ETL գործընթացների մոնիտորինգ փոքր տվյալների պահեստում

Շատերն օգտագործում են մասնագիտացված գործիքներ՝ տվյալների արդյունահանման, փոխակերպման և հարաբերական տվյալների բազաներում բեռնելու ընթացակարգեր ստեղծելու համար: Գործիքների աշխատանքային գործընթացը գրանցվում է, սխալները շտկվում են:

Սխալի դեպքում գրանցամատյանը պարունակում է տեղեկատվություն այն մասին, որ գործիքը չի կատարել առաջադրանքը, և որ մոդուլները (հաճախ java) որտեղ են կանգ առել։ Վերջին տողերում կարող եք գտնել տվյալների բազայի սխալ, օրինակ՝ աղյուսակի եզակի բանալու խախտում:

Հարցին պատասխանելու համար, թե ինչ դեր է խաղում ETL սխալի մասին տեղեկատվությունը, ես դասակարգել եմ բոլոր խնդիրները, որոնք առաջացել են վերջին երկու տարիների ընթացքում բավականին մեծ պահեստում:

Տվյալների բազայի սխալները ներառում են ոչ բավարար տարածք, կորցրած կապ, նստաշրջանի կախվածություն և այլն:

Տրամաբանական սխալները ներառում են, ինչպիսիք են աղյուսակի ստեղների խախտումը, ոչ վավեր օբյեկտները, օբյեկտների հասանելիության բացակայությունը և այլն:
Ժամանակացույցը կարող է չգործարկվել ժամանակին, կարող է սառչել և այլն:

Պարզ սխալները երկար ժամանակ չեն պահանջում ուղղելու համար: Լավ ETL-ը կարող է ինքնուրույն կարգավորել դրանց մեծ մասը:

Բարդ վրիպակներն անհրաժեշտ են դարձնում տվյալների հետ աշխատելու ընթացակարգերի հայտնաբերումը և փորձարկումը, տվյալների աղբյուրները ուսումնասիրելու համար: Հաճախ հանգեցնում են փոփոխության փորձարկման և տեղակայման անհրաժեշտության:

Այսպիսով, բոլոր խնդիրների կեսը կապված է տվյալների բազայի հետ։ Բոլոր սխալների 48%-ը պարզ սխալներ են։
Բոլոր խնդիրների մեկ երրորդը կապված է պահեստավորման տրամաբանության կամ մոդելի փոփոխության հետ, այդ սխալների կեսից ավելին բարդ է:

Եվ բոլոր խնդիրների մեկ քառորդից պակասը կապված է առաջադրանքների ժամանակացույցի հետ, որոնց 18%-ը պարզ սխալներ են:

Ընդհանուր առմամբ, տեղի ունեցող բոլոր սխալների 22%-ը բարդ է, և դրանց ուղղումը պահանջում է առավելագույն ուշադրություն և ժամանակ: Դրանք տեղի են ունենում մոտավորապես շաբաթը մեկ անգամ: Մինչդեռ հասարակ սխալները տեղի են ունենում գրեթե ամեն օր։

Ակնհայտ է, որ ETL գործընթացների մոնիտորինգը արդյունավետ կլինի, երբ սխալի գտնվելու վայրը նշված է գրանցամատյանում հնարավորինս ճշգրիտ, և նվազագույն ժամանակ է պահանջվում խնդրի աղբյուրը գտնելու համար:

Արդյունավետ մոնիտորինգ

Ի՞նչ էի ուզում տեսնել ETL մոնիտորինգի գործընթացում:

Սկսեք, երբ նա սկսեց աշխատանքը,
Աղբյուր - տվյալների աղբյուր,
Շերտ - պահեստավորման ինչ մակարդակ է բեռնվում,
ETL Job Name - վերբեռնման ընթացակարգ, որը բաղկացած է բազմաթիվ փոքր քայլերից,
Քայլի համարը - կատարվող քայլի համարը,
Ազդեցված տողեր - որքան տվյալներ են արդեն մշակվել,
Տևողությունը վայրկյան - որքան ժամանակ է տևում,
Կարգավիճակ. ամեն ինչ լավ է, թե ոչ. ԼԱՎ, ՍԽԱԼ, ՎԱԶՈՒՄ, ԿԱԽՎՈՒՄ Է
Հաղորդագրություն - Վերջին հաջողված հաղորդագրությունը կամ սխալի նկարագրությունը:

Ելնելով գրառումների կարգավիճակից՝ կարող եք նամակ ուղարկել: նամակ մյուս անդամներին։ Եթե ​​սխալներ չկան, ապա նամակն անհրաժեշտ չէ։

Այսպիսով, սխալի դեպքում հստակ նշվում է դեպքի վայրը։

Երբեմն պատահում է, որ մոնիտորինգի գործիքն ինքնին չի աշխատում: Այս դեպքում հնարավոր է անմիջապես տվյալների բազայում անվանել դիտում (դիտում), որի հիման վրա կառուցվում է հաշվետվությունը։

ETL մոնիտորինգի աղյուսակ

ETL գործընթացների մոնիտորինգ իրականացնելու համար բավական է մեկ աղյուսակ և մեկ դիտում:

Դա անելու համար կարող եք վերադառնալ ձեր փոքրիկ պահեստը և ստեղծել նախատիպ sqlite տվյալների բազայում:

DDL սեղաններ

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);

Դիտել/Հաղորդել DDL

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 Ստուգում, թե արդյոք հնարավոր է նոր նստաշրջանի համար ստանալ

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

Սեղանի առանձնահատկությունները.

• տվյալների մշակման ընթացակարգի մեկնարկին և ավարտին պետք է հետևեն ETL_START և ETL_END քայլերը
• սխալի դեպքում պետք է ստեղծվի ETL_ERROR քայլն իր նկարագրությամբ
• մշակված տվյալների քանակը պետք է ընդգծվի, օրինակ, աստղանիշներով
• նույն ընթացակարգը կարող է միաժամանակ սկսվել force_restart=y պարամետրով, առանց դրա սեսիայի համարը տրվում է միայն ավարտված ընթացակարգին:
• նորմալ ռեժիմում դուք չեք կարող զուգահեռ վարել տվյալների մշակման նույն ընթացակարգը

Սեղանի հետ աշխատելու համար անհրաժեշտ գործողությունները հետևյալն են.

• ստանալով ընթացիկ ETL ընթացակարգի նիստի համարը
• մուտքագրեք մատյան մուտքը աղյուսակում
• ստանալով ETL ընթացակարգի վերջին հաջող գրառումը

Տվյալների բազաներում, ինչպիսիք են Oracle-ը կամ Postgres-ը, այս գործողությունները կարող են իրականացվել որպես ներկառուցված գործառույթներ: sqlite-ը պահանջում է արտաքին մեխանիզմ, և այս դեպքում այն նախատիպը PHP-ում.

Արտադրողականություն

Այսպիսով, տվյալների մշակման գործիքներում սխալ հաղորդագրությունները մեգակարևոր դեր են խաղում: Բայց դժվար է դրանք անվանել օպտիմալ՝ խնդրի պատճառն արագ գտնելու համար։ Երբ պրոցեդուրաների թիվը մոտենում է հարյուրի, ապա գործընթացի մոնիտորինգը վերածվում է բարդ նախագծի։

Հոդվածում բերված է խնդրի հնարավոր լուծման օրինակ՝ նախատիպի տեսքով։ Ամբողջ փոքր պահեստի նախատիպը հասանելի է gitlab-ում SQLite PHP ETL կոմունալ ծառայություններ.

Source: www.habr.com