大数据项目之电商数仓（质量监控SH HQL）

VIP专享

5.0 海阔天空 2024-02-27 206 2.53MB 17 页免费

侵权投诉

 

—————————————————————————————

大数据技术之数据质量管理

版本：V1.0

第1章数据质量

1.1 概述

数据质量的高低代表了该数据满足数据消费者期望的程度，这种程度基于

他们对数据的使用预期，只有达到数据的使用预期才能给予管理层正确的决策

参考。数据质量管理作为数据仓库的一个重要模块，主要可以分为数据的健康

标准量化、监控和保障。

1.2. 数据质量标准分类

① 数据完整性: 数据不存在大量的缺失值、不缺少某一日期/部门/地点等

部分维度的数据，同时在 ETL 过程当中应保证数据的完整不丢失。验证数据时

总数应符合正常规律时间推移，记录数总数的增长符合正常的趋势。

② 数据一致性: 数仓各层的数据，应与上一层保持数据一致，最终经过数

据清洗转化（ETL）的宽表/指标能和数据源保持一致。

③ 数据不重复性：一个数据集当中同一条数据记录不能出现多次，数据不

能大量重复冗余，保证数据的唯一性。

1.3 数据质量管理解决方案

本文通过 Shell 命令和 Hive 脚本的方式，通过验证增量数据的记录数、全

表空值记录数、全表记录数、全表重复值记录数是否在合理的范围之内，以及

验证数据来源表和目标表一致性，确定当日的数据是否符合健康标准，达到数

据质量的监控与管理。

第2章 ODS 层数据校验

2.1 数据校验通用脚本

通过 shell 脚本调用 hive，检验当日分区增加的记录数量和全表记录数量是否在合理的

范围之内，同时检验关键字段为空的记录的记录数量以及重复值的数量。

1）创建数据检查脚本文件夹，用于存放数据校验 shell 脚本

 

—————————————————————————————

[atguigu@hadoop102 module]$ mkdir -p data_check/sh

[atguigu@ hadoop102 sh]$ pwd

/opt/module/data_check/sh

）在  中创建表数据质量校验记录表，记录数据校验的各个指标：

[atguigu@atguigu data_check]$ hive

创建数据库，用于存放数据质量校验的结果数据：

hive (default)> create database datacheck;

创建数据表，用于存放 ods 层的数据检验结果：

hive (datacheck)> create table

datacheck.table_count_add_standard(

data_date string comment '数据时间分区 dt',

database_name string comment '库名',

table_name string comment '表名',

table_type string comment '表类型（全量/增量）',

add_count bigint comment '当日增量数据的记录数',

null_count bigint comment '表空值记录数',

duplicate_count bigint comment '表重复值记录数',

total_count bigint comment '全表记录数'

);

hive (datacheck)>quit;

）在路径 下创建数据检验增量表通用  脚本

[atguigu@hadoop102 sh]$ vim increment_data_check_public.sh

在脚本中编写如下内容：

#!/bin/bash

# 增量数据所在的日期分区

do_date=$1

# 校验数据的表名

table_name=$2

# 需要校验空值的列名，以逗号’,’隔开

null_column=$3

# 初始化 SQL 查询语句

null_where_sql_str=''

# 将空值检验字符串切成列名数组

array=(${null_column//,/ })

# 遍历数组，拼接空值查询条件

for(( i=0;i<${#array[@]};i++)) do

if [ $i -eq 0 ];then

null_where_sql_str=" where ${array[i]} is null "

else

null_where_sql_str="$null_where_sql_str or ${array[i]}

is null "

done;

echo "------------------检验增量记录数--------------------"

# 执行当日增量数据记录数量 SQL 查询语句

add_count_query_result=`hive -e "select count(*) from gmall.

$table_name where dt='$do_date'"`

# 取出当日增量数据记录数量

add_count=${add_count_query_result:3}

echo "------------------检验全表记录数--------------------"

 

—————————————————————————————

# 执行当日全表数据记录数量 SQL 查询语句

total_count_query_result=`hive -e "select count(*) from gmall.

$table_name"`

# 取出当日全量数据记录数量

total_count=${total_count_query_result:3}

echo "------------------检验空值记录数--------------------"

# 执行全表空值数据记录数量 SQL 查询语句

table_null_query_result=`hive -e "select count(*) from gmall.

$table_name $null_where_sql_str"`

# 取出全表空值数据记录数量

null_count=${table_null_query_result:3}

echo "------------------检验重复值记录数--------------------"

# 执行全表重复值的记录数量 SQL 查询语句

table_duplicate_query_result=`hive -e "select

sum(tmp.duplicate_count) as duplicate_sum from (select

count(*) as duplicate_count from gmall.$table_name group by

$null_column having count(*)>1) as tmp"`

# 取出全表重复值数据记录数量

duplicate_count=${table_duplicate_query_result:3}

echo "------------------开始插入数据--------------------"

# 将所有数据检验结果插入到表中

hive -e "insert into datacheck.table_count_add_standard

values('$do_date','gmall','$table_name','increment_table',

'$add_count', '$null_count', '$duplicate_count',

'$total_count')"

脚本参数注释：

第一个参数：传入时间分区参数( dt )

第二个参数：需要进行数据校验的表名( table_name )

第三个参数：需要判断是否为空值或重复值的字段名称用逗号‘ ，’隔开，例如：

col1,col2,col3

给脚本 赋权限：

[atguigu@hadoop102 sh]$ chmod 777

increment_data_check_public.sh

脚本执行示例：

[atguigu@hadoop102 sh]$

./increment_data_check_public.sh 2020-06-14 ods_activity_rule

id,activity_id

）在路径 下创建数据检验全量表通用  脚本

[atguigu@hadoop102 sh]$ vim total_data_check_public.sh

在脚本中编写如下内容：

#!/bin/bash

# 增量数据所在的日期分区

do_date=$1

# 校验数据的表名

table_name=$2

# 需要校验空值的列名，以逗号’,’隔开

null_column=$3

文档加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载文档到电脑，查找使用更方便

立即下载

摘要：

—————————————————————————————大数据技术之数据质量管理版本：V1.0第1章数据质量1.1概述数据质量的高低代表了该数据满足数据消费者期望的程度，这种程度基于他们对数据的使用预期，只有达到数据的使用预期才能给予管理层正确的决策参考。数据质量管理作为数据仓库的一个重要模块，主要可以分为数据的健康标准量化、监控和保障。1.2.数据质量标准分类①数据完整性:数据不存在大量的缺失值、不缺少某一日期/部门/地点等部分维度的数据，同时在ETL过程当中应保证数据的完整不丢失。验证数据时总数应符合正常规律时间推移，记录数总数的增长符合正常的趋势。②...

展开>> 收起<<

大数据项目之电商数仓（质量监控SH HQL）.docx

共17页,预览6页

还剩页未读，继续阅读

声明：菜根智库所有资料均为用户上传分享，仅供参考学习使用，版权归原作者所有。若侵犯到您的权益，请告知我们处理！任何个人或组织，在未征得本平台同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。

大数据项目之电商数仓（质量监控SH HQL）

相关推荐

开通VIP享超值会员特权

作者详情

相关内容

热门标签

举报选择: