చిన్న డేటా గిడ్డంగిలో ETL ప్రక్రియలను పర్యవేక్షించడం

డేటాను సంగ్రహించడం, మార్చడం మరియు రిలేషనల్ డేటాబేస్‌లుగా లోడ్ చేయడం కోసం నిత్యకృత్యాలను రూపొందించడానికి చాలా మంది వ్యక్తులు ప్రత్యేక సాధనాలను ఉపయోగిస్తారు. సాధనాల ప్రక్రియ లాగ్ చేయబడింది, లోపాలు నమోదు చేయబడ్డాయి.

లోపం సంభవించినట్లయితే, పనిని పూర్తి చేయడంలో సాధనం విఫలమైందని మరియు ఏ మాడ్యూల్స్ (తరచుగా జావా) ఎక్కడ ఆగిపోయాయనే సమాచారాన్ని లాగ్ కలిగి ఉంటుంది. చివరి పంక్తులు పట్టిక యొక్క ప్రత్యేక కీని ఉల్లంఘించడం వంటి డేటాబేస్ లోపాన్ని కలిగి ఉండవచ్చు.

ETL లోపం సమాచారం ఏ పాత్ర పోషిస్తుంది అనే ప్రశ్నకు సమాధానం ఇవ్వడానికి, నేను గత రెండు సంవత్సరాలలో సంభవించిన అన్ని సమస్యలను చాలా పెద్ద రిపోజిటరీలో వర్గీకరించాను.

డేటాబేస్ లోపాలలో ఇవి ఉన్నాయి: తగినంత స్థలం లేదు, కనెక్షన్ పోయింది, సెషన్ వేలాడదీయబడింది, మొదలైనవి.

తార్కిక ఎర్రర్‌లలో టేబుల్ కీల ఉల్లంఘనలు, చెల్లని వస్తువులు, ఆబ్జెక్ట్‌లకు యాక్సెస్ లేకపోవడం మొదలైనవి ఉంటాయి.
షెడ్యూలర్ సమయానికి ప్రారంభించబడకపోవచ్చు, స్తంభింపజేయవచ్చు, మొదలైనవి.

సాధారణ తప్పులు సరిదిద్దడానికి ఎక్కువ సమయం పట్టదు. ఒక మంచి ETL వాటిని చాలా వరకు స్వయంగా నిర్వహించగలదు.

సంక్లిష్ట లోపాలు డేటా హ్యాండ్లింగ్ విధానాలను తెరవడం మరియు తనిఖీ చేయడం మరియు డేటా మూలాలను అన్వేషించడం అవసరం. తరచుగా మార్పులను పరీక్షించడం మరియు అమలు చేయవలసిన అవసరానికి దారి తీస్తుంది.

కాబట్టి, అన్ని సమస్యలలో సగం డేటాబేస్కు సంబంధించినవి. అన్ని లోపాలలో 48% సాధారణ లోపాలు.
అన్ని సమస్యలలో మూడవ వంతు నిల్వ తర్కం లేదా మోడల్‌లో మార్పులకు సంబంధించినవి; ఈ ఎర్రర్‌లలో సగానికి పైగా సంక్లిష్టమైనవి.

మరియు అన్ని సమస్యలలో నాలుగింట ఒక వంతు కంటే తక్కువ టాస్క్ షెడ్యూలర్‌కు సంబంధించినవి, వీటిలో 18% సాధారణ లోపాలు.

మొత్తంమీద, సంభవించే అన్ని లోపాలలో 22% సంక్లిష్టమైనవి మరియు సరిచేయడానికి చాలా శ్రద్ధ మరియు సమయం అవసరం. అవి వారానికి ఒకసారి జరుగుతాయి. సాధారణ తప్పులు దాదాపు ప్రతిరోజూ జరుగుతాయి.

సహజంగానే, లాగ్‌లో లోపం యొక్క స్థానాన్ని సాధ్యమైనంత ఖచ్చితంగా సూచించినప్పుడు మరియు సమస్య యొక్క మూలాన్ని కనుగొనడానికి కనీస సమయం అవసరమైనప్పుడు ETL ప్రక్రియలను పర్యవేక్షించడం ప్రభావవంతంగా ఉంటుంది.

సమర్థవంతమైన పర్యవేక్షణ

ETL పర్యవేక్షణ ప్రక్రియలో నేను ఏమి చూడాలనుకుంటున్నాను?

ప్రారంభించండి - నేను పని చేయడం ప్రారంభించినప్పుడు,
మూలం - డేటా మూలం,
లేయర్ - ఏ నిల్వ స్థాయి లోడ్ చేయబడింది,
ETL ఉద్యోగ పేరు అనేది అనేక చిన్న దశలను కలిగి ఉండే లోడింగ్ విధానం,
దశ సంఖ్య - అమలు చేయబడిన దశల సంఖ్య,
ప్రభావిత అడ్డు వరుసలు - ఇప్పటికే ఎంత డేటా ప్రాసెస్ చేయబడింది,
వ్యవధి సెకను - అమలు చేయడానికి ఎంత సమయం పడుతుంది,
స్థితి - ప్రతిదీ బాగానే ఉన్నా లేదా కాకపోయినా: సరే, ఎర్రర్, రన్నింగ్, హ్యాంగ్స్
సందేశం — చివరి విజయవంతమైన సందేశం లేదా దోష వివరణ.

రికార్డుల స్థితి ఆధారంగా, మీరు ఇమెయిల్ పంపవచ్చు. ఇతర పాల్గొనేవారికి లేఖ. లోపాలు లేకుంటే, లేఖ అవసరం లేదు.

ఈ విధంగా, లోపం సంభవించినప్పుడు, సంఘటన యొక్క స్థానం స్పష్టంగా సూచించబడుతుంది.

కొన్నిసార్లు పర్యవేక్షణ సాధనం కూడా పనిచేయదు. ఈ సందర్భంలో, డేటాబేస్లో నేరుగా వీక్షణ (వీక్షణ) కాల్ చేయడం సాధ్యమవుతుంది, దీని ఆధారంగా నివేదిక నిర్మించబడింది.

ETL పర్యవేక్షణ పట్టిక

ETL ప్రక్రియల పర్యవేక్షణను అమలు చేయడానికి, ఒక టేబుల్ మరియు ఒక వీక్షణ సరిపోతుంది.

దీన్ని చేయడానికి మీరు తిరిగి వెళ్ళవచ్చు మీ స్వంత చిన్న నిల్వ మరియు sqlite డేటాబేస్‌లో ప్రోటోటైప్‌ను సృష్టించండి.

DDL పట్టికలు

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);

DDLని వీక్షించండి/నివేదించండి

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 కొత్త సెషన్ నంబర్‌ను పొందగల సామర్థ్యాన్ని తనిఖీ చేస్తోంది

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

పట్టిక లక్షణాలు:

• డేటా ప్రాసెసింగ్ విధానం యొక్క ప్రారంభం మరియు ముగింపు తప్పనిసరిగా ETL_START మరియు ETL_END దశలను కలిగి ఉండాలి
• లోపం సంభవించినట్లయితే, ETL_ERROR దశ దాని వివరణతో సృష్టించబడాలి
• ప్రాసెస్ చేయబడిన డేటా మొత్తాన్ని హైలైట్ చేయాలి, ఉదాహరణకు, ఆస్టరిస్క్‌లతో
• అదే విధానాన్ని force_restart=y పారామీటర్‌తో ఒకేసారి ప్రారంభించవచ్చు; అది లేకుండా, సెషన్ నంబర్ పూర్తయిన విధానానికి మాత్రమే జారీ చేయబడుతుంది.
• సాధారణ మోడ్‌లో అదే డేటా ప్రాసెసింగ్ విధానాన్ని సమాంతరంగా అమలు చేయడం అసాధ్యం

పట్టికతో పనిచేయడానికి అవసరమైన కార్యకలాపాలు క్రింది విధంగా ఉన్నాయి:

• ప్రారంభించబడుతున్న ETL విధానం యొక్క సెషన్ సంఖ్యను పొందడం
• పట్టికలో లాగ్ ఎంట్రీని చొప్పించడం
• ETL విధానం యొక్క చివరి విజయవంతమైన రికార్డును పొందడం

ఒరాకిల్ లేదా పోస్ట్‌గ్రెస్ వంటి డేటాబేస్‌లలో, ఈ కార్యకలాపాలను అంతర్నిర్మిత ఫంక్షన్‌లతో అమలు చేయవచ్చు. sqliteకి బాహ్య యంత్రాంగం అవసరం మరియు ఈ సందర్భంలో అది PHPలో ప్రోటోటైప్ చేయబడింది.

తీర్మానం

అందువల్ల, డేటా ప్రాసెసింగ్ సాధనాల్లో లోపం నివేదించడం అనేది మెగా-ముఖ్యమైన పాత్రను పోషిస్తుంది. కానీ సమస్య యొక్క కారణాన్ని త్వరగా కనుగొనడానికి వాటిని సరైనవి అని పిలవలేము. విధానాల సంఖ్య వందకు చేరుకున్నప్పుడు, ప్రక్రియ పర్యవేక్షణ సంక్లిష్టమైన ప్రాజెక్ట్‌గా మారుతుంది.

కథనం ప్రోటోటైప్ రూపంలో సమస్యకు సాధ్యమయ్యే పరిష్కారానికి ఉదాహరణను అందిస్తుంది. చిన్న రిపోజిటరీ యొక్క మొత్తం నమూనా gitlabలో అందుబాటులో ఉంది SQLite PHP ETL యుటిలిటీస్.

మూలం: www.habr.com