数据工程实战课程 · 编排与治理阶段
数据血缘追踪数据的来源、转换和流向,支持影响分析、合规审计和根因定位。
# 数据血缘追踪引擎
import re, json
from datetime import datetime
from collections import defaultdict
class LineageGraph:
def __init__(self): self.nodes = {}; self.edges = []
def add_node(self, name, node_type='table', metadata=None):
self.nodes[name] = {'type':node_type,'metadata':metadata or {},'created':datetime.now().isoformat()}
def add_edge(self, source, target, transform=''):
self.edges.append({'source':source,'target':target,'transform':transform})
def upstream(self, node, depth=5):
visited = set(); result = []
def traverse(n, d):
if d > depth or n in visited: return
visited.add(n)
for e in self.edges:
if e['target'] == n:
result.append({'node':e['source'],'depth':d,'transform':e['transform']})
traverse(e['source'], d+1)
traverse(node, 1)
return result
def downstream(self, node, depth=5):
visited = set(); result = []
def traverse(n, d):
if d > depth or n in visited: return
visited.add(n)
for e in self.edges:
if e['source'] == n:
result.append({'node':e['target'],'depth':d,'transform':e['transform']})
traverse(e['target'], d+1)
traverse(node, 1)
return result
def impact_analysis(self, node):
ds = self.downstream(node)
return {'source':node,'affected_nodes':len(set(r['node'] for r in ds)),'affected':sorted(set(r['node'] for r in ds))}
def root_cause(self, node):
us = self.upstream(node)
return {'target':node,'root_sources':sorted(set(r['node'] for r in us if r['depth']==max(x['depth'] for x in us) if us else 0))}
class SQLLineageParser:
def parse(self, sql):
sql_lower = sql.lower().strip()
sources = []; targets = []
if sql_lower.startswith('create table') or sql_lower.startswith('create view'):
parts = re.split(r'\s+as\s+', sql_lower, maxsplit=1)
if len(parts) >= 2:
target_match = re.search(r'(?:table|view)\s+(\w+\.?\w*)', parts[0])
if target_match: targets.append(target_match.group(1))
from_match = re.findall(r'from\s+(\w+\.?\w*)', parts[1])
join_match = re.findall(r'join\s+(\w+\.?\w*)', parts[1])
sources = from_match + join_match
return {'sources':sources,'targets':targets}
# 构建血缘图
graph = LineageGraph()
for node in ['mysql.orders','api.products','raw_orders','raw_products',
'stg_orders','stg_products','int_order_items',
'fct_sales','dim_product','ads_daily_report','ads_product_rank']:
graph.add_node(node)
graph.add_edge('mysql.orders','raw_orders','CDC同步')
graph.add_edge('api.products','raw_products','API拉取')
graph.add_edge('raw_orders','stg_orders','清洗标准化')
graph.add_edge('raw_products','stg_products','清洗标准化')
graph.add_edge('stg_orders','int_order_items','关联+衍生')
graph.add_edge('stg_products','int_order_items','Join')
graph.add_edge('int_order_items','fct_sales','聚合')
graph.add_edge('stg_products','dim_product','维度加工')
graph.add_edge('fct_sales','ads_daily_report','汇总')
graph.add_edge('dim_product','ads_product_rank','排名')
graph.add_edge('fct_sales','ads_product_rank','聚合')
# 血缘查询
print("数据血缘引擎:")
print(f"\n上游(ads_daily_report):")
for item in graph.upstream('ads_daily_report'):
print(f" {' '*item['depth']}← {item['node']} ({item['transform']})")
print(f"\n下游(mysql.orders):")
for item in graph.downstream('mysql.orders'):
print(f" {' '*item['depth']}→ {item['node']} ({item['transform']})")
print(f"\n影响分析(raw_orders): {graph.impact_analysis('raw_orders')}")
# SQL血缘解析
parser = SQLLineageParser()
sql = "CREATE TABLE fct_sales AS SELECT o.id, o.amount FROM stg_orders o JOIN stg_products p ON o.product_id = p.id"
result = parser.parse(sql)
print(f"\nSQL解析: {result}")
print("✅ 验证通过 - 血缘追踪引擎运行正常")
🎁 下一课预告:实战项目!
| 级别 | 特征 | 编排方式 | 治理水平 |
|---|---|---|---|
| L1 | cron+脚本 | 无统一调度 | 无治理 |
| L2 | Airflow/Dbt | DAG编排 | 基本质量检查 |
| L3 | 编排+治理一体 | 自动依赖发现 | 数据目录+血缘 |
| L4 | AI辅助编排 | 自适应调度 | 主动质量治理 |
在生产环境中,我们经常遇到教科书不会告诉你的问题。以下是常见的实战经验和解决方案:
| 指标 | 告警阈值 | 监控方式 |
|---|---|---|
| 管道延迟 | 超过SLA 120% | 端到端时间戳追踪 |
| 数据量偏差 | 日均偏差超过30% | 与历史同期对比 |
| 错误率 | 超过0.1% | 错误计数/总记录数 |
| 数据新鲜度 | 超过SLA 150% | 最新数据时间戳 |
| 资源利用率 | CPU持续>80% | 系统监控 |
A: 根据业务延迟要求决定:秒级用流处理、分钟级用微批、小时级用批处理。大部分场景批处理足够,流处理用于实时业务场景(风控、监控、推荐)。
A: 不会完全取代,但边界在模糊。湖仓一体(如Iceberg/Delta Lake)正在融合两者优势。未来趋势是统一存储+多引擎计算。
A: 先用云原生服务(BigQuery/Snowflake + Fivetran + dbt + Looker),验证业务后再考虑自建。过早优化是万恶之源。
A: 用钱说话:数据质量问题的直接经济损失(错误决策、合规罚款、重复劳动)远大于治理投入。量化问题是第一步。
| 角色 | 职责 | 交付物 |
|---|---|---|
| 数据工程师 | 管道开发与维护 | 数据管道、基础设施 |
| 数据分析师 | 数据分析与报表 | SQL查询、BI报表 |
| 数据科学家 | 模型与实验 | ML模型、实验报告 |
| 数据产品经理 | 需求与优先级 | PRD、数据产品规划 |
| 数据管家 | 数据质量与治理 | 质量规则、数据字典 |