基于无服务架构 Glue Data Quality 提升 ETL 流程中的数据质量

介绍

随着数据分析业务的发展，用户对在数据分析时，ETL 流程中的数据质量越来越关注。实际上，在数据 ETL 过程中，除了对数据量和 ETL 效率的要求以外，数据的质量也是数据分析的关键点。是保障数据分析时保证数据价值的重要前提。要保证在数据分析过程中的数据质量，客户希望能通过自动化的方式，以及适合的工具来解决。本文主要介绍如何在 AWS Glue 中实现数据质量评估。

AWS Glue 是一款无服务器数据集成服务，可以让用户轻松发现、准备、移动和集成来自多个来源的数据。可以将 AWS Glue 用于分析、机器学习和应用程序开发。

AWS Glue Data Quality 是 AWS Glue 服务中托管的一款在数据 ETL 过程中，用于监控数据质量的模块。AWS Glue Data Quality 建立在开源 DeeQu 框架之上，提供托管的无服务器体验，可帮助用户评估和监控数据质量。

Glue Data Quality 的主要功能

Serverless，无需安装，开箱即用，按实际使用的计算资源计费
快速使用，可以快速开启创建数据质量规则。
自定义数据质量规则，提供 25 个数据质量规则，可以创建适合自己业务场景的规则
数据质量评分，通过数据质量评估后，可获得数据质量评分，通过分数可以得知数据质量的健康状况
发现质量异常的数据，帮助你识别导致数据质量评分下降的数据详细记录。可以轻松的识别异常数据，并且对数据进行隔离或者修复
采用开源的数据质量规则，数据质量规则是构建在开源的 Deequ 之上，允许用户使用开放的语言来编写数据质量规则
数据质量检查，可以对 Glue Data Catalog 中的数据进行质量检查，也可以正对 ETL 管道中的数据进行数据质量检查

Glue 数据质量的关键能力

嵌入 ETL 工作流 — AWS Glue Data Quality 可以融入 Glue 中开发的 ETL 工作流，可以从 AWS Glue 的数据目录访问数据质量模块，允许管理员在在数据目录中设置数据质量规则。还可以通过 Glue Studio（可视化 ETL 工具）、Glue Studio Notebook（基于 Notebook 界面，方便开发人员创建数据集成管道）和交互式会话访问 AWS Glue Data Quality。
即用即付费，性价比高 — AWS Glue Data Quality 根据使用的计算量付费。数据质量评估的任务可以使用 Flex 执行，对于非 SLA 敏感的数据质量检查任务，可以节省 34% 的成本。另外，在 ETL 工作流中嵌入数据质量也可以帮助用户节省成本，例如在数据加载初期，发现数据质量不符合要求时，可以终止 ETL 任务，而无需将计算资源浪费在质量差的数据上。并且，如果将数据质量检车配置在 ETL 数据管道中时，只会产生增量的成本，因为数据大部分已经被读取在内存中了。
构建在开源基础之上 — AWS Glue Data Quality 采用开源的 Deequ 作为数据质量评估的规则。在亚马逊内部，已经使用它来管理超过 60PB 的数据湖的质量。Deequ 经过优化，可以最少的运行次数来进行数据质量的检查，从而提高运行效率。在 AWS Glue Quality 中编写的规则，可以运行在任何以 Deequ 为基础的环境中。

数据质量检查规则

AWS Glue Data Quality 通过分析数据内容来推荐数据质量规则，从而降低工作量，它使用数据质量定义语言（DQDL）来定义数据质量规则，DQDL 是一种特定领域的语言。Glue Data quality 通过计算数据集的统计数据，例如最小值、最大值和相关性来自动推荐数据质量规则，检查数据的新鲜度、准确性和完整性。对比手动进行数据分析和规则识别的工作，从天减少到了小时。并且可以在建议规则基础上来补充自定义的规则。以下是 AWS Glue Data Quality 支持的规则。

规则类型	举例	描述
AggregateMatch	`"avg(ratings)" "avg(reference.ratings)" >= 0.9`	通过比较总的汇总指标来检查两个数据集是否匹配。
ColumnCorrelation	`"colA" "colB" < 0.5`	检查两个列之间的相关性，使用Pearson进行相关性分析检查。
ColumnCount	`ColumnCount = 10`	检查数据集中的列的数量，主要用于检查列是否被删除。
ColumnDataType	`"col_1" = "Date"`	检查列的数据类型是否符合要求。
ColumnExists	`"colA"`	检查列是否存在。
ColumnLength	`"colA" < 10`	检查列字段的长度是否符合要求。
ColumnNamesMatchPattern	`"[a-z]*"`	通过正则表达式判断字段名称是否符合要求
ColumnValues	`"source_id" matches "[1-9]*" with threshold > 0.1`	检查指定列是的值是否符合要求。该规则支持日期、正则表达式、字符串和数值。
Completeness	`"colA" between 0.1 and 0.25`	检查指定列中是否有空值。
CustomSql	`"select count(*) from primary" between 10 and 200`	通过自定义的SQL来检查数据质量。
DataFreshness	`"col-A" > 30 hours`	通过评估当前时间和日期列值之间的差异来检查列中数据的新鲜度。
DatasetMatch	`"reference" "PrimaryJoinKey1->RefJoinKey1,PrimaryJoinKey2->RefJoinKey2" >= 0.9`	通过使用主键/复合键关联的数据集，检查主数据集中记录与参考数据集中的记录相等的百分比。判断两个数据集是否同步
DistinctValuesCount	`"colA" = 10`	检查指定列中不同值的数量
Entropy	`"colA" < 1`	检查指定列中值的熵
IsComplete	`IsComplete "colA"`	检查数据的完整性
IsPrimaryKey	`IsPrimaryKey "id"`	检查字段是否是主键（不为空，并且唯一）
IsUnique	`IsUnique "colA"`	检查列中的所有值是否都是唯一的
Mean	`Mean "colA" > 2`	检查列中所有值的均值（平均值）是否与给定表达式匹配。
ReferentialIntegrity	`"city,state" "reference.{ref_city,ref_state}" = 1.0`	检查参考数据集中是否存在主数据集中的数据。
RowCount	`RowCount > 1000`	检查数据集的记录是否满足要求。
RowCountMatch	`RowCountMatch "reference" >= 0.9`	检查主数据集的行数与参考数据集匹配的百分比。
StandardDeviation	`StandardDeviation "colA" < 1`	检查指定列中所有值的标准差。
SchemaMatch	`SchemaMatch "reference" = 1.0`	检查数据集的Schema是否与参考数据集匹配。
Sum	`Sum "colA" = 100`	检查指定列中所有值的总和是否满足要求。
Uniqueness	`UniqueValueRatio "colA" > 0.5`	检查数据集的唯一性是否与阈值匹配。
UniqueValueRatio	`Uniqueness "colA" > 0.5`	检查给定列中唯一值的比例。

使用方法

生成推荐的数据质量规则

通常，我们在做数据质量评估之前，需要为评估的数据集定义数据质量评估规则。对于大量的数据集和数据字段，需要花费非常多的精力来编写数据质量的评估规则。而在 AWS Glue Data Quality 中，可以帮助我们生成推荐的数据质量规则。它可以探查数据集，对数据列中的字段内容进行分析，对字段值进行统计分析，利用值的最小值、最大值和相关性来自动推荐数据质量规则，并且生成数据质量规则。

下面，我们来看一下如何让 Glue Data Quality 帮助我们生成质量规则。

步骤：

准备数据集 yellow_tripdata_2022-01.parquet 上传至 S3 的目录下，并且通过 Glue Crawler，获取数据集的表结构信息
打开 AWS Glue 的控制台，找到 Data Catalog 菜单，选择表，就可以看到 Data quality 的选项

选择 Create data quality rules 后，进入新的页面
点击 Recommend rules，设置执行任务的角色等配置后，点击确定。推荐规则的任务就开始运行了。任务运行的过程中，也可以查看任务的运行状态

任务状态变为 Completed 后，就可以得到推荐的质量规则

关于数据质量规则 DQDL（Data Quality Definition Lanaguage）
数据质量定义语言（DQDL）是一种特定领域的语言，AWS Glue Data Quality 用此语言来定义数据质量的规则。
例如，需要对某一个字段的完整性进行评估，可以按如下语法来定义：
```
Rules = [ 
    IsComplete "order-id"
]
```

创建静态数据的数据质量评估任务

在 Glue 控制台，选择 Data Catalog，选择需要进行数据质量扫描的表，点击进入 Data quality 页面，在页面的最下方，点击 Create data quality rules，打开创建数据质量规则页面，点击 Insert rule recommendations，就可以选择在上一步骤中生成的一些推荐的质量规则。插入在 Rules=[]中间，点击 Save ruleset。这样我们就创建了一个可用于执行的质量评估规则。
选中创建好的规则，点击 Run，开始执行数据质量评估任务。
待状态变为完成，可以查看数据质量的评估报告。可以看到数据质量的评分、状态以及详细的结果。

在 ETL 数据管道中配置数据质量评估任务

我们可以在 Glue 的 ETL 作业中嵌入数据质量评估的算子。

进入 ETL Job，打开 Glue Studio，创建一个 ETL 作业。在创建作业页面，选择 Data quality，再点击 Add data quality transform。

这样就可以在 ETL 作业中添加一个数据质量评估算子。

数据质量评估算子，有两个输出选择，数据质量算子的下游也必须通过这两个输出作为输入：
- 1. Original data：将原始数据输输出
- 2. Data quality results：将质量评估的结果输出
输出的数据集可以 Spark DataFrame 的形式关联到任何一个转换算子或者数据输出的目标算子中。可以针对经过数据质量检测规则算子之后生成的结果，做其他的数据转换和处理。

在数据质量评估算子中，可以完成字段评估规则的设置。可以直接复制之前通过静态数据已经生成的数据质量规则，也可以在这里选择其他的质量评估规则，例如：AggregateMatch 可以用于检查两个列的聚合度量值是否匹配；ColumnDataType 可以用于检查字段的类型是否符合要求；也可以使用 CustomSQL 执行自定的 SQL 来检查数据质量。
可以将评估的结果发布到 Amazon CloudWatch，利用 CloudWatch 进行告警通知。
发现质量不符合规则时，可以有三种处理方式：
- 继续执行任务（默认）
- 将数据继续加载到目标，并且标记任务失败，终止任务
- 不继续向目标端加载数据，直接标记任务失败并且终止

Glue ETL 任务运行完成后，我们可以在 Data quality 中查看数据质量检查的结果。
这里可以查看数据质量评估的评分，以及有数据质量异常的数据字段，并且可以直接下载数据质量检查的结果。

数据质量告警

数据质量评估任务发现的数据质量问题，会摄入到 CloudWatch，可以在 CloudWatch 通过 glue.data.quality.rules.passed （表示已通过的规则数量）和 glue.data.quality.rules.failed （表示失败规则的数量）来观察数据质量的情况。

数据质量评估的指标有两个维度：

库表维度：可过滤库名、表名、规则名称来查看数据质量评估指标

任务维度：可过滤任务名称来查看数据质量评估指标

创建告警

在 CloudWatch 页面，进入 All alarms 菜单，选择 Create Alarm。
点击 Select metric，找到 Glue Data Quality，选择需要告警的指标（库表维度/任务维度）。

在 Conditions 中设置需要告警的阈值。
进入通知配置页面，设置告警通知的类型。可通过 SNS，进行告警推送。

最后，点击 Create Alarm，完成告警的配置。
在 AWS Glue Data Quality 中，除了可以使用 CloudWatch 进行告警通知以外，还可以通过 Amazon EventBridge 进行告警通知。参考链接：https://docs.thinkwithwp.com/zh_cn/glue/latest/dg/data-quality-alerts.html#data-quality-alerts-eventbridge。

总结

通过 AWS Glue Data Quality，可以快速在数据 ETL 流程中配置数据质量评估任务。可以帮助数据工程师在数据管道中添加数据质量评估算子。提高 ETL 过程中的数据质量。并且 AWS Glue Data Quality 采用随用随付费的计费模式和 Glue 一样，使用 DPU 计费单元。

亚马逊AWS官方博客