jjzjj

validation - 使用 Kafka 和 Hadoop 进行数据摄取——如何避免质量检查失败导致的数据重复？

coder 2024-01-09 原文

这是一个简化的场景:

N 个业务流程需要来自同一来源的相同原始数据。 数据使用 Kafka(正常的 Kafka 管道)提取并登陆 HDFS，在 HDFS 中，每个流的原始数据都会触发自动质量检查流。 所有 N 个流可能具有不同的数据质量标准。例如，他们可能需要在将原始数据转换为所需模式时将不同格式的日期和时间应用于原始数据。

处理未能满足业务流程质量测试的 KPI 的最佳方法是什么？

选项是:

  1. 全部失败 - 通知源数据提供者并等待修复 数据。然后重新摄取并运行所有 N 组质量检查。
  2. 创建一个分支——意味着 N 个业务流中的 K 个没有通过 质量检查将等待他们的固定数据集，而 通过的 N-K 将适用于当前数据集。
  3. 标记未通过某些业务流程质量检查的条目，并将它们放入特殊的队列中以供手动处理/修复。对不良条目的数量应用一些规则和阈值(就需要通过此队列并分析和修复有问题的条目的团队的能力的认识而言)

以上哪种方法(如果有的话)最明智？当许多具有不同质量标准的消费者使用相同的数据时，是否有任何模式或最佳实践来处理这种情况？理想情况下，我会避免复制相同的数据，这意味着为每个消费者重新摄取固定数据集(N - 不是最坏的情况，因为对 N 个中的一个进行修复可能会导致其他人出现问题，而这些问题事先是可以的。所以，从理论上讲，这个过程可能是无止境的)。

最佳答案

我们

  1. 在 hbase 中提取数据
  2. 切勿删除数据，但重复项由 hbase 进行版本控制。
  3. 每小时从 hbase 导出到分区的配置单元表(仅限 hbase 最新版本)
  4. 分区基于 hbase 中的摄取时间戳。这意味着分区是确定性的并且分区是封闭的。
  5. 每小时导出可能会根据规则路由到多个表。这可能是因为同一主题/筒仓中有多个模式，或者可能是由于无效消息，在这种情况下，它被传递到死信表。

这为消费者增加了一个小时的延迟，但它使我们能够将消息路由和重新路由到确定性的封闭分区中。对于我们的客户，1 小时的延迟不是问题。

我们可能会根据不同的消费者要求为同一主题/筒仓运行多个导出作业。

关于validation - 使用 Kafka 和 Hadoop 进行数据摄取——如何避免质量检查失败导致的数据重复？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/43650729/

mdash摄取section的validationhadoopapache-kafkaetldata-ingestion

有关validation - 使用 Kafka 和 Hadoop 进行数据摄取——如何避免质量检查失败导致的数据重复？的更多相关文章

  1. ruby - 如何使用 Nokogiri 的 xpath 和 at_xpath 方法 - 2

    我正在学习如何使用Nokogiri，根据这段代码我遇到了一些问题:require'rubygems'require'mechanize'post_agent=WWW::Mechanize.newpost_page=post_agent.get('http://www.vbulletin.org/forum/showthread.php?t=230708')puts"\nabsolutepathwithtbodygivesnil"putspost_page.parser.xpath('/html/body/div/div/div/div/div/table/tbody/tr/td/div

  2. ruby - 如何从 ruby​​ 中的字符串运行任意对象方法？ - 2

    总的来说，我对ruby​​还比较陌生，我正在为我正在创建的对象编写一些rspec测试用例。许多测试用例都非常基础，我只是想确保正确填充和返回值。我想知道是否有办法使用循环结构来执行此操作。不必为我要测试的每个方法都设置一个assertEquals。例如:describeitem,"TestingtheItem"doit"willhaveanullvaluetostart"doitem=Item.new#HereIcoulddotheitem.name.shouldbe_nil#thenIcoulddoitem.category.shouldbe_nilendend但我想要一些方法来使用

  3. ruby - 使用 RubyZip 生成 ZIP 文件时设置压缩级别 - 2

    我有一个Ruby程序，它使用rubyzip压缩XML文件的目录树。gem。我的问题是文件开始变得很重，我想提高压缩级别，因为压缩时间不是问题。我在rubyzipdocumentation中找不到一种为创建的ZIP文件指定压缩级别的方法。有人知道如何更改此设置吗？是否有另一个允许指定压缩级别的Ruby库？ 最佳答案 这是我通过查看ruby​​zip内部创建的代码。level=Zlib::BEST_COMPRESSIONZip::ZipOutputStream.open(zip_file)do|zip|Dir.glob("**/*")d

  4. ruby - 为什么我可以在 Ruby 中使用 Object#send 访问私有(private)/ protected 方法？ - 2

    类classAprivatedeffooputs:fooendpublicdefbarputs:barendprivatedefzimputs:zimendprotecteddefdibputs:dibendendA的实例a=A.new测试a.foorescueputs:faila.barrescueputs:faila.zimrescueputs:faila.dibrescueputs:faila.gazrescueputs:fail测试输出failbarfailfailfail.发送测试[:foo,:bar,:zim,:dib,:gaz].each{|m|a.send(m)resc

  5. ruby-on-rails - 使用 Ruby on Rails 进行自动化测试 - 最佳实践 - 2

    很好奇，就使用ruby​​onrails自动化单元测试而言，你们正在做什么？您是否创建了一个脚本来在cron中运行rake作业并将结果邮寄给您？git中的预提交Hook？只是手动调用？我完全理解测试，但想知道在错误发生之前捕获错误的最佳实践是什么。让我们理所当然地认为测试本身是完美无缺的，并且可以正常工作。下一步是什么以确保他们在正确的时间将可能有害的结果传达给您？ 最佳答案 不确定您到底想听什么，但是有几个级别的自动代码库控制:在处理某项功能时，您可以使用类似autotest的内容获得关于哪些有效，哪些无效的即时反馈。要确保您的提

  6. ruby - 在 Ruby 中使用匿名模块 - 2

    假设我做了一个模块如下:m=Module.newdoclassCendend三个问题:除了对m的引用之外，还有什么方法可以访问C和m中的其他内容？我可以在创建匿名模块后为其命名吗(就像我输入“module...”一样)？如何在使用完匿名模块后将其删除，使其定义的常量不再存在？ 最佳答案 三个答案:是的，使用ObjectSpace.此代码使c引用你的类(class)C不引用m:c=nilObjectSpace.each_object{|obj|c=objif(Class===objandobj.name=~/::C$/)}当然这取决于

  7. ruby - 使用 ruby​​ 和 savon 的 SOAP 服务 - 2

    我正在尝试使用ruby​​和Savon来使用网络服务。测试服务为http://www.webservicex.net/WS/WSDetails.aspx?WSID=9&CATID=2require'rubygems'require'savon'client=Savon::Client.new"http://www.webservicex.net/stockquote.asmx?WSDL"client.get_quotedo|soap|soap.body={:symbol=>"AAPL"}end返回SOAP异常。检查soap信封，在我看来soap请求没有正确的命名空间。任何人都可以建议我

  8. python - 如何使用 Ruby 或 Python 创建一系列高音调和低音调的蜂鸣声？ - 2

    关闭。这个问题是opinion-based.它目前不接受答案。想要改进这个问题？更新问题，以便editingthispost可以用事实和引用来回答它.关闭4年前。Improvethisquestion我想在固定时间创建一系列低音和高音调的哔哔声。例如:在150毫秒时发出高音调的蜂鸣声在151毫秒时发出低音调的蜂鸣声200毫秒时发出低音调的蜂鸣声250毫秒的高音调蜂鸣声有没有办法在Ruby或Python中做到这一点？我真的不在乎输出编码是什么(.wav、.mp3、.ogg等等)，但我确实想创建一个输出文件。

  9. ruby-on-rails - 如何验证 update_all 是否实际在 Rails 中更新 - 2

    给定这段代码defcreate@upgrades=User.update_all(["role=?","upgraded"],:id=>params[:upgrade])redirect_toadmin_upgrades_path,:notice=>"Successfullyupgradeduser."end我如何在该操作中实际验证它们是否已保存或未重定向到适当的页面和消息？ 最佳答案 在Rails3中，update_all不返回任何有意义的信息，除了已更新的记录数(这可能取决于您的DBMS是否返回该信息)。http://ar.ru

  10. ruby-on-rails - 按天对 Mongoid 对象进行分组 - 2

    在控制台中反复尝试之后，我想到了这种方法，可以按发生日期对类似activerecord的(Mongoid)对象进行分组。我不确定这是完成此任务的最佳方法，但它确实有效。有没有人有更好的建议，或者这是一个很好的方法？#eventsisanarrayofactiverecord-likeobjectsthatincludeatimeattributeevents.map{|event|#converteventsarrayintoanarrayofhasheswiththedayofthemonthandtheevent{:number=>event.time.day,:event=>ev

随机推荐