ஒரு சிறிய தரவுக் கிடங்கில் ETL செயல்முறைகளைக் கண்காணித்தல்

தொடர்புடைய தரவுத்தளங்களில் தரவைப் பிரித்தெடுத்தல், மாற்றுதல் மற்றும் ஏற்றுவதற்கான நடைமுறைகளை உருவாக்க பலர் சிறப்புக் கருவிகளைப் பயன்படுத்துகின்றனர். வேலை செய்யும் கருவிகளின் செயல்முறை பதிவு செய்யப்பட்டுள்ளது, பிழைகள் சரி செய்யப்படுகின்றன.

பிழை ஏற்பட்டால், பணியை முடிக்க கருவி தோல்வியடைந்தது மற்றும் எந்த தொகுதிகள் (பெரும்பாலும் ஜாவா) எங்கு நிறுத்தப்பட்டன என்ற தகவல் பதிவில் உள்ளது. கடைசி வரிகளில், தரவுத்தள பிழையை நீங்கள் காணலாம், எடுத்துக்காட்டாக, ஒரு அட்டவணை தனிப்பட்ட முக்கிய மீறல்.

ETL பிழை தகவல் என்ன பங்கு வகிக்கிறது என்ற கேள்விக்கு பதிலளிக்க, கடந்த இரண்டு ஆண்டுகளில் ஏற்பட்ட அனைத்து சிக்கல்களையும் ஒரு பெரிய களஞ்சியத்தில் வகைப்படுத்தியுள்ளேன்.

தரவுத்தளப் பிழைகளில் போதுமான இடம் இல்லை, இணைப்பு இழந்தது, அமர்வு தொங்கியது போன்றவை அடங்கும்.

அட்டவணை விசைகளை மீறுதல், செல்லுபடியாகாத பொருள்கள், பொருள்களுக்கான அணுகல் இல்லாமை போன்ற தருக்கப் பிழைகள் அடங்கும்.
திட்டமிடுபவர் சரியான நேரத்தில் தொடங்காமல் இருக்கலாம், அது உறைந்து போகலாம்.

எளிய தவறுகளை சரிசெய்ய அதிக நேரம் எடுக்காது. ஒரு நல்ல ETL அவற்றில் பெரும்பாலானவற்றை தானாகவே கையாள முடியும்.

சிக்கலான பிழைகள், தரவு மூலங்களை ஆராய்வதற்கு, தரவுகளுடன் பணிபுரிவதற்கான நடைமுறைகளைக் கண்டறிந்து சோதனை செய்வது அவசியமாகிறது. பெரும்பாலும் மாற்றம் சோதனை மற்றும் வரிசைப்படுத்தல் தேவைக்கு வழிவகுக்கும்.

எனவே, அனைத்து சிக்கல்களிலும் பாதி தரவுத்தளத்துடன் தொடர்புடையது. அனைத்து தவறுகளிலும் 48% எளிய தவறுகள்.
எல்லா சிக்கல்களிலும் மூன்றில் ஒரு பங்கு சேமிப்பக தர்க்கம் அல்லது மாதிரியை மாற்றுவது தொடர்பானது, இந்த பிழைகளில் பாதிக்கும் மேற்பட்டவை சிக்கலானவை.

மேலும் அனைத்து சிக்கல்களிலும் கால் பகுதிக்கும் குறைவானது பணி திட்டமிடலுடன் தொடர்புடையது, அவற்றில் 18% எளிய பிழைகள்.

பொதுவாக, நிகழும் அனைத்து பிழைகளில் 22% சிக்கலானது, மேலும் அவற்றின் திருத்தம் அதிக கவனமும் நேரமும் தேவைப்படுகிறது. அவை வாரத்திற்கு ஒரு முறை நடக்கும். அதேசமயம் சாதாரண தவறுகள் கிட்டத்தட்ட ஒவ்வொரு நாளும் நடக்கும்.

பிழையின் இருப்பிடம் முடிந்தவரை துல்லியமாக பதிவில் குறிப்பிடப்பட்டால் மற்றும் சிக்கலின் மூலத்தைக் கண்டறிய குறைந்தபட்ச நேரம் தேவைப்படும்போது ETL செயல்முறைகளைக் கண்காணிப்பது பயனுள்ளதாக இருக்கும் என்பது வெளிப்படையானது.

பயனுள்ள கண்காணிப்பு

ETL கண்காணிப்பு செயல்பாட்டில் நான் என்ன பார்க்க விரும்பினேன்?

தொடங்கு - அவர் வேலையைத் தொடங்கியபோது,
ஆதாரம் - தரவு ஆதாரம்,
அடுக்கு - எந்த அளவிலான சேமிப்பகம் ஏற்றப்படுகிறது,
ETL வேலை பெயர் - பதிவேற்ற செயல்முறை, இது பல சிறிய படிகளைக் கொண்டுள்ளது,
படி எண் - செய்யப்படும் படிகளின் எண்ணிக்கை,
பாதிக்கப்பட்ட வரிசைகள் - ஏற்கனவே எவ்வளவு தரவு செயலாக்கப்பட்டுள்ளது,
காலம் நொடி - எவ்வளவு நேரம் எடுக்கும்,
நிலை - எல்லாம் நன்றாக இருக்கிறதோ இல்லையோ: சரி, பிழை, ஓடுகிறது, தொங்குகிறது
செய்தி - கடைசி வெற்றிகரமான செய்தி அல்லது பிழை விளக்கம்.

உள்ளீடுகளின் நிலையின் அடிப்படையில், நீங்கள் மின்னஞ்சல் அனுப்பலாம். மற்ற உறுப்பினர்களுக்கு கடிதம். பிழைகள் இல்லை என்றால், கடிதம் தேவையில்லை.

இவ்வாறு, பிழை ஏற்பட்டால், சம்பவம் நடந்த இடம் தெளிவாகக் குறிப்பிடப்படுகிறது.

சில நேரங்களில் கண்காணிப்பு கருவி வேலை செய்யாது. இந்த வழக்கில், தரவுத்தளத்தில் நேரடியாக ஒரு பார்வையை (பார்வை) அழைக்க முடியும், அதன் அடிப்படையில் அறிக்கை கட்டப்பட்டுள்ளது.

ETL கண்காணிப்பு அட்டவணை

ETL செயல்முறைகளை கண்காணிப்பதை செயல்படுத்த, ஒரு அட்டவணை மற்றும் ஒரு பார்வை போதுமானது.

இதைச் செய்ய, நீங்கள் திரும்பலாம் உங்கள் சிறிய சேமிப்பு மற்றும் sqlite தரவுத்தளத்தில் முன்மாதிரியை உருவாக்கவும்.

DDL அட்டவணைகள்

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 ஐப் பார்க்கவும்/அறிக்கை செய்யவும்

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;

புதிய அமர்வு எண்ணைப் பெற முடியுமா என்பதை SQL சரிபார்க்கிறது

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

அட்டவணை அம்சங்கள்:

• தரவு செயலாக்க செயல்முறையின் தொடக்கமும் முடிவும் ETL_START மற்றும் ETL_END படிகளைப் பின்பற்ற வேண்டும்
• பிழை ஏற்பட்டால், ETL_ERROR படி அதன் விளக்கத்துடன் உருவாக்கப்பட வேண்டும்
• செயலாக்கப்பட்ட தரவின் அளவு சிறப்பிக்கப்பட வேண்டும், எடுத்துக்காட்டாக, நட்சத்திரக் குறியீடுகளுடன்
• அதே செயல்முறையை force_restart=y அளவுருவுடன் ஒரே நேரத்தில் தொடங்கலாம், அது இல்லாமல் அமர்வு எண் முடிக்கப்பட்ட செயல்முறைக்கு மட்டுமே வழங்கப்படும்
• சாதாரண பயன்முறையில், நீங்கள் அதே தரவு செயலாக்க செயல்முறையை இணையாக இயக்க முடியாது

அட்டவணையுடன் பணிபுரிய தேவையான செயல்பாடுகள் பின்வருமாறு:

• இயங்கும் ETL நடைமுறையின் அமர்வு எண்ணைப் பெறுதல்
• அட்டவணையில் பதிவு உள்ளீட்டைச் செருகவும்
• ETL நடைமுறையின் கடைசி வெற்றிகரமான பதிவைப் பெறுதல்

Oracle அல்லது Postgres போன்ற தரவுத்தளங்களில், இந்த செயல்பாடுகளை உள்ளமைக்கப்பட்ட செயல்பாடுகளாக செயல்படுத்தலாம். sqlite க்கு வெளிப்புற பொறிமுறை தேவைப்படுகிறது, இந்த விஷயத்தில் அது PHP இல் முன்மாதிரி.

முடிவுக்கு

இவ்வாறு, தரவு செயலாக்க கருவிகளில் பிழை செய்திகள் ஒரு மெகா-முக்கியமான பாத்திரத்தை வகிக்கின்றன. ஆனால் பிரச்சனைக்கான காரணத்தை விரைவாகக் கண்டறிய அவற்றை உகந்ததாக அழைப்பது கடினம். நடைமுறைகளின் எண்ணிக்கை நூறை நெருங்கும் போது, ​​செயல்முறை கண்காணிப்பு ஒரு சிக்கலான திட்டமாக மாறும்.

கட்டுரை ஒரு முன்மாதிரி வடிவத்தில் சிக்கலுக்கு சாத்தியமான தீர்வுக்கான உதாரணத்தை வழங்குகிறது. முழு சிறிய களஞ்சிய முன்மாதிரியும் கிட்லாப்பில் கிடைக்கிறது SQLite PHP ETL பயன்பாடுகள்.

ஆதாரம்: www.habr.com