导读 本文将分享在电商场景中如何建设数据血缘。
主要内容包括以下几个部分：1. 数据全链路血缘介绍
2. 如何建设血缘底座
3. 电商场景的血缘应用实践
4. 总结与展望
分享嘉宾｜曹路阳 火山引擎DataLeap研发工程师
编辑整理｜王跃辉
内容校对｜李瑶
出品社区｜DataFun
数据全链路血缘介绍
在电商场景中，我们建设数据全链路血缘的核心目的，是对数据从源头到终端全过程进行追踪和管理。
以零售行业举例，数据包括商品数据、物流信息、用户反馈等，其全流程包括：- 最后透传到数据应用，比如接口、页面、报表、指标等。
首先，随着业务的快速发展，数据不断膨胀。数据量增大，但数据产生的实际价值在哪里？数据血缘则可以帮助我们更好评估数据价值，并在满足业务需求的同时，控制存储计算资源的膨胀速度。与此同时，数据血缘还能够衡量数仓建设的优劣，并且做好数仓体系化建设。第二，如何做好数仓变更监控？在数仓的日常开发过程中，我们经常会遇到上下游变更，变更后希望能及时、准确地衡量数据变更的影响。由于数据来源变更丰富，需要通过数据血缘将数据变更及时通知下游关联方。第三，数仓研发提效。我们希望通过数据血缘及时完成表重构，理清字段的来源以及加工口径，并且进行任务精准回溯。最后，通过数据血缘助力指标体系化建设，保证指标一致性，避免重复开发。在指标体系化建设中，数据血缘可以帮助将新增的指标绑定到已有的指标上。针对数据膨胀的问题，数据血缘可以明确数据流转路径，优化资源配置。血缘关系可以精确衡量数仓对业务的价值，实现数据治理，控制资源膨胀，并且能够精准地完成影响面评估。2. 帮助数仓开发提效
随着业务发展，我们经常面临模型重构的问题，比如一些旧表要切换到新表。数据血缘分析可以帮助我们快速定位模型重构的切入点，提升数据处理的效率。基于算子级的血缘关系，数据血缘可以实现任务的精准回溯优化，减少数据修复流程时间，减少错误传播。3. 保障数据一致性
在数据一致性方面，通过全链路血缘等手段，我们实现了指标从定义到生产消费的完整自动化流程，提升了指标的管理效率，减少了人为失误。通过血缘分析加解析能力，我们能识别出重复加工的字段，优化数据流程，从而减少不必要的资源消耗。如何构建数据血缘底座
血缘底座是全链路数据血缘的基石。接下来，我将从整体架构、质量评估体系和应用层血缘三个方面来介绍血缘底座的建设。1. 整体架构
如上图所示，关系图谱中有一些关键特点，如点、边、节点存储和边存储等。- 点（Node）：代表各种类型的节点，如指标、任务等
- 边（Edge）：表示节点之间的血缘关系，如数据流向、任务依赖等
- 边存储：节点间的血缘关系通过边来表示，边包含方向和类型信息
一般数仓加工链路会进行分层，如 ODS 贴源层、DWD 明细层、DWS 汇总层等，最终透传到数据产品的前端页面。如果用传统的离线数仓来实现以上架构，且有明确关系的表模型，是非常困难的。最终，我们选择了字节自研图数据库来实现血缘数据的底层存储。2. 血缘质量度量体系
血缘质量是整个全链路血缘从应用到实践的最核心评测标准。举个例子，如果某个业务要基于字段级的血缘回溯下游，但是由于血缘质量不达标，预期要回溯 10 个任务，最终查出来 11 个或者 9 个，出现一定误差。在电商场景中，我们搭建了一套完整的血缘质量度量体系，从血缘解析的准确率、成功率、覆盖率、查询能力等维度来度量血缘的数据质量，评估血缘质量的健康程度，并且定期自动化检验血缘数据与实际数据流向的一致性。我们通过定期巡检机制发现 bad case，并随之更新、迭代对应的血缘模块。3. 应用层血缘
对于数据链路血缘来说，我们针对异构数据源的 SQL 进行解析，在数据平台上维护了很多丰富的元数据，可以更好解析数仓之间的链路关系。但是对于应用层则不同，在电商场景中，我们维护了很多数据应用，如果逐一推进应用接入全链路血缘能力，成本很高。数据流转是从产品页面经过 HTTP 或者 thrift 接口请求后端服务，经过数据服务层打到数仓底表。右图将该过程划分层级，通过低代码平台搭建前端页面、业务产品页面、数据产品页面，再通过接口的形式请求后端服务，最终映射到在 one service 上，形成对应的 API，其底层就是刚才提到的数仓链路的血缘。
为了解决业务应用接入成本高的问题，我们实现了网关层自动参数上报，通过日志平台以及网关平台、服务平台间的合作，在前端请求接口时会自动上报 URL refer 参数，再通过日志采集系统把所有前端请求的日志采集下来，经过清洗，最终实现应用程序血缘的数据采集。但在整个过程中，我们会遇到爬虫乱传参数、不传参数等问题，对血缘质量造成污染。为了解决该问题，我们通过脚本对域内的爬虫进行补全。通过自定义爬虫脚本，对全域的前端接口进行抓包，替换外部污染的数据。电商场景的血缘应用实践
接下来重点介绍一下血缘应用在电商场景的实践，包含新旧表切换、字段口径探查、指标自动化拆解三个部分。1. 新旧表切换
开发人员使用 IDE 修改一个方法时，会改方法名、方法的入参以及方法的出参，IDE 则提供代码级的替换能力。而对于数仓研发人员来说，没有类似的能力可以做切换的操作。一般在重构中，数仓研发人员拿到要切换的表，通过人工查询，获取切换旧表影响的任务，进而手动拉群，做切换表的通知，下游的接收人收到消息后，更改任务代码，并进行数据比对，如果发现有问题需要再与上游进行沟通，如果没有问题则上线代码。
基于一站式新旧表切换功能，上述人工操作可以由平台自动完成，大幅降低了切换的工作量，提高了工作效率和质量。通过平台能力，数仓研发人员只需要在系统中录入旧表信息，以及新旧表的映射关系，就可以自动生成切换后的代码。在生成代码、跑数之后，平台还支持与旧表的历史数据进行比对。对比结果无误的情况下，下游无需做任何调整。除此之外，平台还提供了批量切换的能力，可以同时进行多张表的切换。对于下游切换者来说，原本由于切换收益不大，导致操作意愿不强。但现在通过平台提供的切换收益量化的能力，如 SLA 和稳定性提升，提升下游切换意愿。
下面介绍技术实现。用户输入需要切换的旧表之后，平台通过旧表的产出任务进行解析，获取语法树文件，并基于语法树文件做裁剪、替换。基于用户输入的新旧表映射关系生成切换后的 SQL，再提交到比对平台，最终完成整体比对。在这一过程中，用户不希望原生代码遭到太多破坏，如注释被溶解，或对一些写法造成影响。针对这种情况，我们会在 SQL 解析前把注释的关键信息保留下来，拿到比对完成的 SQL 之后再做补全，最终把原始任务的 SQL 尽可能相似地提供出来。2. 字段口径探查
作为一名数仓研发人员或 BI 分析师，经常需要阅读其他人代码，如果代码复杂度高，对读码的专业性要求会比较高。为解决这个问题，平台提供可视化页面辅助转译。
如上图中的例子，将一段 SQL 转译成图的形式，可以更好帮助不写代码的角色更好理解这段 SQL。在大多数使用场景中，用户只想看到某个字段，或者某几个字段在任务中的加工逻辑。平台能力实现了在任务中裁剪出所需字段加工逻辑的能力，最终裁剪掉超 90% 的无关代码。原本需要从 100 行代码中提取出来某个字段的加工口径，现在借助平台能力，只需要阅读几行代码就可以完成需求。
此外，我们希望将整个数仓链路中分层维护的 SQL 进行溶解。一个传统数仓链路有 ODS 层、DWD 层、DWM 层、APP 层等等，每层都会维护一段 SQL。用户需要梳理 APP 层的 SQL 里面的某个字段从 ODS 层哪里来的，过程比较复杂。基于平台的能力，我们把 4 个任务的 SQL 先展开成一段大 SQL，再进行内敛，最终变成从 ODS 层溯源到 APP 层的字段。平台内敛之后进行裁剪。代码的展开和收敛，是通过自研的一套语义解析引擎实现，该引擎已经申请了专利。- 第一步，对 SQL 算子进行优化，平台功能必须对算子级别 SQL 进行裁剪；
- 第二步，语法糖溶解，一段 SQL 要不断内敛，基于血缘关系找到上游表，放到替换掉这个实际的物理表名称中，在这个过程中，就会涉及到很多语法糖的溶解，在传统离线数仓里命名很多临时表，平台会进行完整的语法糖溶解；
- 第三步，基于此加上算子重写，获取关系代数，最终 unparsed 成一段 SQL 返回给用户。
3. 指标自动化拆解
左图是传统数据指标体系化建设架构，包含配置信息、原子指标、度量、时间周期、修饰词等。每个指标种类不一样，衍生指标来源于原子指标，复合指标来源于衍生指标。指标体系化建设的核心目的就是保证指标的一致性，避免指标重复建设。在电商场景中，我们早期推进指标体系化建设有一个核心的步骤——指标拆解，即把字段关联到录入好的配置信息里面。如果发现绑定已有的衍生指标，则避免了重复建设的工作。在该过程中，通过进行用户调研，我们发现，在做拆解的过程中，用户有几个核心环节，如通过字段口径了解字段真实的来源链路，同时还要看字段整体的加工逻辑，再人工用该 SQL 做拆解工作。最后，用户在指标平台里面维护好元信息。应用层的指标开发完成之后，再去评审最终拆解结果的质量。
第一，工程能力。工程能力底层是字段口径探查的能力，将应用层的指标透传到明细数据层表，同时平台进行单指标粒度的裁剪，裁剪完成之后拿到字段应该绑定的 DWD 表，最终内敛到 DWD 表的极简 SQL，过程中不需要人为查询代码完成逻辑梳理。第二，底层数据能力。关键是必须维护好高质量的元数据。在电商场景中，我们维护了万级别的指标关系，在指标关系中再维护类似于业务过程度量的 SQL 逻辑，如 where 条件。第三，大模型的能力。基于大模型能力，我们结合裁剪之后的 SQL、待选 SQL 完成召回。裁剪之后的 SQL，基于元数据及大模型能力，与规则方法论进行匹配，最终把标的元素判断出来。也就是说，研发人员只需要输入新开发的表，就可以知道该表是否存在重复开发的问题。判断过程：根据拆解过程找到对应 SQL，原子指标、修饰词、时间周期三个元素生成衍生指标，该衍生指标如果存在，就是存在重复开发，如果不存在，则可以在系统里绑定，供给数据应用使用。总结与展望
数据血缘底座是提升数据管理效率和数据质量的关键。我们希望能不断提升全链路数据血缘的能力，在上文提到的新旧表切换、数仓价值评估、指标拆解等场景中，更好结合大模型等能力优化功能和用户体验，为业务提供更多价值。
分享嘉宾
INTRODUCTION
曹路阳
火山引擎DataLeap研发工程师
电子科技大学硕士，抖音电商数据 BP 血缘项目负责人。