自动数据质量概览

本文档介绍了 Dataplex 自动数据质量， 可让您定义和衡量数据质量。您可以自动扫描数据、根据定义的规则验证数据，以及在数据不符合质量要求时记录提醒。您可以管理数据质量规则 即代码部署，从而提高数据生产流水线的完整性。

要开始使用，您可以使用 Dataplex 数据分析 规则建议，也可以在 Google Cloud 控制台中构建自定义规则。 Dataplex 提供监控、问题排查和 与 Dataplex Auto 集成的 Cloud Logging 提醒 数据质量。

概念模型

数据质量扫描将质量规则应用于表数据以报告结果。

数据扫描是一项 Dataplex 作业，它会从 BigQuery 和 Cloud Storage 可以推断出各类 元数据。要使用自动数据质量衡量表的质量，您需要创建 一个类型为 data quality 的 DataScan 对象。扫描仅在以下情况下运行： 一个 BigQuery 表扫描会使用 Google Cloud 中的 租户项目，因此 您需要设置自己的基础架构

创建和使用数据质量扫描包括以下步骤：

  1. 定义数据质量规则
  2. 配置规则执行
  3. 分析数据质量扫描结果
  4. 设置监控和提醒
  5. 排查数据质量故障问题

规则定义

与数据质量扫描相关的数据质量规则定义了数据 预期。您可以通过以下方式创建数据质量规则：

预定义规则

Dataplex 支持两类预定义规则：行级规则或 汇总。

行级

对于行级类别规则，预期会应用于 对每个数据行进行对比每行独立通过或 条件失败。例如 column_A_value < 1。

行级检查要求您指定通过阈值。当 符合规则的行的百分比低于阈值，即规则 失败。

汇总

对于汇总规则，期望值是 应用于整个数据中汇总的单个值。例如：Avg(someCol) >= 10要通过测试，检查的计算结果必须达到 布尔值 true。汇总规则不提供独立的通过或失败结果 数据。

对于这两种规则类别，您都可以设置以下参数：

  • 规则适用的列。
  • 一组预定义维度中的一个维度。

下表列出了受支持的行级规则和汇总规则类型：

规则类型
（Google Cloud 控制台中的名称）		 行级规则或汇总规则 说明 支持的列类型 规则专用参数
RangeExpectation
（范围检查）		 行级 检查该值是否介于最小值和最大值之间。 所有数字、日期和时间戳类型的列。 必需：
  • 及格阈值百分比
  • mean、min 或 max 值：指定 至少一个值。
可选：
  • 启用 strict min：如果启用，规则检查会使用“>” 而不是 ">=。
  • 启用 strict max：如果启用，规则检查会使用“<” 而不是“<=”。
  • 启用 ignore null：如果启用，系统会忽略 null 值 进行检查
NonNullExpectation
（Null 检查）		 行级 验证列值不是 NULL。 所有受支持的列类型。 必需：
  • 及格阈值百分比。
SetExpectation
（设置检查）		 行级 检查某列中的值是否为某个集中的指定值。 除 Record 和 Struct 之外的所有受支持的列类型。 必填：
  • 要根据其检查的字符串值集。
  • 及格阈值百分比。
可选：
  • 启用 ignore null：如果启用，系统会在 规则检查。
RegexExpectation
（正则表达式检查）		 行级 根据指定的正则表达式检查值。 字符串 必需：
  • 用于进行检查的正则表达式模式。
  • 及格阈值百分比。
  • 注意：Google 标准 SQL 使用 re2 库；请参阅 正则表达式的语法。
可选：
  • 启用 ignore null：如果启用，系统会在 规则检查。
Uniqueness
（唯一性检查）		 汇总 检查某列中的所有值是否唯一。 除 Record 和 Struct 之外的所有受支持的列类型。 必填：
  • 支持的列和维度 参数。
可选：
  • 启用 ignore null：如果启用，系统会在 规则检查。
StatisticRangeExpectation
（统计信息检查）		 汇总 检查给定的统计度量值是否与预期范围相符。 所有支持的数字列类型。 必需：
  • mean、min 或 max 值：请至少指定一个值。
可选：
  • 启用 strict min：如果启用，规则检查会使用“>” 而不是 ">=。
  • 启用 strict max：启用后，规则检查会使用“<”而不是“<=”。

支持的自定义 SQL 规则类型

SQL 规则可让您灵活地使用自定义逻辑扩展验证。这些 规则有以下几种类型：

规则类型 行级或汇总规则 说明 支持的列类型 规则专用参数 示例
行条件 行级

在 WHERE 子句中定义 SQL 表达式，为每行指定预期值。每个行的 SQL 表达式应计算结果为 true（通过）或 false（失败）。 Dataplex 计算通过 此预期，并将此值与通过阈值百分比进行比较 以确定规则的成败情况

表达式可以包含对另一个表的引用，例如 参照完整性检查。

 所有列 必需：
  • 要使用的 SQL 条件
  • 及格阈值百分比
  • 维度
可选：
  • 要与此规则关联的列。
 grossWeight <= netWeight
表条件
（聚合 SQL 表达式）		 汇总

系统将为每个表执行一次这些规则。提供一个计算结果为布尔值 true（通过）或 false（失败）的 SQL 表达式。

SQL 表达式可以使用表达式子查询添加对另一个表的引用。

 所有列 必需：
  • 要使用的 SQL 条件
  • 维度
可选：
  • 要与此规则关联的列

简单的汇总示例：
avg(price) > 100

使用表达式子查询比较不同表中的值：
(SELECT COUNT(*) FROM `example_project.example_dataset.different-table`) < COUNT(*)
SQL 断言 汇总

断言规则使用数据质量查询来查找失败的行 查询中指定的一个或多个条件。提供 SQL 语句 其计算结果为与无效状态匹配的行。如果 如果查询返回任何行，则规则会失败。

在 SQL 语句中省略结尾的分号。

SQL 语句可以 使用 表达式子查询。

 所有列 必需：
  • 用于检查无效状态的 SQL 语句
  • 维度
可选：
  • 要与此规则关联的列。

使用简单的汇总示例来确保discount_pct 不大于 100:
SELECT * FROM example_project.example_dataset.table WHERE discount_pct > 100

使用表达式子查询比较不同表中的值：
SELECT * FROM `example_project.example_dataset.different-table` WHERE gross_weight > (SELECT avg(gross_weight) FROM `example_project.example_dataset.different-table`)

如需查看规则示例，请参阅自动数据质量示例规则。

如需了解支持的 SQL 函数，请参阅 GoogleSQL 参考文档。

维度

利用维度，您可以汇总多条数据质量规则的结果， 和提醒。您必须将每个数据质量规则与一个维度相关联。Dataplex 支持以下维度：

  • 时效性
  • 音量
  • 完整性
  • 有效期
  • 一致性
  • 准确率
  • 唯一性

在规则中输入的输入内容

所有值参数都将以字符串值的形式传递给 API。 Dataplex 需要输入内容才能遵循 BigQuery 指定的格式。

二进制类型的参数可以作为 base64 编码的字符串进行传递。

类型 支持的格式 示例
二元 Base64 编码值 YXBwbGU=
时间戳 YYYY-[M]M-[D]D[( |T)[H]H:[M]M:[S]S[.F]] [time_zone]
或 YYYY-[M]M-[D]D[( |T)[H]H:[M]M:[S]S[.F]][time_zone_offset]		 2014-09-27 12:30:00.45-08
日期 YYYY-M[M]-D[D] 2014-09-27
时间 [H]高:[M]M:[S]S[.DDDDDD] 12:30:00.45
DateTime YYYY-[M]M-[D]D [[H]H:[M]M:[S]S[.DDDDDD]] 2014-09-27 12:30:00.45

数据引用参数

创建自定义 SQL 规则时，您可以引用数据源表和所有 通过使用数据引用参数 ${data()} 规则，而不是明确提及源表及其过滤条件。 Dataplex 将参数解释为对来源的引用 表格及其过滤条件。前提条件过滤条件的示例包括行过滤条件 抽样百分比和增量过滤器

例如，假设您有一个名为 my_project_id.dim_dataset.dim_currency。您想要运行增量数据 仅扫描每日新数据的质量扫描。一个行过滤条件，用于过滤 今天的条目 transaction_timestamp >= current_date() 将应用于 表格。

用于查找今天包含 discount_pct 的行的自定义 SQL 规则如下所示：

discount_pct IN (SELECT discount_pct FROM my_project_id.dim_dataset.dim_currency WHERE transaction_timestamp >= current_date())

如果您使用数据引用参数，则可以简化规则。将 使用 ${data()} 提及表及其前提条件过滤条件 参数：

discount_pct IN (SELECT discount_pct FROM ${data()})

Dataplex 将 ${data()} 参数解读为 通过今天的条目引用数据源表 my_project_id.dim_dataset.dim_currency WHERE transaction_timestamp >= current_date()。 在此示例中，数据引用参数仅指递增 数据。

${data()} 参数区分大小写。

在子查询中使用别名来引用源表中的列时， 可以使用数据引用参数来引用源表，也可以省略 表引用。请勿使用 WHERE 子句中的直接表引用。

推荐：

  • 使用数据引用参数来引用源表：

    discount_pct IN (
SELECT discount_pct FROM
`my_project_id.dim_dataset.dim_currency` AS temp-table
WHERE
temp-table.transaction_timestamp = ${data()}.timestamp
)

  • 省略表引用：

    discount_pct IN (
SELECT discount_pct FROM
`my_project_id.dim_dataset.dim_currency` AS temp-table
WHERE
temp-table.transaction_timestamp = timestamp
)

不推荐：

  • 请勿使用直接表引用来引用源表中的列：

    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
)

规则执行

您可以安排数据质量扫描以按特定间隔运行，也可以按需运行扫描。如需管理数据质量扫描，您可以使用 API 或 Google Cloud 控制台。

当您运行数据质量扫描时，Dataplex 会创建一个作业。在数据质量扫描规范中，您可以将作业的范围指定为以下任一选项：

全桌
每个作业都会验证整个表。
增量
每个作业都会验证增量数据。接收者 确定增量，请在DateTimestamp 一个可用作标记的表格通常，此列是显示 对表进行分区

过滤数据

Dataplex 可以使用 行过滤条件。通过创建行过滤条件，您可以重点关注特定列 时间段或特定细分（例如某个区域）使用过滤器可以 减少执行时间和费用，例如，过滤掉带有时间戳的数据 。

样本数据

通过 Dataplex，您可以指定数据中记录的百分比 运行数据质量扫描所需的示例。在 减少数据样本的执行时间以及查询 整个数据集中。

数据质量扫描结果

数据质量扫描结果可在 Dataplex 中查看。 您还可以使用以下方法查看和分析扫描结果：

  • 将结果导出到 BigQuery

    您可以将扫描结果导出到 BigQuery 表，以便进一步 分析。如需自定义报告，您可以将 BigQuery 表数据连接到 Looker 信息中心。您可以通过在多项扫描中使用相同的结果表来构建汇总报告。

  • 在 Google Cloud 控制台中发布结果

    您可以将数据质量扫描结果发布到源表的 BigQuery 和 Data Catalog 页面 Google Cloud 控制台。最新的扫描结果可以在以下位置找到： 源表的 Data Quality（数据质量）标签页。

  • 查看数据质量得分

    每个扫描结果都会提供数据质量得分，该得分表示 已通过的规则。系统会在整个作业级别、列级别（如果规则是针对列进行评估）和维度级别报告得分。使用 数据质量得分，以对不同表或列的数据质量进行标准化； 跟踪趋势，以及识别未达到质量要求的数据。

如需了解详情，请参阅查看数据质量扫描结果。

监控和提醒

您可以使用以下工具来监控和接收有关数据质量扫描的提醒 方法：

  • 在 Cloud Logging 中设置提醒

    您可以使用 data_scan 和 Logs Explorer 中的 data_quality_scan_rule_result 日志。

    对于每个数据质量作业，包含 data_scan_type 字段的 data_scan 日志 设置为 DATA_QUALITY 包含以下信息：

    • 用于数据扫描的数据源。
    • 作业执行详情，例如创建时间、开始时间、结束时间和作业状态。
    • 数据质量作业的结果：通过或失败。
    • 维度级通过或失败。

    每个成功的作业都包含一个 data_quality_scan_rule_result 记录，其中包含有关该作业中每条规则的以下详细信息：

    • 配置信息，例如规则名称、规则类型、评估类型 和维度。
    • 结果信息，例如通过或失败、总行数、传递的行数 行数、null 行数和已评估的行数。

    日志中的信息可通过 API 获取 Google Cloud 控制台。您可以使用这些信息来设置提醒。对于 请参阅 在 Logging 中设置提醒。

  • 发送电子邮件通知

    您可以发送电子邮件通知，提醒他人相关状态，并 数据质量作业的结果。通知适用于 以下情况：

    • 数据质量得分低于指定的目标得分
    • 作业失败
    • 作业已完成

    您可以配置 创建数据质量扫描。

排查数据质量故障问题

当规则失效时，Dataplex 会生成查询来获取失败的 记录。运行此查询可查看与您的规则不匹配的记录。对于 请参阅 排查数据质量故障问题。

限制

  • 数据质量扫描结果不会以如下名义发布到 Data Catalog 代码。
  • gcloud CLI 不支持规则建议。
  • 维度的选择固定为预定义的七个维度之一。
  • 每次数据质量扫描的规则数量上限为 1,000。
  • 只有 gcloud CLI 和 API 支持电子邮件通知。
  • 支持在列级别报告的数据质量得分 。

价格

  • Dataplex 使用高级处理 SKU 来收取汽车费用 数据质量。如需了解详情，请参阅 Dataplex 价格。

  • 目前还无法将自动数据质量结果发布到目录。该功能推出后，其价格将与目录元数据存储空间价格相同。如需了解详情，请参阅价格。

  • 自动数据质量的 Dataplex 高级处理费用按 最低一分钟。

  • 数据质量扫描失败不会产生任何费用。

  • 该费用取决于行数、列数和 数据质量规则配置、 分区和聚簇设置，以及 gscan。

  • 您可以通过以下几种方式降低自动数据质量扫描的费用：

  • 如需在 Dataplex 高级处理 SKU 中将数据质量费用与其他费用分开，请在 Cloud Billing 报告中使用标签 goog-dataplex-workload-type 和值 DATA_QUALITY。

  • 如需过滤总费用，请使用以下标签：

    • goog-dataplex-datascan-data-source-dataplex-entity
    • goog-dataplex-datascan-data-source-dataplex-lake
    • goog-dataplex-datascan-data-source-dataplex-zone
    • goog-dataplex-datascan-data-source-project
    • goog-dataplex-datascan-data-source-region
    • goog-dataplex-datascan-id
    • goog-dataplex-datascan-job-id

后续步骤