एक छोटे से डेटा वेयरहाउस में ईटीएल प्रक्रियाओं की निगरानी करना

कई लोग रिलेशनल डेटाबेस में डेटा निकालने, बदलने और लोड करने की प्रक्रियाएँ बनाने के लिए विशेष उपकरणों का उपयोग करते हैं। काम करने वाले उपकरणों की प्रक्रिया लॉग की जाती है, त्रुटियां ठीक की जाती हैं।

त्रुटि की स्थिति में, लॉग में यह जानकारी होती है कि उपकरण कार्य पूरा करने में विफल रहा और कौन से मॉड्यूल (अक्सर जावा) कहाँ रुके। अंतिम पंक्तियों में, आप एक डेटाबेस त्रुटि पा सकते हैं, उदाहरण के लिए, एक तालिका अद्वितीय कुंजी उल्लंघन।

इस सवाल का जवाब देने के लिए कि ईटीएल त्रुटि जानकारी क्या भूमिका निभाती है, मैंने पिछले दो वर्षों में हुई सभी समस्याओं को एक बड़े भंडार में वर्गीकृत किया है।

डेटाबेस त्रुटियों में पर्याप्त स्थान न होना, कनेक्शन खो जाना, सत्र रुका होना आदि शामिल हैं।

तार्किक त्रुटियों में तालिका कुंजियों का उल्लंघन, गैर-मान्य वस्तुएं, वस्तुओं तक पहुंच की कमी आदि शामिल हैं।
शेड्यूलर समय पर प्रारंभ नहीं हो सकता है, वह रुक सकता है, आदि।

साधारण गलतियाँ ठीक होने में देर नहीं लगती। एक अच्छा ईटीएल उनमें से अधिकांश को अपने आप संभाल सकता है।

जटिल बग डेटा के साथ काम करने, डेटा स्रोतों का पता लगाने के लिए प्रक्रियाओं की खोज और परीक्षण करना आवश्यक बनाते हैं। अक्सर परिवर्तन परीक्षण और तैनाती की आवश्यकता होती है।

तो, सभी समस्याओं में से आधी समस्याएँ डेटाबेस से संबंधित हैं। सभी गलतियों में से 48% साधारण गलतियाँ हैं।
सभी समस्याओं में से एक तिहाई भंडारण तर्क या मॉडल को बदलने से संबंधित हैं, इनमें से आधे से अधिक त्रुटियां जटिल हैं।

और सभी समस्याओं में से एक चौथाई से भी कम समस्याएँ कार्य शेड्यूलर से संबंधित हैं, जिनमें से 18% साधारण त्रुटियाँ हैं।

सामान्य तौर पर, होने वाली सभी त्रुटियों में से 22% जटिल होती हैं, और उनके सुधार के लिए सबसे अधिक ध्यान और समय की आवश्यकता होती है। वे सप्ताह में लगभग एक बार होते हैं। जबकि साधारण गलतियाँ लगभग हर दिन होती हैं।

यह स्पष्ट है कि ईटीएल प्रक्रियाओं की निगरानी तब प्रभावी होगी जब त्रुटि का स्थान लॉग में यथासंभव सटीक रूप से इंगित किया जाएगा और समस्या के स्रोत को खोजने के लिए न्यूनतम समय की आवश्यकता होगी।

प्रभावी निगरानी

मैं ईटीएल निगरानी प्रक्रिया में क्या देखना चाहता था?

शुरुआत - जब उन्होंने काम शुरू किया,
स्रोत - डेटा स्रोत,
परत - किस स्तर का भंडारण लोड किया जा रहा है,
ईटीएल नौकरी का नाम - अपलोड प्रक्रिया, जिसमें कई छोटे चरण शामिल हैं,
चरण संख्या - निष्पादित किए जा रहे चरण की संख्या,
प्रभावित पंक्तियाँ - कितना डेटा पहले ही संसाधित किया जा चुका है,
अवधि सेक - इसमें कितना समय लगता है,
स्थिति - सब कुछ ठीक है या नहीं: ठीक है, त्रुटि, चल रहा है, रुका हुआ है
संदेश - अंतिम सफल संदेश या त्रुटि विवरण।

रिकॉर्ड की स्थिति के आधार पर, आप एक ईमेल भेज सकते हैं। अन्य सदस्यों को पत्र. यदि कोई त्रुटि न हो तो पत्र आवश्यक नहीं है।

इस प्रकार, किसी त्रुटि की स्थिति में, घटना का स्थान स्पष्ट रूप से दर्शाया जाता है।

कभी-कभी ऐसा होता है कि मॉनिटरिंग टूल ही काम नहीं करता है। इस मामले में, सीधे डेटाबेस में एक दृश्य (दृश्य) को कॉल करना संभव है, जिसके आधार पर रिपोर्ट बनाई जाती है।

ईटीएल निगरानी तालिका

ईटीएल प्रक्रियाओं की निगरानी लागू करने के लिए, एक तालिका और एक दृश्य पर्याप्त हैं।

ऐसा करने के लिए, आप वापस लौट सकते हैं आपका छोटा भंडारण और एसक्लाइट डेटाबेस में प्रोटोटाइप बनाएं।

डीडीएल टेबल

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);

डीडीएल देखें/रिपोर्ट करें

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;

SQL जाँच कर रहा है कि क्या नया सत्र क्रमांक प्राप्त करना संभव है

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

तालिका विशेषताएं:

• डेटा प्रोसेसिंग प्रक्रिया की शुरुआत और अंत में ETL_START और ETL_END चरणों का पालन किया जाना चाहिए
• किसी त्रुटि की स्थिति में, उसके विवरण के साथ ETL_ERROR चरण बनाया जाना चाहिए
• संसाधित डेटा की मात्रा को हाइलाइट किया जाना चाहिए, उदाहरण के लिए, तारांकन के साथ
• एक ही प्रक्रिया को एक ही समय में Force_restart=y पैरामीटर के साथ शुरू किया जा सकता है, इसके बिना सत्र संख्या केवल पूर्ण प्रक्रिया के लिए जारी की जाती है
• सामान्य मोड में, आप समान डेटा प्रोसेसिंग प्रक्रिया को समानांतर में नहीं चला सकते

किसी तालिका के साथ कार्य करने के लिए आवश्यक संचालन इस प्रकार हैं:

• चल रही ईटीएल प्रक्रिया की सत्र संख्या प्राप्त करना
• तालिका में लॉग प्रविष्टि डालें
• ईटीएल प्रक्रिया का अंतिम सफल रिकॉर्ड प्राप्त करना

Oracle या Postgres जैसे डेटाबेस में, इन ऑपरेशनों को अंतर्निहित फ़ंक्शन के रूप में कार्यान्वित किया जा सकता है। एसक्लाइट को एक बाहरी तंत्र की आवश्यकता होती है, और इस मामले में इसकी PHP में प्रोटोटाइप किया गया.

उत्पादन

इस प्रकार, डेटा प्रोसेसिंग टूल में त्रुटि संदेश एक बहुत ही महत्वपूर्ण भूमिका निभाते हैं। लेकिन समस्या का कारण तुरंत ढूंढने के लिए उन्हें इष्टतम कहना कठिन है। जब प्रक्रियाओं की संख्या सौ के करीब पहुंच जाती है, तो प्रक्रिया निगरानी एक जटिल परियोजना में बदल जाती है।

आलेख प्रोटोटाइप के रूप में समस्या के संभावित समाधान का एक उदाहरण प्रदान करता है। संपूर्ण छोटा रिपोजिटरी प्रोटोटाइप गिटलैब में उपलब्ध है SQLite PHP ETL उपयोगिताएँ.

स्रोत: www.habr.com