很可惜 T 。T 您现在还不是作者身份,不能自主发稿哦~
如有投稿需求,请把文章发送到邮箱tougao@appcpx.com,一经录用会有专人和您联系
咨询如何成为春羽作者请联系:鸟哥笔记小羽毛(ngbjxym)
元数据是描述企业数据相关的数据,指在IT系统建设过程中所产生的有关数据定义,目标定义,转换规则等相关的关键数据,包括对数据的业务、结构、定义、存储、安全等各方面对数据的描述
元数据是数仓建设环节中不可缺少的一部分(尤其是在数据治理环节),是数据管理、数据内容、数据应用的基础。通过元数据可以打通数据源、数据仓库、数据应用、记录了数据流向的完整链路。它可以说是企业的数据地图,可以直接反映了企业中有什么样的数据,这些数据是如何存放的,以及数据之间的关系是如何的。
参考Kimball的数仓模型理论,可以把元数据分为三类:
技术元数据,比如表结构、字段定义、文件存储等信息
业务元数据,比如业务定义、业务术语、业务规则、业务指标等
管理元数据,比如数据所有者、数据质量定责、数据安全等级等
整个元数据链路分为元数据采集、元数据管理、元数据应用。
基于获取到的元数据可以实现血缘关系、权限的监控、全局监控数据完整生命周期等等。
最后通过这些功能实现一般会形成产品化,比较常见的就是数据地图、数据检索和数据质量分析。
目前大多数公司的数仓建设是基于Hive进行的,而Hive又是依托于Hadoop为引擎做存储计算,当然Hive元数据默认是存储在Derby数据库中的,不过在生产环境下一般都是改为mysql存储。本篇先为大家介绍一下技术元数据相关内容,以及结合笔者实际工作中使用到的场景进行结合讲解。
首先大家先看一下整体的ER模型图(这里主要是想告诉大家涉及到表非常多,大家可以自行连接元数据库进行查看),不过这里只讲解几个比较常用的
刚才简单提及到了元数据的相关应用,比如血缘关系、权限的监控、全局监控数据完整生命周期等等。
这里笔者给出公司目前基于元数据所实现的一些功能,例如数据质量监控、数据地图等。因涉及到隐私安全问题,笔者给出一些截图供读者参考,主要是一些质控、元数据信息管理的功能
关于数据质量这块,后面会有单独的篇幅文章进行讲解,主要涉及到一些质控规则的内容
这里给出一个笔者正在做的一个需求并结合元数据进行讲解,以此来简述在日常工作中是如何使用元数据来帮助我们提升效率的。
早期公司使用ELK采集日志并入仓,但随着业务规模扩张以及数据量的暴涨,ELK这套体系显得过于笨重,且日志出入口比较复杂,为了统一采集入口,规范日志流程,提升日志数据质量,现将日志采集由logstash迁移至日志中心,由于采集的数据直接写入到了ods层,基于数据可靠性以及用户无感知的原则,在正式切换新老程序之前,需要比对数据一致(这里对原始ods表复制了一个新表,来存储新采集流程的数据)。
那么这里就有了两个问题
如何对新老表进行比对来验证两个表数据一致呢?
由于ods层的表不止一两张,如何快速的比对呢?
基于上面的两个问题,笔者这里给出目前的解决方案,可能不是最优解,如果读者有好的解决方案可以随时交流
针对第一个问题,当两个表的数据量一致,且每个字段值也一致,那么才说明是两个表是一致的
对于数据量,其实就是通过count计算
对于每个字段的值比较,不可能人肉去比对,笔者这里是将所有字段做了一个拼接,然后取md5值,最后对md5值作比较
针对第二个问题,当对大量表做比对的时候,人肉方式是不可能的,否则绝对加班到昏天暗地,只能通过自动化脚本来实现。
笔者将需要比对的表进行手动配置到一个文件,然后通过读取元数据的方式来自动完成拼接比对
那么具体的流程如下:
读取配置文件,获取新老表(即原表和新迁移后的表)
根据表名读取元数据获取所有的字段进行拼接(这里需要保证字段的顺序,而且需要注意元数据的更新情况),然后取md5值
然后就是sql拼接了,执行sql得到最后的比对结果,笔者这里是采用邮件发送的方式(整个耗时大概不到十分钟就完成了)
这里给出读取元数据的部分代码
1select
2 distinct concat('{{',concat_ws(',',collect_list(concat('"',tab_name,'":"',concat_column,'"'))),'}}') as result
3from
4(
5 select
6 distinct concat_ws('.',schema_name,table_name) as tab_name,
7 concat(
8 'md5(concat(',
9 concat_ws(
10 ',',
11 sort_array(
12 collect_set(
13 case when type_name='boolean' then concat('coalesce(',column_name,',false)') else concat('coalesce(',column_name,",'-99')") end
14 ) over(partition by concat_ws('.',schema_name,table_name))
15 )
16 )
17 ,'))'
18 ) as concat_column
19 from
20 (
21 select
22 t.name as schema_name,
23 t1.tbl_name as table_name,
24 t4.column_name,
25 t4.type_name
26 from dbs t
27 join tbls t1
28 on t.db_id = t1.db_id and t.date_id = '2020-09-26' and t1.date_id = '2020-09-26'
29 left join partitions t2
30 on t1.tbl_id = t2.tbl_id and t2.date_id = '2020-09-26'
31 left join sds t3
32 on t2.sd_id = t3.sd_id and t3.date_id = '2020-09-26'
33 left join (select * from columns_v2 where date_id='2020-09-26') t4
34 on t3.cd_id= t4.cd_id
35 where t.name='wedw_ods' and t1.tbl_name in ('tab_name')
36 group by t.name ,t1.tbl_name,t4.column_name,t4.type_name
37 )t
38)res
最后给出一张最后的效果图
VER_IDSCHEMA_VERSIONVERSION_COMMENTID主键Hive版本版本说明12.3.0Hive release version 2.3.0
注意:该表不存在时,将无法进入cli模式
该表的DB_ID字段也是 FUNC_RU、FUNCS、DB_PRIVS、DATABASE_PARAMS、以及TBLS的外键
元数据字段说明示例DB_ID数据库ID1DESC数据库描述Default Hive databaseDB_LOCATION_URI数据库HDFS路径
hdfs://emr-cluster/user/hive/warehouseNAME数据库名defaultOWNER_NAME数据库所有者用户名publicOWNER_TYPE所有者角色ROLE
元数据库字段说明示例数据DB_ID数据库ID
PARAM_KEY参数名
PARAM_VALUE参数值
元数据库字段说明示例数据DB_GRANT_ID授权ID
CREATE_TIME授权时间
DB_ID数据库ID
GRANT_OPTION
GRANTOR授权执行用户
GRANTOR_TYPE授权者类型
PRINCIPAL_NAME被授权用户
PRINCIPAL_TYPE被授权用户类型
DB_PRIV权限
AUTHORIZER
元数据表字段说明示例数据TBL_ID表ID3CREATE_TIME创建时间1542359066DB_ID数据库ID5LAST_ACCESS_TIME上次访问时间0OWNER所有者hadoopRETENTION保留字段0SD_ID序列化配置信息3TBL_NAME表名
t_dsp_mart_bankcard_locationTBL_TYPE表类型MANAGED_TABLEVIEW_EXPANDED_TEXT视图的详细HQL语句NULLVIEW_ORIGINAL_TEXT视图的原始HQL语句NULLIS_REWRITE_ENABLED是否开启重写
元数据字段说明示例TBL_ID表ID3PARAM_KEY属性名transient_lastDdlTimePARAM_VALUE属性值1542359066
元数据字段说明示例TBL_GRANT_ID授权ID14CREATE_TIME授权时间1542359066GRANT_OPTION
1GRANTOR授权执行用户hadoopGRANTOR_TYPE授权者类型USERPRINCIPAL_NAME被授权用户hadoopPRINCIPAL_TYPE被授权用户类型USERTBL_PRIV权限INSERTTBL_ID表ID3
元数据字段说明示例SD_ID存储信息ID3CD_ID字段信息ID3INPUT_FORMAT文件输入格式
org.apache.hadoop.mapred.TextInputFormatIS_COMPRESSED是否压缩
IS_STOREDASSUBDIRECTORIES是否以子目录存储
LOCATIONHDFS路径
hdfs://emr-cluster/user/hive/warehouse/dspdb.db/t_dsp_mart_bankcard_locationNUM_BUCKETS分桶数量-1OUTPUT_FORMAT文件输出格式
org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormatSERDE_ID序列化类ID3
元数据字段说明示例SD_ID存储配置ID
PARAM_KEY存储属性名
PARAM_VALUE存储属性值
元数据字段说明示例SERDE_ID序列化类配置ID3NAME序列化类别名NULLSLIB序列化类
org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe
元数据字段说明示例SERDE_ID序列化类配置ID3PARAM_KEY属性名field.delimPARAM_VALUE属性值
元数据字段说明示例CD_ID字段信息ID3COMMENT字段注释NULLCOLUMN_NAME字段名bankcodeTYPE_NAME字段类型stringINTEGER_IDX字段顺序2
元数据字段说明示例PART_ID分区ID2CREATE_TIME分区创建时间1542697377LAST_ACCESS_TIME最后一次访问时间0PART_NAME分区名dt=2018-11-19SD_ID分区存储ID47TBL_ID表ID30
元数据字段说明示例PART_ID分区ID2PART_KEY_VAL分区字段值2018-11-19INTEGER_IDX分区字段值顺序0
元数据字段说明示例PART_ID分区ID2PARAM_KEY分区属性名numFilesPARAM_VALUE分区属性值12
结合笔者的需求,可以看到元数据的强大之处。当然使用元数据的场景还有很多,笔者也是初次涉猎,有些内容可能描述的不是很恰当得体,如果读者对元数据有兴趣或者目前正在做元数据这块内容,强烈欢迎读者在讨论区写下你的想法。
最后祝各位读者假期快乐,但也不要忘记学习哦,接下来笔者也会有空余时间来整理一些关于面试和数仓建模相关的文章来分享给大家。
本文为作者独立观点,不代表鸟哥笔记立场,未经允许不得转载。
《鸟哥笔记版权及免责申明》 如对文章、图片、字体等版权有疑问,请点击 反馈举报
Powered by QINGMOB PTE. LTD. © 2010-2022 上海青墨信息科技有限公司 沪ICP备2021034055号-6
我们致力于提供一个高质量内容的交流平台。为落实国家互联网信息办公室“依法管网、依法办网、依法上网”的要求,为完善跟帖评论自律管理,为了保护用户创造的内容、维护开放、真实、专业的平台氛围,我们团队将依据本公约中的条款对注册用户和发布在本平台的内容进行管理。平台鼓励用户创作、发布优质内容,同时也将采取必要措施管理违法、侵权或有其他不良影响的网络信息。
一、根据《网络信息内容生态治理规定》《中华人民共和国未成年人保护法》等法律法规,对以下违法、不良信息或存在危害的行为进行处理。
1. 违反法律法规的信息,主要表现为:
1)反对宪法所确定的基本原则;
2)危害国家安全,泄露国家秘密,颠覆国家政权,破坏国家统一,损害国家荣誉和利益;
3)侮辱、滥用英烈形象,歪曲、丑化、亵渎、否定英雄烈士事迹和精神,以侮辱、诽谤或者其他方式侵害英雄烈士的姓名、肖像、名誉、荣誉;
4)宣扬恐怖主义、极端主义或者煽动实施恐怖活动、极端主义活动;
5)煽动民族仇恨、民族歧视,破坏民族团结;
6)破坏国家宗教政策,宣扬邪教和封建迷信;
7)散布谣言,扰乱社会秩序,破坏社会稳定;
8)宣扬淫秽、色情、赌博、暴力、凶杀、恐怖或者教唆犯罪;
9)煽动非法集会、结社、游行、示威、聚众扰乱社会秩序;
10)侮辱或者诽谤他人,侵害他人名誉、隐私和其他合法权益;
11)通过网络以文字、图片、音视频等形式,对未成年人实施侮辱、诽谤、威胁或者恶意损害未成年人形象进行网络欺凌的;
12)危害未成年人身心健康的;
13)含有法律、行政法规禁止的其他内容;
2. 不友善:不尊重用户及其所贡献内容的信息或行为。主要表现为:
1)轻蔑:贬低、轻视他人及其劳动成果;
2)诽谤:捏造、散布虚假事实,损害他人名誉;
3)嘲讽:以比喻、夸张、侮辱性的手法对他人或其行为进行揭露或描述,以此来激怒他人;
4)挑衅:以不友好的方式激怒他人,意图使对方对自己的言论作出回应,蓄意制造事端;
5)羞辱:贬低他人的能力、行为、生理或身份特征,让对方难堪;
6)谩骂:以不文明的语言对他人进行负面评价;
7)歧视:煽动人群歧视、地域歧视等,针对他人的民族、种族、宗教、性取向、性别、年龄、地域、生理特征等身份或者归类的攻击;
8)威胁:许诺以不良的后果来迫使他人服从自己的意志;
3. 发布垃圾广告信息:以推广曝光为目的,发布影响用户体验、扰乱本网站秩序的内容,或进行相关行为。主要表现为:
1)多次发布包含售卖产品、提供服务、宣传推广内容的垃圾广告。包括但不限于以下几种形式:
2)单个帐号多次发布包含垃圾广告的内容;
3)多个广告帐号互相配合发布、传播包含垃圾广告的内容;
4)多次发布包含欺骗性外链的内容,如未注明的淘宝客链接、跳转网站等,诱骗用户点击链接
5)发布大量包含推广链接、产品、品牌等内容获取搜索引擎中的不正当曝光;
6)购买或出售帐号之间虚假地互动,发布干扰网站秩序的推广内容及相关交易。
7)发布包含欺骗性的恶意营销内容,如通过伪造经历、冒充他人等方式进行恶意营销;
8)使用特殊符号、图片等方式规避垃圾广告内容审核的广告内容。
4. 色情低俗信息,主要表现为:
1)包含自己或他人性经验的细节描述或露骨的感受描述;
2)涉及色情段子、两性笑话的低俗内容;
3)配图、头图中包含庸俗或挑逗性图片的内容;
4)带有性暗示、性挑逗等易使人产生性联想;
5)展现血腥、惊悚、残忍等致人身心不适;
6)炒作绯闻、丑闻、劣迹等;
7)宣扬低俗、庸俗、媚俗内容。
5. 不实信息,主要表现为:
1)可能存在事实性错误或者造谣等内容;
2)存在事实夸大、伪造虚假经历等误导他人的内容;
3)伪造身份、冒充他人,通过头像、用户名等个人信息暗示自己具有特定身份,或与特定机构或个人存在关联。
6. 传播封建迷信,主要表现为:
1)找人算命、测字、占卜、解梦、化解厄运、使用迷信方式治病;
2)求推荐算命看相大师;
3)针对具体风水等问题进行求助或咨询;
4)问自己或他人的八字、六爻、星盘、手相、面相、五行缺失,包括通过占卜方法问婚姻、前程、运势,东西宠物丢了能不能找回、取名改名等;
7. 文章标题党,主要表现为:
1)以各种夸张、猎奇、不合常理的表现手法等行为来诱导用户;
2)内容与标题之间存在严重不实或者原意扭曲;
3)使用夸张标题,内容与标题严重不符的。
8.「饭圈」乱象行为,主要表现为:
1)诱导未成年人应援集资、高额消费、投票打榜
2)粉丝互撕谩骂、拉踩引战、造谣攻击、人肉搜索、侵犯隐私
3)鼓动「饭圈」粉丝攀比炫富、奢靡享乐等行为
4)以号召粉丝、雇用网络水军、「养号」形式刷量控评等行为
5)通过「蹭热点」、制造话题等形式干扰舆论,影响传播秩序
9. 其他危害行为或内容,主要表现为:
1)可能引发未成年人模仿不安全行为和违反社会公德行为、诱导未成年人不良嗜好影响未成年人身心健康的;
2)不当评述自然灾害、重大事故等灾难的;
3)美化、粉饰侵略战争行为的;
4)法律、行政法规禁止,或可能对网络生态造成不良影响的其他内容。
二、违规处罚
本网站通过主动发现和接受用户举报两种方式收集违规行为信息。所有有意的降低内容质量、伤害平台氛围及欺凌未成年人或危害未成年人身心健康的行为都是不能容忍的。
当一个用户发布违规内容时,本网站将依据相关用户违规情节严重程度,对帐号进行禁言 1 天、7 天、15 天直至永久禁言或封停账号的处罚。当涉及欺凌未成年人、危害未成年人身心健康、通过作弊手段注册、使用帐号,或者滥用多个帐号发布违规内容时,本网站将加重处罚。
三、申诉
随着平台管理经验的不断丰富,本网站出于维护本网站氛围和秩序的目的,将不断完善本公约。
如果本网站用户对本网站基于本公约规定做出的处理有异议,可以通过「建议反馈」功能向本网站进行反馈。
(规则的最终解释权归属本网站所有)