控规则，监控的时间表达式为dt=$[yyyymmdd-1]。配置成功后，在已添加的分区表达式中可以查看成功的分区配置记录。
    
  • 分区表达式配置完成后，单击右上角的创建规则，进行数据质量的校验规则配置。选择规则模板为表行数，固定值、强弱为强、比较方式为大于以及期望值为0。
    
  • 添加列级规则，设置主键列（uid）为监控列。选择模板类型为重复值个数，固定值、强弱为弱、比较方式为小于以及期望值为1。
    
  • 配置完成后，单击批量保存。
    
  
  说明 该配置主要是为了避免数据重复，导致下游数据被污染的情况。
  
  
  
• 配置ods_log_info_d表规则。

  ods_log_info_d数据主要来源于解析ods_raw_log_d表中的数据。鉴于日志中的数据无法配置过多监控，只需要配置表数据不为空的校验规则即可。

  
  
  • 配置表的分区表达式为dt=$[yyyymmdd-1]。
    
  • 配置表数据不为空的校验规则，规则强度设置为强，比较方式设置为期望值不等于0。
    
  • 配置完成后，单击批量保存。
    
• 配置dw_user_info_all_d表规则。

  dw_user_info_all_d表是针对ods_user_info_d和ods_log_info_d表的数据汇总，由于流程较为简单，ods层已配置了表行数不为空的规则，所以该表无需进行数据质量监控规则的配置，以节省计算资源。

  
  
• 配置rpt_user_info_d表规则。

  rpt_user_info_d表是数据汇总后的结果表。根据该表的数据，您可以进行表行数波动监测和针对主键进行唯一值校验。

  
  
  • 单击已添加的分区表达式模块的+，配置表的分区表达式为dt=$[yyyymmdd-1]。
    
  • 单击右上角的创建规则，在添加监控规则对话框中添加列级规则。设置主键列（uid）为监控列，选择规则模板为重复值个数，固定值、强弱为弱、比较方式为小于以及期望值为1。
    
  • 继续添加监控规则和表级规则，选择规则模板为表行数，7天波动率、强弱为弱，设置橙色阈值为0.1%、红色阈值为50%（此处阈值范围根据业务逻辑进行设置）。
    说明
    • 橙色阈值和红色阈值必须大于0%。
    • 此处监控表行数是为了查看每日UV的波动，以便及时了解应用动态。
      
    
    
    
    
  • 配置完成后，单击批量保存。
    
  
  

在设置表规则强度时，数据仓库中越底层的表，设置强规则的次数越多。这是因为ODS层的数据作为数仓中的原始数据，一定要保证其数据的准确性，避免因ODS层的数据质量太差而影响其它层的数据，及时止损。

数据质量还为您提供任务查询功能，以便查看已配置规则的校验结果，详情请参见任务查询。