数据探查是数据质量保障非常重要的一步，它是数据开发的基础，如果没有数据探查，数据类项目就会频繁反复，对项目开发，运维带来很大困难，大幅延长项目周期。本篇将介绍对于数据探查常见问题，目前字节跳动提供的动态探查解决方案、应用场景以及技术实现。 文 | 小哲 来自字节跳动数据平台开发套件团队 对应产品功能为DataLeap 大数据研发治理套件** 欢迎了解。
需求背景
数据探查上线之前，数据验证都是通过写SQL方式进行查询，从编写SQL，到解析运行出结果，不仅时间长，还会反复消耗计算资源。探查上线后，只需要一次探查，就可以得到整张表的探查报告，但后续也存在相关问题，主要有三点：
- 无法看到探查的数据明细以及关联的行详情，无法对数据进行预处理操作。
- 探查还是需要资源调度，等待时长平均分钟级。
- 与质量监控没有打通，探查数据的后续走向不明确。 针对这些问题，我们进一步开发了动态探查需求，解决问题如下：
- 基于大数据预览的探查，支持对数据进行函数级别的预处理。
- 探查结果秒级更新，实时响应。
- 与数据监控打通，探索SQL的生成模式。
本文主要介绍动态探查的应用场景和相关的技术实现。
应用场景
探查主要应用在元数据管理，数据研发，数仓的开发以及数据治理，可为对数据质量有需求的场景提供数据质量的发现和识别能力。目标用户除了研发同学，也包含不是以SQL研发为主的群体，比如算法建模和数据挖掘等领域。
探查可以有效的打通三个闭环：
- 元数据管理 -> 探查 -> 数据预览探查（库表的质量报告）
- 数据监控 <-> 数据探查
- 动态探查 ->SQL-> 数据开发 -> 调试 -> 探查报告（质量分析）
名词解释
全量探查：基于库表的全量探查，后端引擎执行，展示探查后列的统计分布结果。
动态探查：基于抽样的部分数据探查，展示字段明细，可以使用操作对数据进行预处理，并实时动态的展示统计分布结果。数据获取后的过程都由前端执行。
两者的对比示意图
技术实现
除了数据的抽样部分在后端做，其他的都是前端实现的。包括大数据展示，探查计算，卡片联动，操作栈交互，以及未来要做的函数编辑器以及SQL生成。
技术架构
- 抽样能力：对数据进行基于质量分布特征的抽取。
目前做的是随机抽样，后续尝试基于特征来抽样。
- 数据展现：大容量的数据载体，支持对数据处理的实时展现。
前端目前是基于虚拟滚动Table做的，后续打算迁移到canvas table上。
- 前端探查：实时探查，可视化展现数据分布，突出质量指标。
- 数据处理能力：函数处理能力（GroupBy..）
- 操作栈：需要对数据操作进行管理和回溯
基于immutable和操作流实现操作栈。
- 编辑器：提供完整函数的功能，需要：词法解析，智能提醒，语法高亮。
基于编辑器实现函数的功能，antlr4实现词法解析，配合monaco editor实现一些智能提醒和语法高亮。
- 生成 SQL ：将可视化的交互式操作转换成可执行的SQL。
目前sql generator有以下几种方式：
- 基于链式调用生成
- 基于标签模板生成
- 基于AST（抽象语法树）去做
关键技术及实现
大数据渲染
由于动态探查场景下前端需要支持最大5000条数据的展示和交互，所以在渲染这块存在比较大的压力，主要集中在探查卡片和数据预览两个部分。
探查卡片包含了特定列的部分关键信息汇总，比如0值、Null值、枚举值等，如下图红框部分：
探查卡片部分由于存在较多定制化内容，所以采用了虚拟列表方案进行渲染，支持收起状态和展开状态：
数据预览部分展示的是探查的全部数据集合，可以快速查看原始数据的详细内容，由于内容同质化比较高，所以数据预览采用的是基于团队内部维护的canvas版本Table方案进行渲染，如下图红框部分
卡片联动
由于卡片和数据预览列的宽度差异较大，并且上下两部分滑动是独立的，造成在选择查看某个具体列的时候，上下对齐位置会比较麻烦，为了解决这个问题，这块增加了自动定位功能，演示效果如下：
这部分需要解决的问题有两个：卡片中间点坐标计算和自动定位逻辑。
中间点坐标计算逻辑如下：
// 计算卡片中点坐标 index是卡片序号，adsorbSider表示是否吸边
getCardCenter(index: number, adsorbSider?: boolean) {
...
// 获取卡片信息
const cardBox: IBaseBox = this.cardList[index];
// 获取列信息
const colBox: IBaseBox = this.colList[index];
const clientWidth = getClientWidth();
if(adsorbSider) {
// 吸边处理
if(cardBox.offset < this.cardScroll) {
return cardBox.offset;
}
if(cardBox.offset + cardBox.width - this.cardScroll > clientWidth) {
return cardBox.offset + cardBox.width - clientWidth;
}
return this.cardScroll;
}
return getTargetPosition(colBox, this.tableScroll, cardBox);
}
// 获取滚动目标位置
// originBox: 滚动起始对象
// originScroll: 滚动起始左侧scroll
// targetBox: 滚动结束对象
const getTargetPosition = (originBox: IBaseBox, originScroll: number, targetBox: IBaseBox) => {
const clientWidth = getClientWidth();
if(!originBox || !targetBox) return 0;
let offsetLeftSider = Math.max(originBox?.offset - originScroll, 0);
if(offsetLeftSider + targetBox.width >= clientWidth) {
if(targetBox.offset + targetBox.width > clientWidth) {
// 此处容易出现吸边
return targetBox.offset + targetBox.width - clientWidth;
} else {
return 0;
}
}
const scroll = targetBox?.offset - offsetLeftSider + (targetBox.width - originBox.width) / 2;
return Math.max(
Math.min(targetBox.offset, scroll),
0
);
}
获取到中点坐标后，自动定位需要符合如下规则：
- 选中卡片后，表格要自动滚动定位到下方居中对齐，无法满足对齐标准的，尽量靠近选中卡片位置。
- 选中表格列后，卡片要自动滚动定位到上方居中对齐，无法满足对齐标准的，尽量靠近选中表格位置。
- 搜索选中列后，卡片和表格要自动满足上面两个规则，并滚动到可视区域内。
规则中有几种边界情况，参考下图：
居中对齐是对于卡片和列宽在scroll距离允许情况下的理想对齐方式，贴边对齐是针对卡片在起始和结束位置scroll不足以满足居中对齐要求时候的对齐方式，除此之外还有一种是卡片的宽度远大于列宽，并且不是起始或者结束位置的时候所采取的对齐方式，如下如卡片B因为无法滚动，卡片A的宽度又占据了底部第二列的一部分，所以此时卡片B只能高亮和底部的列进行对齐。
操作栈
动态探查支持了对于探查结果的基础分析能力，比如列删除、过滤、排序等，如下图红框部分：
用户对于探查结果的每一次操作都会被记作一次操作，多次操作串联起来形成操作栈，可以自由的修改或者删减操作栈里的操作，并实时查看最新结果，以过滤操作演示效果如下：
操作栈部分需要处理的问题主要有以下几点：
- 如何管理多种操作进行串行计算
这里把所有操作都抽象成了Input + Logic = Ouput的结构，Input是输入参数，此处可以是指某一列的数据、上一步操作的结果或者其他计算值，Logic是操作的具体逻辑，负责根据Input转换生成Output，Output可以作为最终结果进行渲染，也可以再次进入下一环节参与计算，拿列删除操作举个栗子，下面是大体代码实现：
class ColDelOpt {
run = (params: IOptEngineMetaInfo) => {
// 操作Input部分
const {
columns = [],
dataSourceMap = {}
} = params;
const {
fields = []
} = this.params;
// 操作Logic部分
const nextColumns = columns.filter((item) => !fields.includes(item.name));
// 操作的Output
return {
columns: nextColumns,
dataSourceMap
}
}
}
可以看到ColDelOpt内部有一个run方法，该方法支持传入一个包含了列信息columns和数据集dataSourceMap的params对象，此处params即被抽象的外部输入参数Input，run方法内部的逻辑部分即被抽象的Logic部分，最后方法返回值包含了最新的columns和dataSourceMap，即为Output部分。基于这种结构，用户所有的操作都可以被初始化成不同的Opt实例，由操作引擎统一调用实例的run方法，并传入所需的参数，最终得到计算结果。
- 某个操作被修改后如何进行二次计算
操作栈的计算是由计算引擎来完成的，引擎负责根据外部事件，来自动执行现有操作的数据处理工作，引擎执行流程和大体代码如下：
// 操作引擎
class OptEngine {
// 操作列表
private optList: IOptEngineItem[] = [];
// 原始数据
private metaData: IOptEngineMetaInfo = {
columns: [],
dataSourceMap: {},
};
// 执行算子
optRun = () => {
let {
columns = [],
dataSourceMap = {}
} = this.metaData;
if(!this.optList.length) return {
columns,
dataSourceMap
};
for(let index = 0; index < this.optList.length; index++) {
// 读取操作算子
const optItem = this.optList[index];
let startTime = performance.now();
try {
// 执行算子计算
const result = optItem.run({
columns,
dataSourceMap
});
// 更新算子结果
columns = result.columns || [];
dataSourceMap = result.dataSourceMap || {};
} catch(e) {
// 报错后直接直接返回
return {
columns,
dataSourceMap,
// 装填报错信息
errorInfo: {
key: optItem.key || '',
message: e.message
}
}
}
}
return {
columns,
dataSourceMap,
}
}
autoRun = (
metaInfo: IOptEngineMetaInfo,
optList: IOptItem[],
callback: (params: IAutoRunResult) => void
) => {
// 装填数据
this.setupMetaData(metaInfo);
// 装填操作栈
this.setupOptList(optList.map((item) => {
// 行过滤
if(item.type === OPT_TYPE.FILTER) {
return new FilterOpt({
key: item.key,
params: item.params
})
}
// 其余类型操作
...
// 默认原值返回
return new IdentityOpt({
key: item.key,
})
}));
// 执行操作计算
const result = this.optRun();
// 返回数据
return {
// 计算列
columns: result.columns,
// 执行结果
dataSource: Object.entries(result.dataSourceMap).map(([key, value]) => ({
field: key,
value
})),
// 操作栈执行异常信息
errorInfo: result.errorInfo
};
}
}
应用实践
以一个小例子来演示下动态探查的使用。前端开发过程中，有一个真实的场景，我们为了排查一个竖屏显示器的bug（1080*1920），想找到关联的用户，看其分布情况，就可以很方便的用动态探查去寻找。
后续计划
关注动态探查的操作丰富性以及之后的数据走向，比如离线数据导出，和生成SQL等，技术方向上主要放在以下几个方面：
- 更多的探查类型和图表支持
动态探查目前支持空值，枚举值，零值，数据统计等基础的探查功能，未来会计划支持包括map，json，time，sql语句等类型的识别和探查。同时提供更丰富的图表支持。
- 操作栈的编辑器体验
动态探查目前还是以类Excel的操作为主，未来主要提供编辑器级别的操作体验，可以提供HSQL支持的大部分函数，包括支持多表join功能。
- 操作流程的SQL生成
动态探查目前的SQL能力还未建设完成，会在未来结合编辑器级别的操作，并支持多表，配合词法解析功能，提供更精准的生成SQL能力。
添加小助手为好友入官方群，进行技术交流。关注「字节跳动数据平台公众号」获取更多内容干货。