数据工程实战课程 · 实战项目阶段
构建实时系统监控平台,支持指标采集、异常检测、告警通知和可视化大屏。
# 实时监控引擎
import time, random
from datetime import datetime, timedelta
from collections import defaultdict
class MetricCollector:
def __init__(self): self.metrics = defaultdict(list)
def collect(self, name, value, timestamp=None):
self.metrics[name].append({'value':value,'ts':timestamp or datetime.now()})
def get_series(self, name, window_sec=300):
cutoff = datetime.now() - timedelta(seconds=window_sec)
return [(m['ts'],m['value']) for m in self.metrics[name] if m['ts'] > cutoff]
class AnomalyDetector:
def __init__(self, window_size=30, threshold=3):
self.window_size = window_size; self.threshold = threshold; self.history = []
def check(self, value):
self.history.append(value)
if len(self.history) < self.window_size: return False, 0
window = self.history[-self.window_size:]
mean = sum(window)/len(window)
std = (sum((v-mean)**2 for v in window)/len(window))**0.5
if std == 0: return False, 0
zscore = abs((value-mean)/std)
return zscore > self.threshold, round(zscore,2)
class AlertManager:
def __init__(self): self.alerts = []; self.suppress = defaultdict(int)
def fire(self, name, level, message):
key = f"{name}_{level}"
if self.suppress[key] > 0: self.suppress[key] -= 1; return
alert = {'name':name,'level':level,'message':message,'time':datetime.now().isoformat()}
self.alerts.append(alert)
print(f" 🚨 [{level}] {name}: {message}")
self.suppress[key] = 5 # suppress next 5
# 运行监控
collector = MetricCollector()
detector = AnomalyDetector(window_size=20, threshold=2.5)
alerter = AlertManager()
print("实时监控引擎:")
for i in range(100):
cpu = 30 + random.gauss(0, 10) + (100 if i == 50 else 0) # spike at 50
cpu = max(0, min(100, cpu))
collector.collect('cpu_percent', cpu)
is_anomaly, zscore = detector.check(cpu)
if is_anomaly:
alerter.fire('cpu_high', 'CRITICAL' if cpu > 90 else 'WARNING', f'CPU={cpu:.1f}% (z={zscore})')
series = collector.get_series('cpu_percent', 600)
print(f"\n指标统计:")
print(f" CPU数据点: {len(series)}")
print(f" 告警数: {len(alerter.alerts)}")
print("✅ 验证通过 - 实时监控引擎运行正常")
🎁 下一课预告:推荐数据管道!
| 阶段 | 目标 | 关键能力 | 周期 |
|---|---|---|---|
| MVP | 基础数据流转 | ETL+数仓+报表 | 1-3月 |
| 成长期 | 数据自助 | 自助分析+流处理+治理 | 3-6月 |
| 成熟期 | 数据驱动 | 实时+ML+数据产品 | 6-12月 |
| 领先期 | 数据创新 | AI+自动化+货币化 | 12月+ |
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 |
选择技术方案时,需要从多个维度综合评估,避免仅凭流行度或个人偏好决策:
| 评估维度 | 权重 | 评估要点 |
|---|---|---|
| 业务适配度 | 30% | 是否满足功能需求?延迟/吞吐是否达标? |
| 团队能力 | 25% | 团队是否有经验?学习曲线如何? |
| 社区生态 | 20% | 社区活跃度?文档质量?第三方集成? |
| 运维成本 | 15% | 部署复杂度?监控能力?故障恢复? |
| 成本效益 | 10% | License费用?资源消耗?扩展成本? |
数据量级? ├── <1GB/天 → SQLite/PostgreSQL + Python脚本 ├── 1-100GB/天 → 数据仓库(Snowflake/BQ) + dbt ├── 100GB-1TB/天 → Spark + 数据湖 └── >1TB/天 → Spark/Flink + 湖仓一体 延迟要求? ├── T+1 → 批处理(Spark) + Airflow ├── 小时级 → 微批(Spark Streaming) + Airflow ├── 分钟级 → 流处理(Flink) + Kafka └── 秒级 → 纯流(Flink) + Kafka + 缓存 数据类型? ├── 纯结构化 → 数据仓库 ├── 结构化+半结构化 → 湖仓一体 └── 全类型 → 数据湖 + 元数据管理