একটি ছোট ডেটা গুদামে ETL প্রক্রিয়াগুলি পর্যবেক্ষণ করা

রিলেশনাল ডাটাবেসে ডেটা এক্সট্র্যাক্ট, রূপান্তর এবং লোড করার পদ্ধতি তৈরি করতে অনেকেই বিশেষ সরঞ্জাম ব্যবহার করে। কাজের সরঞ্জামগুলির প্রক্রিয়াটি লগ করা হয়েছে, ত্রুটিগুলি সংশোধন করা হয়েছে।

একটি ত্রুটির ক্ষেত্রে, লগটিতে তথ্য রয়েছে যে টুলটি কাজটি সম্পূর্ণ করতে ব্যর্থ হয়েছে এবং কোন মডিউলগুলি (প্রায়ই জাভা) কোথায় থামেছে৷ শেষ লাইনগুলিতে, আপনি একটি ডাটাবেস ত্রুটি খুঁজে পেতে পারেন, উদাহরণস্বরূপ, একটি টেবিল অনন্য কী লঙ্ঘন।

ইটিএল ত্রুটির তথ্য কী ভূমিকা পালন করে এই প্রশ্নের উত্তর দিতে, আমি গত দুই বছরে একটি বড় সংগ্রহস্থলে সমস্ত সমস্যাগুলিকে শ্রেণীবদ্ধ করেছি।

ডেটাবেস ত্রুটির মধ্যে পর্যাপ্ত স্থান না থাকা, সংযোগ হারিয়ে যাওয়া, সেশন হ্যাং ইত্যাদি অন্তর্ভুক্ত।

যৌক্তিক ত্রুটিগুলির মধ্যে রয়েছে যেমন টেবিল কী লঙ্ঘন, অ-বৈধ বস্তু, বস্তুগুলিতে অ্যাক্সেসের অভাব ইত্যাদি।
সময়সূচী সময়মতো শুরু নাও হতে পারে, এটি হিমায়িত হতে পারে, ইত্যাদি।

সাধারণ ভুলগুলো ঠিক করতে বেশি সময় লাগে না। একটি ভাল ETL তাদের বেশিরভাগ নিজেই পরিচালনা করতে পারে।

জটিল বাগগুলি ডেটার সাথে কাজ করার জন্য, ডেটা উত্সগুলি অন্বেষণ করার জন্য পদ্ধতিগুলি আবিষ্কার এবং পরীক্ষা করার প্রয়োজনীয়তা তৈরি করে৷ প্রায়ই পরিবর্তন পরীক্ষা এবং স্থাপনার প্রয়োজন হতে পারে.

সুতরাং, সমস্ত সমস্যার অর্ধেক ডাটাবেসের সাথে সম্পর্কিত। সমস্ত ভুলের 48% সাধারণ ভুল।
সমস্ত সমস্যার এক তৃতীয়াংশ স্টোরেজ লজিক বা মডেল পরিবর্তনের সাথে সম্পর্কিত, এই ত্রুটিগুলির অর্ধেকেরও বেশি জটিল।

এবং সমস্ত সমস্যার এক চতুর্থাংশেরও কম টাস্ক শিডিউলারের সাথে সম্পর্কিত, যার মধ্যে 18% সাধারণ ত্রুটি।

সাধারণভাবে, ঘটে যাওয়া সমস্ত ত্রুটির মধ্যে 22% জটিল, এবং তাদের সংশোধনের জন্য সবচেয়ে বেশি মনোযোগ এবং সময় প্রয়োজন। এগুলো সপ্তাহে প্রায় একবার হয়। যেখানে সাধারণ ভুল প্রায় প্রতিদিনই ঘটে।

এটা স্পষ্ট যে ETL প্রক্রিয়াগুলির নিরীক্ষণ কার্যকর হবে যখন লগে যতটা সম্ভব নির্ভুলভাবে ত্রুটির অবস্থান নির্দেশ করা হবে এবং সমস্যার উৎস খুঁজে পেতে ন্যূনতম সময় প্রয়োজন।

কার্যকরী পর্যবেক্ষণ

ETL পর্যবেক্ষণ প্রক্রিয়ায় আমি কী দেখতে চাই?

শুরু করুন - যখন তিনি কাজ শুরু করেন,
উৎস - তথ্য উৎস,
স্তর - কোন স্তরের স্টোরেজ লোড হচ্ছে,
ETL কাজের নাম - আপলোড পদ্ধতি, যা অনেক ছোট ধাপ নিয়ে গঠিত,
ধাপ সংখ্যা - সঞ্চালিত পদক্ষেপের সংখ্যা,
প্রভাবিত সারি - ইতিমধ্যে কত ডেটা প্রক্রিয়া করা হয়েছে,
সময়কাল সেকেন্ড - কতক্ষণ লাগে,
স্থিতি - সবকিছু ঠিক আছে কি না: ঠিক আছে, ত্রুটি, চলছে, হ্যাং
বার্তা - শেষ সফল বার্তা বা ত্রুটি বিবরণ।

এন্ট্রিগুলির অবস্থার উপর ভিত্তি করে, আপনি একটি ইমেল পাঠাতে পারেন। অন্যান্য সদস্যদের চিঠি। যদি কোন ত্রুটি না থাকে, তাহলে চিঠির প্রয়োজন নেই।

সুতরাং, একটি ত্রুটির ক্ষেত্রে, ঘটনার অবস্থান স্পষ্টভাবে নির্দেশিত হয়।

কখনও কখনও এটি ঘটে যে মনিটরিং টুল নিজেই কাজ করে না। এই ক্ষেত্রে, ডাটাবেসে সরাসরি একটি ভিউ (ভিউ) কল করা সম্ভব, যার ভিত্তিতে রিপোর্ট তৈরি করা হয়েছে।

ETL মনিটরিং টেবিল

ETL প্রক্রিয়াগুলির পর্যবেক্ষণ বাস্তবায়নের জন্য, একটি টেবিল এবং একটি দৃশ্য যথেষ্ট।

এটি করতে, আপনি ফিরে যেতে পারেন আপনার সামান্য স্টোরেজ এবং sqlite ডাটাবেসে প্রোটোটাইপ তৈরি করুন।

ডিডিএল টেবিল

CREATE TABLE UTL_JOB_STATUS (
/* Table for logging of job execution log. Important that the job has the steps ETL_START and ETL_END or ETL_ERROR */
  UTL_JOB_STATUS_ID INTEGER NOT NULL PRIMARY KEY AUTOINCREMENT,
  SID               INTEGER NOT NULL DEFAULT -1, /* Session Identificator. Unique for every Run of job */
  LOG_DT            INTEGER NOT NULL DEFAULT 0,  /* Date time */
  LOG_D             INTEGER NOT NULL DEFAULT 0,  /* Date */
  JOB_NAME          TEXT NOT NULL DEFAULT 'N/A', /* Job name like JOB_STG2DM_GEO */
  STEP_NAME         TEXT NOT NULL DEFAULT 'N/A', /* ETL_START, ... , ETL_END/ETL_ERROR */
  STEP_DESCR        TEXT,                        /* Description of task or error message */
  UNIQUE (SID, JOB_NAME, STEP_NAME)
);
INSERT INTO UTL_JOB_STATUS (UTL_JOB_STATUS_ID) VALUES (-1);

DDL দেখুন/রিপোর্ট করুন

CREATE VIEW IF NOT EXISTS UTL_JOB_STATUS_V
AS /* Content: Package Execution Log for last 3 Months. */
WITH SRC AS (
  SELECT LOG_D,
    LOG_DT,
    UTL_JOB_STATUS_ID,
    SID,
	CASE WHEN INSTR(JOB_NAME, 'FTP') THEN 'TRANSFER' /* file transfer */
	     WHEN INSTR(JOB_NAME, 'STG') THEN 'STAGE' /* stage */
	     WHEN INSTR(JOB_NAME, 'CLS') THEN 'CLEANSING' /* cleansing */
	     WHEN INSTR(JOB_NAME, 'DIM') THEN 'DIMENSION' /* dimension */
	     WHEN INSTR(JOB_NAME, 'FCT') THEN 'FACT' /* fact */
		 WHEN INSTR(JOB_NAME, 'ETL') THEN 'STAGE-MART' /* data mart */
	     WHEN INSTR(JOB_NAME, 'RPT') THEN 'REPORT' /* report */
	     ELSE 'N/A' END AS LAYER,
	CASE WHEN INSTR(JOB_NAME, 'ACCESS') THEN 'ACCESS LOG' /* source */
	     WHEN INSTR(JOB_NAME, 'MASTER') THEN 'MASTER DATA' /* source */
	     WHEN INSTR(JOB_NAME, 'AD-HOC') THEN 'AD-HOC' /* source */
	     ELSE 'N/A' END AS SOURCE,
    JOB_NAME,
    STEP_NAME,
    CASE WHEN STEP_NAME='ETL_START' THEN 1 ELSE 0 END AS START_FLAG,
    CASE WHEN STEP_NAME='ETL_END' THEN 1 ELSE 0 END AS END_FLAG,
    CASE WHEN STEP_NAME='ETL_ERROR' THEN 1 ELSE 0 END AS ERROR_FLAG,
    STEP_NAME || ' : ' || STEP_DESCR AS STEP_LOG,
	SUBSTR( SUBSTR(STEP_DESCR, INSTR(STEP_DESCR, '***')+4), 1, INSTR(SUBSTR(STEP_DESCR, INSTR(STEP_DESCR, '***')+4), '***')-2 ) AS AFFECTED_ROWS
  FROM UTL_JOB_STATUS
  WHERE datetime(LOG_D, 'unixepoch') >= date('now', 'start of month', '-3 month')
)
SELECT JB.SID,
  JB.MIN_LOG_DT AS START_DT,
  strftime('%d.%m.%Y %H:%M', datetime(JB.MIN_LOG_DT, 'unixepoch')) AS LOG_DT,
  JB.SOURCE,
  JB.LAYER,
  JB.JOB_NAME,
  CASE
  WHEN JB.ERROR_FLAG = 1 THEN 'ERROR'
  WHEN JB.ERROR_FLAG = 0 AND JB.END_FLAG = 0 AND strftime('%s','now') - JB.MIN_LOG_DT > 0.5*60*60 THEN 'HANGS' /* half an hour */
  WHEN JB.ERROR_FLAG = 0 AND JB.END_FLAG = 0 THEN 'RUNNING'
  ELSE 'OK'
  END AS STATUS,
  ERR.STEP_LOG     AS STEP_LOG,
  JB.CNT           AS STEP_CNT,
  JB.AFFECTED_ROWS AS AFFECTED_ROWS,
  strftime('%d.%m.%Y %H:%M', datetime(JB.MIN_LOG_DT, 'unixepoch')) AS JOB_START_DT,
  strftime('%d.%m.%Y %H:%M', datetime(JB.MAX_LOG_DT, 'unixepoch')) AS JOB_END_DT,
  JB.MAX_LOG_DT - JB.MIN_LOG_DT AS JOB_DURATION_SEC
FROM
  ( SELECT SID, SOURCE, LAYER, JOB_NAME,
           MAX(UTL_JOB_STATUS_ID) AS UTL_JOB_STATUS_ID,
           MAX(START_FLAG)       AS START_FLAG,
           MAX(END_FLAG)         AS END_FLAG,
           MAX(ERROR_FLAG)       AS ERROR_FLAG,
           MIN(LOG_DT)           AS MIN_LOG_DT,
           MAX(LOG_DT)           AS MAX_LOG_DT,
           SUM(1)                AS CNT,
           SUM(IFNULL(AFFECTED_ROWS, 0)) AS AFFECTED_ROWS
    FROM SRC
    GROUP BY SID, SOURCE, LAYER, JOB_NAME
  ) JB,
  ( SELECT UTL_JOB_STATUS_ID, SID, JOB_NAME, STEP_LOG
    FROM SRC
    WHERE 1 = 1
  ) ERR
WHERE 1 = 1
  AND JB.SID = ERR.SID
  AND JB.JOB_NAME = ERR.JOB_NAME
  AND JB.UTL_JOB_STATUS_ID = ERR.UTL_JOB_STATUS_ID
ORDER BY JB.MIN_LOG_DT DESC, JB.SID DESC, JB.SOURCE;

এসকিউএল পরীক্ষা করা হচ্ছে একটি নতুন সেশন নম্বর পাওয়া সম্ভব কিনা

SELECT SUM (
  CASE WHEN start_job.JOB_NAME IS NOT NULL AND end_job.JOB_NAME IS NULL /* existed job finished */
	    AND NOT ( 'y' = 'n' ) /* force restart PARAMETER */
       THEN 1 ELSE 0
  END ) AS IS_RUNNING
  FROM
    ( SELECT 1 AS dummy FROM UTL_JOB_STATUS WHERE sid = -1) d_job
  LEFT OUTER JOIN
    ( SELECT JOB_NAME, SID, 1 AS dummy
      FROM UTL_JOB_STATUS
      WHERE JOB_NAME = 'RPT_ACCESS_LOG' /* job name PARAMETER */
	    AND STEP_NAME = 'ETL_START'
      GROUP BY JOB_NAME, SID
    ) start_job /* starts */
  ON d_job.dummy = start_job.dummy
  LEFT OUTER JOIN
    ( SELECT JOB_NAME, SID
      FROM UTL_JOB_STATUS
      WHERE JOB_NAME = 'RPT_ACCESS_LOG'  /* job name PARAMETER */
	    AND STEP_NAME in ('ETL_END', 'ETL_ERROR') /* stop status */
      GROUP BY JOB_NAME, SID
    ) end_job /* ends */
  ON start_job.JOB_NAME = end_job.JOB_NAME
     AND start_job.SID = end_job.SID

টেবিল বৈশিষ্ট্য:

• ডেটা প্রক্রিয়াকরণ পদ্ধতির শুরু এবং শেষ ETL_START এবং ETL_END পদক্ষেপগুলি অনুসরণ করতে হবে
• একটি ত্রুটির ক্ষেত্রে, এর বিবরণ সহ ETL_ERROR ধাপটি তৈরি করা উচিত
• প্রক্রিয়াকৃত ডেটার পরিমাণ হাইলাইট করা উচিত, উদাহরণস্বরূপ, তারকাচিহ্নের সাথে
• force_restart=y প্যারামিটারের সাথে একই পদ্ধতি একই সময়ে শুরু করা যেতে পারে, এটি ছাড়া সেশন নম্বরটি শুধুমাত্র সম্পূর্ণ পদ্ধতিতে জারি করা হয়
• সাধারণ মোডে, আপনি সমান্তরালভাবে একই ডেটা প্রক্রিয়াকরণ পদ্ধতি চালাতে পারবেন না

একটি টেবিলের সাথে কাজ করার জন্য প্রয়োজনীয় ক্রিয়াকলাপগুলি নিম্নরূপ:

• চলমান ETL পদ্ধতির সেশন নম্বর পাওয়া
• টেবিলে লগ এন্ট্রি ঢোকান
• একটি ETL পদ্ধতির শেষ সফল রেকর্ড পাওয়া

ওরাকল বা পোস্টগ্রেসের মতো ডাটাবেসে, এই অপারেশনগুলি বিল্ট-ইন ফাংশন হিসাবে প্রয়োগ করা যেতে পারে। sqlite-এর একটি বাহ্যিক প্রক্রিয়া প্রয়োজন, এবং এই ক্ষেত্রে এটি PHP-তে প্রোটোটাইপ করা.

উপসংহার

সুতরাং, ডেটা প্রসেসিং টুলের ত্রুটি বার্তাগুলি একটি মেগা-গুরুত্বপূর্ণ ভূমিকা পালন করে। কিন্তু সমস্যার কারণ দ্রুত খুঁজে বের করার জন্য তাদের সর্বোত্তম বলা কঠিন। যখন পদ্ধতির সংখ্যা একশোর কাছাকাছি, তখন প্রক্রিয়া পর্যবেক্ষণ একটি জটিল প্রকল্পে পরিণত হয়।

নিবন্ধটি একটি প্রোটোটাইপ আকারে সমস্যার সম্ভাব্য সমাধানের একটি উদাহরণ প্রদান করে। পুরো ছোট সংগ্রহস্থলের প্রোটোটাইপটি গিটল্যাবে পাওয়া যায় SQLite PHP ETL ইউটিলিটি.

উত্স: www.habr.com