ഒരു ചെറിയ ഡാറ്റ വെയർഹൗസിൽ ETL പ്രക്രിയകൾ നിരീക്ഷിക്കുന്നു

റിലേഷണൽ ഡാറ്റാബേസുകളിലേക്ക് ഡാറ്റ എക്‌സ്‌ട്രാക്റ്റുചെയ്യുന്നതിനും രൂപാന്തരപ്പെടുത്തുന്നതിനും ലോഡുചെയ്യുന്നതിനുമുള്ള ദിനചര്യകൾ സൃഷ്‌ടിക്കാൻ പലരും പ്രത്യേക ഉപകരണങ്ങൾ ഉപയോഗിക്കുന്നു. ഉപകരണങ്ങളുടെ പ്രക്രിയ ലോഗ് ചെയ്തു, പിശകുകൾ രേഖപ്പെടുത്തുന്നു.

ഒരു പിശക് സംഭവിച്ചാൽ, ടാസ്‌ക് പൂർത്തിയാക്കുന്നതിൽ ഉപകരണം പരാജയപ്പെട്ടുവെന്നും ഏത് മൊഡ്യൂളുകൾ (പലപ്പോഴും ജാവ) എവിടെ നിർത്തിയെന്നും ഉള്ള വിവരങ്ങൾ ലോഗിൽ അടങ്ങിയിരിക്കുന്നു. അവസാന വരികളിൽ പട്ടികയുടെ തനത് കീയുടെ ലംഘനം പോലുള്ള ഒരു ഡാറ്റാബേസ് പിശക് അടങ്ങിയിരിക്കാം.

ETL പിശക് വിവരങ്ങൾ എന്ത് പങ്കാണ് വഹിക്കുന്നത് എന്ന ചോദ്യത്തിന് ഉത്തരം നൽകാൻ, കഴിഞ്ഞ രണ്ട് വർഷമായി സംഭവിച്ച എല്ലാ പ്രശ്നങ്ങളും ഒരു വലിയ ശേഖരത്തിൽ ഞാൻ തരംതിരിച്ചു.

ഡാറ്റാബേസ് പിശകുകളിൽ ഇനിപ്പറയുന്നവ ഉൾപ്പെടുന്നു: ആവശ്യത്തിന് ഇടമില്ലായിരുന്നു, കണക്ഷൻ നഷ്ടപ്പെട്ടു, സെഷൻ ഹാംഗ്, മുതലായവ.

ടേബിൾ കീകളുടെ ലംഘനങ്ങൾ, അസാധുവായ ഒബ്‌ജക്‌റ്റുകൾ, ഒബ്‌ജക്‌റ്റുകളിലേക്കുള്ള ആക്‌സസിന്റെ അഭാവം തുടങ്ങിയവ ലോജിക്കൽ പിശകുകളിൽ ഉൾപ്പെടുന്നു.
ഷെഡ്യൂളർ കൃത്യസമയത്ത് സമാരംഭിച്ചേക്കില്ല, മരവിപ്പിച്ചേക്കാം, മുതലായവ.

ലളിതമായ തെറ്റുകൾ തിരുത്താൻ കൂടുതൽ സമയം എടുക്കുന്നില്ല. ഒരു നല്ല ETL-ന് അവയിൽ മിക്കതും സ്വന്തമായി കൈകാര്യം ചെയ്യാൻ കഴിയും.

സങ്കീർണ്ണമായ പിശകുകൾ ഡാറ്റ കൈകാര്യം ചെയ്യുന്നതിനുള്ള നടപടിക്രമങ്ങൾ തുറക്കുകയും പരിശോധിക്കുകയും ഡാറ്റ ഉറവിടങ്ങൾ അന്വേഷിക്കുകയും ചെയ്യേണ്ടത് ആവശ്യമാണ്. പലപ്പോഴും മാറ്റങ്ങൾ പരിശോധിക്കുകയും വിന്യസിക്കുകയും ചെയ്യേണ്ടതിന്റെ ആവശ്യകതയിലേക്ക് നയിക്കുന്നു.

അതിനാൽ, എല്ലാ പ്രശ്നങ്ങളിലും പകുതിയും ഡാറ്റാബേസുമായി ബന്ധപ്പെട്ടതാണ്. എല്ലാ പിശകുകളുടെയും 48% ലളിതമായ പിശകുകളാണ്.
എല്ലാ പ്രശ്‌നങ്ങളുടെയും മൂന്നിലൊന്ന് സ്റ്റോറേജ് ലോജിക്കിലെയോ മോഡലിലെയോ മാറ്റങ്ങളുമായി ബന്ധപ്പെട്ടതാണ്; ഇതിൽ പകുതിയിലധികം പിശകുകളും സങ്കീർണ്ണമാണ്.

എല്ലാ പ്രശ്‌നങ്ങളിലും നാലിലൊന്നിൽ താഴെ മാത്രം ടാസ്‌ക് ഷെഡ്യൂളറുമായി ബന്ധപ്പെട്ടതാണ്, അതിൽ 18% ലളിതമായ പിശകുകളാണ്.

മൊത്തത്തിൽ, സംഭവിക്കുന്ന എല്ലാ പിശകുകളുടെയും 22% സങ്കീർണ്ണവും തിരുത്താൻ ഏറ്റവും ശ്രദ്ധയും സമയവും ആവശ്യമാണ്. അവ ആഴ്ചയിൽ ഒരിക്കൽ സംഭവിക്കുന്നു. ലളിതമായ തെറ്റുകൾ മിക്കവാറും എല്ലാ ദിവസവും സംഭവിക്കുമ്പോൾ.

വ്യക്തമായും, ലോഗിൽ പിശകിന്റെ സ്ഥാനം കഴിയുന്നത്ര കൃത്യമായി സൂചിപ്പിക്കുമ്പോൾ ETL പ്രക്രിയകൾ നിരീക്ഷിക്കുന്നത് ഫലപ്രദമാകും, കൂടാതെ പ്രശ്നത്തിന്റെ ഉറവിടം കണ്ടെത്താൻ കുറഞ്ഞ സമയം ആവശ്യമാണ്.

ഫലപ്രദമായ നിരീക്ഷണം

ETL മോണിറ്ററിംഗ് പ്രക്രിയയിൽ ഞാൻ എന്താണ് കാണാൻ ആഗ്രഹിച്ചത്?

ആരംഭിക്കുക - ഞാൻ ജോലി ചെയ്യാൻ തുടങ്ങിയപ്പോൾ,
ഉറവിടം - ഡാറ്റ ഉറവിടം,
ലെയർ - ഏത് സംഭരണ ​​നിലയാണ് ലോഡ് ചെയ്തിരിക്കുന്നത്,
ETL ജോബ് നെയിം എന്നത് നിരവധി ചെറിയ ഘട്ടങ്ങൾ ഉൾക്കൊള്ളുന്ന ഒരു ലോഡിംഗ് നടപടിക്രമമാണ്,
സ്റ്റെപ്പ് നമ്പർ - നടപ്പിലാക്കുന്ന ഘട്ടത്തിന്റെ എണ്ണം,
ബാധിച്ച വരികൾ - എത്ര ഡാറ്റ ഇതിനകം പ്രോസസ്സ് ചെയ്തു,
ദൈർഘ്യം സെക്കന്റ് - എക്സിക്യൂട്ട് ചെയ്യാൻ എത്ര സമയമെടുക്കും,
സ്റ്റാറ്റസ് - എല്ലാം നല്ലതാണെങ്കിലും അല്ലെങ്കിലും: ശരി, പിശക്, ഓട്ടം, ഹാംഗ്സ്
സന്ദേശം — അവസാനത്തെ വിജയകരമായ സന്ദേശം അല്ലെങ്കിൽ പിശക് വിവരണം.

രേഖകളുടെ നിലയെ അടിസ്ഥാനമാക്കി, നിങ്ങൾക്ക് ഒരു ഇമെയിൽ അയയ്ക്കാൻ കഴിയും. മറ്റ് പങ്കാളികൾക്കുള്ള കത്ത്. പിശകുകളൊന്നുമില്ലെങ്കിൽ, ഒരു കത്ത് ആവശ്യമില്ല.

ഈ രീതിയിൽ, ഒരു പിശക് സംഭവിച്ചാൽ, സംഭവത്തിന്റെ സ്ഥാനം വ്യക്തമായി സൂചിപ്പിച്ചിരിക്കുന്നു.

ചിലപ്പോൾ മോണിറ്ററിംഗ് ടൂൾ തന്നെ പ്രവർത്തിക്കുന്നില്ലെന്ന് സംഭവിക്കുന്നു. ഈ സാഹചര്യത്തിൽ, റിപ്പോർട്ട് നിർമ്മിച്ചതിന്റെ അടിസ്ഥാനത്തിൽ, ഡാറ്റാബേസിൽ നേരിട്ട് കാഴ്ച (കാഴ്ച) വിളിക്കാൻ സാധിക്കും.

ETL നിരീക്ഷണ പട്ടിക

ETL പ്രക്രിയകളുടെ നിരീക്ഷണം നടപ്പിലാക്കാൻ, ഒരു പട്ടികയും ഒരു കാഴ്ചയും മതി.

ഇത് ചെയ്യുന്നതിന്, നിങ്ങൾക്ക് ഇതിലേക്ക് മടങ്ങാം നിങ്ങളുടെ സ്വന്തം ചെറിയ സംഭരണം കൂടാതെ sqlite ഡാറ്റാബേസിൽ ഒരു പ്രോട്ടോടൈപ്പ് ഉണ്ടാക്കുക.

DDL പട്ടികകൾ

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 കാണുക/റിപ്പോർട്ട് ചെയ്യുക

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 ഒരു പുതിയ സെഷൻ നമ്പർ നേടാനുള്ള കഴിവ് പരിശോധിക്കുന്നു

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

പട്ടിക സവിശേഷതകൾ:

• ഡാറ്റ പ്രോസസ്സിംഗ് നടപടിക്രമത്തിന്റെ തുടക്കവും അവസാനവും ETL_START, ETL_END എന്നീ ഘട്ടങ്ങൾക്കൊപ്പം ഉണ്ടായിരിക്കണം
• ഒരു പിശക് ഉണ്ടായാൽ, അതിന്റെ വിവരണത്തോടൊപ്പം ഒരു ETL_ERROR ഘട്ടം സൃഷ്ടിക്കേണ്ടതാണ്
• പ്രോസസ്സ് ചെയ്ത ഡാറ്റയുടെ അളവ് ഹൈലൈറ്റ് ചെയ്യണം, ഉദാഹരണത്തിന്, നക്ഷത്രചിഹ്നങ്ങൾ ഉപയോഗിച്ച്
• ഒരേ സമയം force_restart=y പാരാമീറ്റർ ഉപയോഗിച്ച് അതേ നടപടിക്രമം ആരംഭിക്കാൻ കഴിയും; ഇത് കൂടാതെ, പൂർത്തിയായ നടപടിക്രമത്തിന് മാത്രമേ സെഷൻ നമ്പർ നൽകൂ.
• സാധാരണ മോഡിൽ ഒരേ ഡാറ്റ പ്രോസസ്സിംഗ് നടപടിക്രമം സമാന്തരമായി പ്രവർത്തിപ്പിക്കുന്നത് അസാധ്യമാണ്

പട്ടികയിൽ പ്രവർത്തിക്കുന്നതിന് ആവശ്യമായ പ്രവർത്തനങ്ങൾ ഇനിപ്പറയുന്നവയാണ്:

• സമാരംഭിക്കുന്ന ETL നടപടിക്രമത്തിന്റെ സെഷൻ നമ്പർ നേടുന്നു
• ഒരു പട്ടികയിൽ ഒരു ലോഗ് എൻട്രി ചേർക്കുന്നു
• ഒരു ETL നടപടിക്രമത്തിന്റെ അവസാന വിജയകരമായ റെക്കോർഡ് നേടുന്നു

Oracle അല്ലെങ്കിൽ Postgres പോലുള്ള ഡാറ്റാബേസുകളിൽ, ഈ പ്രവർത്തനങ്ങൾ ബിൽറ്റ്-ഇൻ ഫംഗ്ഷനുകൾ ഉപയോഗിച്ച് നടപ്പിലാക്കാൻ കഴിയും. sqlite-ന് ഒരു ബാഹ്യ സംവിധാനം ആവശ്യമാണ്, ഈ സാഹചര്യത്തിൽ അത് PHP-യിൽ പ്രോട്ടോടൈപ്പ് ചെയ്തു.

തീരുമാനം

അതിനാൽ, ഡാറ്റ പ്രോസസ്സിംഗ് ടൂളുകളിലെ പിശക് റിപ്പോർട്ടിംഗ് ഒരു മെഗാ-പ്രധാന പങ്ക് വഹിക്കുന്നു. എന്നാൽ പ്രശ്നത്തിന്റെ കാരണം വേഗത്തിൽ കണ്ടെത്തുന്നതിന് അവയെ ഒപ്റ്റിമൽ എന്ന് വിളിക്കാനാവില്ല. നടപടിക്രമങ്ങളുടെ എണ്ണം നൂറ് അടുക്കുമ്പോൾ, പ്രക്രിയ നിരീക്ഷണം ഒരു സങ്കീർണ്ണ പദ്ധതിയായി മാറുന്നു.

ഒരു പ്രോട്ടോടൈപ്പിന്റെ രൂപത്തിൽ പ്രശ്നത്തിന് സാധ്യമായ പരിഹാരത്തിന്റെ ഒരു ഉദാഹരണം ലേഖനം നൽകുന്നു. ചെറിയ ശേഖരണത്തിന്റെ മുഴുവൻ പ്രോട്ടോടൈപ്പും gitlab-ൽ ലഭ്യമാണ് SQLite PHP ETL യൂട്ടിലിറ്റികൾ.

അവലംബം: www.habr.com