Mnoho ľudí používa špecializované nástroje na vytváranie rutín na extrakciu, transformáciu a načítanie údajov do relačných databáz. Proces nástrojov sa zaznamenáva, chyby sa zaznamenávajú.
V prípade chyby protokol obsahuje informáciu, že nástroju sa nepodarilo dokončiť úlohu a ktoré moduly (často java) sa kde zastavili. Posledné riadky môžu obsahovať chybu databázy, napríklad porušenie jedinečného kľúča tabuľky.
Aby som odpovedal na otázku, akú úlohu zohrávajú informácie o chybách ETL, klasifikoval som všetky problémy, ktoré sa vyskytli za posledné dva roky, do pomerne veľkého úložiska.
Chyby databázy zahŕňajú napríklad: nedostatok miesta, prerušenie spojenia, pozastavenie relácie atď.
Logické chyby zahŕňajú porušenie kľúčov tabuľky, neplatné objekty, nedostatočný prístup k objektom atď.
Plánovač nemusí byť spustený včas, môže zamrznúť atď.
Náprava jednoduchých chýb nezaberie veľa času. Dobrý ETL väčšinu z nich zvládne sám.
Komplexné chyby si vyžadujú otvorenie a kontrolu postupov spracovania údajov a preskúmanie zdrojov údajov. Často vedú k potrebe testovať zmeny a nasadzovať ich.
Takže polovica všetkých problémov súvisí s databázou. 48 % všetkých chýb sú jednoduché chyby.
Tretina všetkých problémov súvisí so zmenami v logike alebo modeli úložiska; viac ako polovica týchto chýb je zložitých.
A menej ako štvrtina všetkých problémov súvisí s plánovačom úloh, pričom 18 % z nich sú jednoduché chyby.
Celkovo je 22 % všetkých chýb, ktoré sa vyskytnú, zložitých a vyžadujú si najviac pozornosti a času na nápravu. Stávajú sa približne raz týždenne. Zatiaľ čo jednoduché chyby sa dejú takmer každý deň.
Je zrejmé, že monitorovanie procesov ETL bude efektívne, keď bude miesto chyby uvedené v protokole čo najpresnejšie a nájdenie zdroja problému si vyžaduje minimálny čas.
Efektívne monitorovanie
Čo som chcel vidieť v procese monitorovania ETL?
Začať o - keď som začal pracovať,
Zdroj - zdroj údajov,
Vrstva - ktorá úroveň úložiska je načítaná,
Názov úlohy ETL je postup načítania, ktorý pozostáva z mnohých malých krokov,
Číslo kroku — číslo vykonávaného kroku,
Ovplyvnené riadky – koľko údajov sa už spracovalo,
Trvanie s – ako dlho trvá vykonanie,
Stav – či je všetko v poriadku alebo nie: OK, CHYBA, BEHA, ZAVISÍ
Správa — posledná úspešná správa alebo popis chyby.
Na základe stavu záznamov môžete poslať e-mail. list ostatným účastníkom. Ak nie sú žiadne chyby, list nie je potrebný.
Týmto spôsobom je v prípade chyby jasne uvedené miesto incidentu.
Niekedy sa stane, že samotný monitorovací nástroj nefunguje. V tomto prípade je možné zavolať pohľad (view) priamo v databáze, na základe ktorej je zostava zostavená.
Monitorovacia tabuľka ETL
Na implementáciu monitorovania ETL procesov stačí jedna tabuľka a jeden pohľad.
Ak to chcete urobiť, môžete sa vrátiť a vytvorte prototyp v databáze sqlite.
DDL tabuľky
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);Zobraziť/nahlásiť 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 Kontrola schopnosti získať nové číslo relácie
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.SIDVlastnosti stola:
- začiatok a koniec procesu spracovania údajov musia byť sprevádzané krokmi ETL_START a ETL_END
- v prípade chyby by mal byť vytvorený krok ETL_ERROR s jeho popisom
- množstvo spracovaných údajov treba zvýrazniť napríklad hviezdičkami
- rovnakú procedúru je možné spustiť súčasne s parametrom force_restart=y, bez neho sa číslo relácie pridelí len ukončenej procedúre
- v normálnom režime nie je možné paralelne spustiť rovnakú procedúru spracovania údajov
Potrebné operácie na prácu s tabuľkou sú nasledujúce:
- získanie čísla relácie spúšťanej procedúry ETL
- vloženie záznamu denníka do tabuľky
- získanie posledného úspešného záznamu postupu ETL
V databázach ako Oracle alebo Postgres je možné tieto operácie implementovať pomocou vstavaných funkcií. sqlite vyžaduje externý mechanizmus a v tomto prípade ho .
Výkon
Hlásenie chýb v nástrojoch na spracovanie údajov teda zohráva mimoriadne dôležitú úlohu. Ale len ťažko ich možno nazvať optimálnymi na rýchle nájdenie príčiny problému. Keď sa počet procedúr priblíži k stovke, monitorovanie procesov sa zmení na komplexný projekt.
V článku je uvedený príklad možného riešenia problému vo forme prototypu. Celý prototyp malého úložiska je dostupný v gitlabe .
Zdroj: hab.com