数仓字段血缘解析实现—hive版

热文推荐：重磅 | Hadoop的第二个十年

【本文大纲】

1、字段血缘分析的意义
2、实现方案选择
3、实现过程
4、总结与升华

字段血缘分析的意义

数仓经常会碰到的两类问题：

1、两个数据报表进行对比，结果差异很大，需要人工核对分析指标的维度信息，比如从头分析数据指标从哪里来，处理条件是什么，最后才能分析出问题原因       ——数据回溯问题

2、基础数据表因某种原因需要修改字段，需要评估其对数仓的影响，费时费力，然后在做方案        —— 影响分析问题

这两类问题都属于数据血缘分析问题，数据血缘分析还有其它的积极意义，比如：

• 问题定位分析

  类似于影响分析，当程序运行出错时，可以方便找到问题的节点，并判断出问题的原因以及后续的影响

• 指标波动分析

  当某个指标出现较大的波动时，可进行溯源分析，判断是由哪条数据发生变化所导致的

• 数据体检

  判定系统和数据的健康情况，是否存在大量的冗余数据、无效数据、无来源数据、重复计算、系统资源浪费等问题

• 数据评估

  通过血缘分析和元数据，可以从数据的集中度、分布、冗余度、数据热度、重要性等多角度进行评估分析，从而初步判断数据的价值

实现方案选择

经过调研，目前业界有一些优秀的框架，比如druid ，内部已经实现了大部分的解析功能，可以用来解析sql，但是它的缺点是支持mysql天衣无缝，但对hive sql却是有心无力，不能照顾到所有的语法，会导致有一部分sql不能很好的解析。

也有一些同学选择自己解析asttree来实现，但sql的语法千变万化，自己去解析难度还是很大的，尤其是一旦hive版本升级了，就得去关注新版本又更新了哪些语法，然后自己的代码也得跟进，很辛苦呀~~

我的想法是：利用hive内部解析的方法来解析sql，这样，凡是能在hive中执行的sql，都能够全面解析到字段依赖。

这个方法就要求我们 要对hive的解析过程非常了解，没关系呀，这个我完全擅长，通过对hive编译模块源码的透析，早已熟悉了各个模块在哪个数据结构里，掘地三尺，也是能把这些给挖出来的。

这个方法的主要难点就是该从什么地方切入呢，毕竟源码相关的，都是hive内部的结构，最好不要对源码做侵入性的修改。

在看源码时，发现hive 有个很牛逼的彩蛋：hive hooks 。hive hooks绑定了hive内部的工作机制，提供了使用hive扩展和集成外部功能的能力，可用于在查询处理的各个步骤中注入一些代码，而无需重新编译hive。

接下来就看该在哪个阶段注入代码了，根据钩子的类型，它可以在查询处理期间的不同点调用：

• Pre-semantic-analyzer hooks：在Hive在查询字符串上运行语义分析器之前调用。

• Post-semantic-analyzer hooks：在Hive在查询字符串上运行语义分析器之后调用。

• Pre-driver-run hooks：在driver执行查询之前调用。

• Post-driver-run hooks：在driver执行查询之后调用。

• Pre-execution hooks：在执行引擎执行查询之前调用。

• Post-execution hooks：在查询执行完成之后以及将结果返回给用户之前调用。

• Failure-execution hooks：当查询执行失败时调用。

实现过程

整个实现过程比较简单，是因为发现hive的api案例中已经实现了类似的功能，我们要做的就是把这个稍做改造。

代码

研究hive hooks 的api时，发现hive已经实现了一个血缘关系的hook：

只是这个hook 是把相关的依赖写在了 log里：

下面，我们需要做一些设计，比如设计一张mysql表t_table_column_dependency来存放字段依赖的关系：

如上，要有依赖关系的创建时间和更新时间，方便及时清理已经过期的依赖

部分写入代码如下 ：

部署

添加参数

vim $HIVE_HOME/conf/hive-site.xml

创建auxlib

cd $HIVE_HOME/
mkdir auxlib ## 这个目录主要存放用户自定义jar包，将编译好的jar上传至该目录

这样部署就完成了，执行hive sql会自动调用该方法，将依赖关系写入数据库，前端页面从数据库中读取信息展示

效果

测试案例：

--创建三张表
CREATE TABLE IF NOT EXISTS EXPOSURE (
session_id string COMMENT 'session_id',
kv map<string,string>
)
PARTITIONED BY (
day string
);
create table tmp_test_a (s1 string, s2 int);
create table tmp_test_b (s1 string, s2 int);

--insert语句
insert into table tmp_test_a
select
tmp.ss,
tmpb.s2
from
(
select session_id,kv['CC'] as ss from EXPOSURE where day=20190101
) tmp left join tmp_test_b tmpb on tmp.session_id=tmpb.s1

结果：

总结

利用hive hooks有以下优点：

1、sql执行完后自动更新依赖关系

2、写入依赖关系模块的执行状态不会影响线上的任务，即如果依赖关系由于一些原因写入失败，不会影响线上任务的正常运行。

推荐阅读

实战系列 | PySpark工作原理coding实战

数仓社区

如有收获，请划至底部，点击“在看”，谢谢！

资源下载

关注公众号：数据仓库与Python大数据 回复关键字获取哦

06，数仓最经典书籍

07,  python基础入门

中台，中台 PPT

体系，OneData体系PPT

实时数仓，FFA 实时数仓视频回顾

Kettle，Kettle视频

Kylin，Kylin视频

Flink，Flink资料

Python，零基础学Python教程视频

加群，添加iom1128 备注：数据，拉你入群（数据、python、资源）

关注 社区，获取更多技术干货你也「在看」吗？👇