Questo documento descrive la qualità automatica dei dati di Dataplex, che consente di definire e misurare la qualità dei dati. Puoi automatizzare il processo la scansione dei dati, la convalida dei dati in base a regole definite e la registrazione degli avvisi non soddisfano i requisiti di qualità. Puoi gestire le regole e i deployment di qualità dei dati come codice, migliorando l'integrità delle pipeline di produzione dei dati.
Per iniziare, puoi utilizzare i consigli sulle regole di profiling dei dati Dataplex o creare regole personalizzate nella console Google Cloud. Dataplex fornisce monitoraggio, risoluzione dei problemi e alert di Cloud Logging integrati con la qualità automatica dei dati di Dataplex.
Modello concettuale
Un'analisi dei dati è un job Dataplex che esegue il campionamento dei dati da
BigQuery e Cloud Storage e deducono vari tipi di
metadati. Per misurare la qualità di una tabella utilizzando la qualità dei dati automatica, crei un oggetto DataScan di tipo data quality. La scansione viene eseguita solo
una tabella BigQuery. La scansione utilizza le risorse in un ambiente
progetto tenant, quindi
per configurare la propria infrastruttura.
La creazione e l'utilizzo di un'analisi della qualità dei dati prevede i seguenti passaggi:
- Definisci le regole sulla qualità dei dati
- Configura l'esecuzione della regola
- Analizzare i risultati dell'analisi della qualità dei dati
- Configurare il monitoraggio e gli avvisi
- Risolvere i problemi di qualità dei dati
Definizione della regola
Le regole sulla qualità dei dati associate a un'analisi della qualità dei dati definiscono i dati le aspettative. Puoi creare regole di qualità dei dati nei seguenti modi:
- Utilizzare i consigli della profilazione dei dati di Dataplex
- Utilizzare le regole predefinite
- Crea regole SQL personalizzate
Regole predefinite
Dataplex supporta due categorie di regole predefinite: a livello di riga o aggregate.
- A livello di riga
Per le regole di categoria a livello di riga, la previsione viene applicata a ogni riga di dati. Ogni riga passa o supera in modo indipendente non riesce a soddisfare la condizione. Ad esempio,
column_A_value < 1.I controlli a livello di riga richiedono di specificare una soglia di superamento. Quando percentuale di righe che superano la regola è inferiore al valore di soglia, la regola non riesce.
- Aggregazione
Per le regole aggregate, l'aspettativa viene applicata a un singolo valore aggregato per tutti i dati. Per ad esempio
Avg(someCol) >= 10. Per essere superato, il controllo deve avere come risultato con valore booleanotrue. Le regole aggregate non forniscono un superamento indipendente o non hanno esito positivo conta per ogni riga.
Per entrambe le categorie di regole, puoi impostare i seguenti parametri:
- La colonna a cui si applica la regola.
- Una dimensione da un insieme di dimensioni predefinite.
Nella tabella seguente sono elencati i tipi di regole aggregate e a livello di riga supportati:
| Tipo di regola (nome nella console Google Cloud) |
Regola aggregata o a livello di riga | Descrizione | Tipi di colonna supportati | Parametri specifici per le regole |
|---|---|---|---|---|
RangeExpectation(Controllo intervallo) |
A livello di riga | Verifica che il valore sia compreso tra min e max. | Tutte le colonne di tipo numerico, data e timestamp. | Obbligatorio:
|
NonNullExpectation(controllo null) |
A livello di riga | Verifica che i valori delle colonne non siano NULL. | Tutti i tipi di colonne supportati. | Obbligatorio:
|
SetExpectation(Imposta controllo) |
A livello di riga | Verifica se i valori in una colonna sono uno dei valori specificati in un insieme. | Tutti i tipi di colonna supportati, tranne Record e Struct. |
Obbligatorio:
|
RegexExpectation(Controllo dell'espressione regolare) |
A livello di riga | Controlla i valori rispetto a un'espressione regolare specificata. | Stringa | Obbligatorio:
|
Uniqueness(Controllo unicità) |
Aggregazione | Controlla se tutti i valori di una colonna sono univoci. | Tutti i tipi di colonne supportati, ad eccezione di Record e Struct. |
Obbligatorio:
|
StatisticRangeExpectation(Controllo statistico) |
Aggregazione | Controlla se la misura statistica specificata corrisponde all'aspettativa di intervallo. | Tutti i tipi di colonne numeriche supportati. | Obbligatorio:
|
Tipi di regole SQL personalizzate supportati
Le regole SQL offrono la flessibilità di espandere la convalida con logica personalizzata. Queste regole sono disponibili nei seguenti tipi.
| Tipo di regola | Regola aggregata o a livello di riga | Descrizione | Tipi di colonna supportati | Parametri specifici per le regole | Esempio |
|---|---|---|---|---|---|
| Condizione di riga | A livello di riga | Specifica una previsione per ogni riga definendo un'espressione SQL
in una clausola L'espressione può includere un riferimento a un'altra tabella, ad esempio per creare controlli di integrità referenziale. |
Tutte le colonne | Obbligatorio:
|
grossWeight <= netWeight |
| Condizione della tabella (espressione SQL aggregata) |
Aggregazione | Queste regole vengono eseguite una volta per tabella. Fornisci un'espressione SQL che
restituisce il valore booleano L'espressione SQL può Includi un riferimento a un'altra tabella utilizzando le sottoquery di espressione. |
Tutte le colonne | Obbligatorio:
|
Esempio di tipo aggregato semplice: Utilizzo di una sottoquery di espressione per confrontare i valori in un'altra tabella: |
| Asserzione SQL | Aggregazione | Una regola di asserzione utilizza una query sulla qualità dei dati per trovare le righe che non vanno a buon fine a una o più condizioni specificate nella query. Fornisci un'istruzione SQL valutato per restituire righe che corrispondono allo stato non valido. Se la query restituisce tutte le righe, ma la regola non riesce. Ometti il punto e virgola finale dall'istruzione SQL. L'istruzione SQL può includere un riferimento a un'altra tabella utilizzando sottoquery di espressione. |
Tutte le colonne | Obbligatorio:
|
Semplice esempio aggregato per fare in modo che Utilizzo di una sottoquery di espressione per confrontare i valori di una tabella diversa: |
Per esempio regole, consulta Regole di esempio per la qualità dei dati automatica.
Per le funzioni SQL supportate, consulta la documentazione di riferimento di GoogleSQL.
Dimensioni
Le dimensioni ti consentono di aggregare i risultati di più regole di qualità dei dati per il monitoraggio e l'invio di avvisi. Devi associare ogni regola di qualità dei dati a una dimensione. Dataplex supporta le seguenti dimensioni:
- Aggiornamento
- Volume
- Completezza
- Validità
- Coerenza
- Accuratezza
- Unicità
Input digitato nelle regole
Tutti i parametri valore vengono passati come valori stringa all'API. Dataplex richiede che gli input seguano Formato specificato da BigQuery.
I parametri di tipo binario possono essere passati come stringa con codifica Base64.
| Tipo | Formati supportati | Esempi |
|---|---|---|
| Binario | Valore codificato Base64 | YXBwbGU= |
| Timestamp | AAAA-[M]L-[G]G[( |T)[H]A:[M]M:[S]D[.F]] [fuso_orario] OPPURE AAAA-[M]M-[G]G[( |T)[H]O:[M]M:[S]D[.F]][offset_time_zone] |
2014-09-27 12:30:00.45-08 |
| Data | YYYY-M[M]-D[D] | 2014-09-27 |
| Ora | [H]H:[M]M:[S]D[.DDDDDD] | 12:30:00,45 |
| DateTime | YYYY-[M]M-[D]D [[H]H:[M]M:[S]S[.DDDDDD]] | 27-09-2014 12:30:00.45 |
Parametro riferimento dati
Quando crei una regola SQL personalizzata, puoi fare riferimento a una tabella di origine dati e
dei suoi filtri di precondizione utilizzando il parametro di riferimento dei dati ${data()} in
la regola, invece di menzionare esplicitamente la tabella di origine e i suoi filtri.
Dataplex interpreta il parametro come un riferimento all'origine
e i relativi filtri. Alcuni esempi di filtri di precondizione sono i filtri delle righe,
le percentuali di campionamento e i filtri incrementali.
Ad esempio, supponiamo di avere una tabella di origine dati denominata
my_project_id.dim_dataset.dim_currency. Vuoi eseguire un'analisi della qualità dei dati incrementali che esamini solo i nuovi dati giornalieri. Un filtro di riga che applica un filtro
la voce di oggi, transaction_timestamp >= current_date(), viene applicata alla
tabella.
Una regola SQL personalizzata per trovare le righe con discount_pct per oggi ha il seguente aspetto:
discount_pct IN (SELECT discount_pct FROM my_project_id.dim_dataset.dim_currency WHERE transaction_timestamp >= current_date())
Se utilizzi il parametro di riferimento dei dati, puoi semplificare la regola. Sostituisci la menzione della tabella e dei relativi filtri di precondizione con il parametro ${data()}:
discount_pct IN (SELECT discount_pct FROM ${data()})
Dataplex interpreta il parametro ${data()} come un
riferimento alla tabella dell'origine dati con le voci di oggi,
my_project_id.dim_dataset.dim_currency WHERE transaction_timestamp >= current_date().
In questo esempio, il parametro di riferimento ai dati si riferisce solo ai dati incrementali.
Il parametro ${data()} è sensibile alle maiuscole.
Quando utilizzi un alias all'interno di una sottoquery per fare riferimento alle colonne della tabella di origine,
utilizza il parametro di riferimento dati per fare riferimento alla tabella di origine o ometti
il riferimento alla tabella. Non fare riferimento alle colonne nella tabella di origine utilizzando un
riferimento diretto alla tabella nella clausola WHERE.
Consigliato:
Utilizza il parametro del riferimento dei dati per fare riferimento alla tabella di origine:
discount_pct IN ( SELECT discount_pct FROM `my_project_id.dim_dataset.dim_currency` AS temp-table WHERE temp-table.transaction_timestamp = ${data()}.timestamp )Ometti il riferimento della tabella:
discount_pct IN ( SELECT discount_pct FROM `my_project_id.dim_dataset.dim_currency` AS temp-table WHERE temp-table.transaction_timestamp = timestamp )
Sconsigliato:
Non utilizzare un riferimento diretto alla tabella per fare riferimento alle colonne nella tabella di origine:
discount_pct IN ( SELECT discount_pct FROM `my_project_id.dim_dataset.dim_currency` AS temp-table WHERE temp-table.transaction_timestamp = `my_project_id.dim_dataset.dim_currency`.timestamp )
Esecuzione delle regole
Puoi pianificare l'esecuzione delle analisi della qualità dei dati a un intervallo specifico oppure eseguire un'analisi su richiesta. Per gestire le analisi della qualità dei dati, puoi utilizzare l'API o nella console Google Cloud.
Quando esegui un'analisi della qualità dei dati, Dataplex crea un job. Nell'ambito della specifica di una scansione della qualità dei dati, puoi specificare l'ambito di un job come uno dei seguenti:
- Tavolo completo
- Ogni job convalida l'intera tabella.
- Incrementale
- Ogni job convalida i dati incrementali. A
determinare gli incrementi, specifica una colonna
Date/Timestampnel che può essere utilizzata come indicatore. Solitamente, si tratta della colonna in cui è partizionata.
Filtra dati
Dataplex può filtrare i dati da analizzare per verificarne la qualità utilizzando un filtro per riga di comando. La creazione di un filtro riga ti consente di concentrarti sui dati all'interno di un determinato periodo di tempo o di un segmento specifico, ad esempio una determinata regione. L'uso dei filtri può ridurre i tempi e i costi di esecuzione, ad esempio filtrando i dati con timestamp prima di una determinata data.
Dati di esempio
Dataplex consente di specificare una percentuale di record dai tuoi dati come esempio per l'esecuzione di un'analisi della qualità dei dati. La creazione di analisi della qualità dei dati su un set di dati più piccolo può ridurre il tempo di esecuzione e il costo delle query sull'intero set di dati.
Risultati della scansione della qualità dei dati
I risultati delle analisi della qualità dei dati sono disponibili in Dataplex. Puoi anche esaminare e analizzare i risultati della scansione utilizzando i seguenti metodi:
Esportare i risultati in BigQuery
Puoi esportare i risultati della scansione in una tabella BigQuery per ulteriori analisi. Per personalizzare i report, puoi collegare i dati delle tabelle BigQuery a una dashboard di Looker. Puoi creare un report aggregato utilizzando la stessa tabella dei risultati in più analisi.
Pubblicare i risultati nella console Google Cloud
Puoi pubblicare i risultati dell'analisi della qualità dei dati nella directory Nelle pagine di BigQuery e Data Catalog nel nella console Google Cloud. I risultati più recenti dell'analisi sono disponibili nella scheda Qualità dei dati per la tabella di origine.
Esaminare i punteggi di qualità dei dati
Ogni risultato della scansione fornisce punteggi di qualità dei dati che indicano la percentuale di regole rispettate. I punteggi vengono riportati a livello generale del job, nella colonna (se la regola viene valutata in base a una colonna) e il livello di dimensione. Utilizza i punteggi della qualità dei dati per normalizzare la qualità dei dati tra tabelle o colonne, monitorare le tendenze e identificare i dati che non soddisfano i requisiti di qualità.
Per ulteriori informazioni, consulta la sezione Visualizzare i risultati della scansione della qualità dei dati.
Monitoraggio e avvisi
Puoi monitorare e ricevere avvisi sulle analisi della qualità dei dati utilizzando i seguenti metodi:
Impostare gli avvisi in Cloud Logging
Puoi monitorare i job di qualità dei dati utilizzando
data_scanedata_quality_scan_rule_resultin Esplora log.Per ogni job di qualità dei dati,
data_scanregistra il log con il campodata_scan_typeimpostato suDATA_QUALITYcontiene le seguenti informazioni:- Origine dati utilizzata per l'analisi dei dati.
- Dettagli sull'esecuzione del job, ad esempio ora di creazione, ora di inizio, ora di fine e stato del job.
- Risultato del job di qualità dei dati: superato o non superato.
- Superamento o mancato superamento a livello di dimensione.
Ogni job riuscito contiene un log
data_quality_scan_rule_resultcon le seguenti informazioni dettagliate su ogni regola del job:- Informazioni sulla configurazione, ad esempio nome della regola, tipo di regola, tipo di valutazione e dimensioni.
- Informazioni sui risultati, ad esempio passaggio o errore, conteggio totale delle righe, conteggio delle righe che hanno superato il test, conteggio delle righe null e conteggio delle righe valutate.
Le informazioni nei log sono disponibili tramite l'API e nella console Google Cloud. Puoi utilizzare queste informazioni per configurare gli avvisi. Per ulteriori informazioni, vedi Imposta gli avvisi in Logging.
Inviare notifiche email
Puoi inviare notifiche via email per avvisare gli utenti dello stato e risultati di un job di qualità dei dati. Le notifiche sono disponibili per i seguenti scenari:
- Il punteggio di qualità dei dati è inferiore a un punteggio target specificato
- Il job non è riuscito
- Il lavoro è stato completato
Configura le notifiche quando crei un'analisi della qualità dei dati.
Risolvere gli errori relativi alla qualità dei dati
Quando una regola ha esito negativo, Dataplex produce una query per ottenere l'errore record. Esegui questa query per visualizzare i record che non corrispondono alla tua regola. Per maggiori informazioni, consulta Risolvere un errore di qualità dei dati.
Limitazioni
- I risultati della scansione della qualità dei dati non vengono pubblicati in Data Catalog come tag.
- I suggerimenti sulle regole non sono supportati in gcloud CLI.
- La scelta delle dimensioni è fissa ed è limitata a una delle sette dimensioni predefinite.
- Il numero di regole per analisi della qualità dei dati è limitato a 1000.
- Le notifiche via email sono supportate solo nell'API e nell'interfaccia a riga di comando gcloud.
- I punteggi di qualità dei dati riportati a livello di colonna sono supportati solo nell'API.
Prezzi
Dataplex utilizza lo SKU di elaborazione premium per addebitare i costi la qualità dei dati. Per ulteriori informazioni, consulta i prezzi di Dataplex.
La pubblicazione dei risultati della qualità dei dati automatica in Catalog non è ancora disponibile. Quando sarà disponibile, verrà addebitato allo stesso prezzo dello spazio di archiviazione dei metadati del Catalogo. Consulta la sezione Prezzi per ulteriori dettagli.
L'elaborazione premium di Dataplex per la qualità dei dati automatici viene fatturata per secondo con un minimo di un minuto.
Non vengono addebitati costi per le analisi della qualità dei dati non riuscite.
L'addebito dipende dal numero di righe, dal numero di colonne, dalla quantità di dati sottoposti a scansione, dalla configurazione delle regole di qualità dei dati, dalle impostazioni di partizione e clustering della tabella e dalla frequenza della gscan.
Esistono diverse opzioni per ridurre il costo delle analisi della qualità dei dati automatiche:
Per separare gli addebiti relativi alla qualità dei dati da altri addebiti in Dataplex SKU di elaborazione premium, Report Fatturazione Cloud, utilizza l'etichetta
goog-dataplex-workload-typecon valoreDATA_QUALITY.Per filtrare gli addebiti aggregati, utilizza le seguenti etichette:
goog-dataplex-datascan-data-source-dataplex-entitygoog-dataplex-datascan-data-source-dataplex-lakegoog-dataplex-datascan-data-source-dataplex-zonegoog-dataplex-datascan-data-source-projectgoog-dataplex-datascan-data-source-regiongoog-dataplex-datascan-idgoog-dataplex-datascan-job-id
Passaggi successivi
- Scopri come utilizzare la qualità dei dati automatica.
- Scopri di più sulla profilazione dei dati.
- Scopri come utilizzare la profilazione dei dati.