使用自動資料品質

本頁面說明如何建立 Dataplex Universal Catalog 資料品質掃描作業。

如要瞭解資料品質掃描作業，請參閱「關於自動分析資料品質」。

提示： 本文中的步驟說明如何管理專案中的資料品質掃描。您也可以在處理特定資料表時，建立及管理資料品質掃描作業。詳情請參閱本文的「管理特定資料表的資料品質掃描」一節。

事前準備

1. Enable the Dataplex API.

   Enable the API

2. 選用：如要讓 Dataplex Universal Catalog 根據資料剖析掃描結果產生資料品質規則建議，請建立並執行資料剖析掃描。

必要的角色

• 如要對 BigQuery 資料表執行資料品質掃描，您需要有權讀取 BigQuery 資料表，以及在用於掃描資料表的專案中建立 BigQuery 工作的權限。

  注意： Dataplex Universal Catalog 不會在專案中建立 BigQuery 工作。不過，您需要這項權限才能建立 DryRun 工作，以檢查資料表的權限。

• 如果 BigQuery 資料表和資料品質掃描位於不同專案，您需要為包含資料品質掃描的專案，授予對應 BigQuery 資料表的讀取權限給 Dataplex Universal Catalog 服務帳戶。

  注意： 如果尚未建立任何資料品質或資料剖析掃描作業，或這個專案沒有 Dataplex Universal Catalog 湖泊，請執行下列指令建立服務 ID： gcloud beta services identity create --service=dataplex.googleapis.com。 如果存在，這項指令會傳回 Dataplex Universal Catalog 服務 ID。

• 如果資料品質規則參照其他資料表，掃描專案的服務帳戶必須對這些資料表擁有讀取權限。

• 如要取得將掃描結果匯出至 BigQuery 資料表所需的權限，請管理員在結果資料集和資料表上，授予 Dataplex Universal Catalog 服務帳戶 BigQuery 資料編輯者 (roles/bigquery.dataEditor) 身分與存取權管理角色。這會授予下列權限：

  • bigquery.datasets.get
  • bigquery.tables.create
  • bigquery.tables.get
  • bigquery.tables.getData
  • bigquery.tables.update
  • bigquery.tables.updateData

• 如果 BigQuery 資料是透過 Dataplex Universal Catalog 湖泊整理，請授予 Dataplex Universal Catalog 服務帳戶 Dataplex 中繼資料讀取者 (roles/dataplex.metadataReader) 和 Dataplex 檢視者 (roles/dataplex.viewer) IAM 角色。 或者，您需要具備下列所有權限：

  • dataplex.lakes.list
  • dataplex.lakes.get
  • dataplex.zones.list
  • dataplex.zones.get
  • dataplex.entities.list
  • dataplex.entities.get
  • dataplex.operations.get

• 如要掃描 Cloud Storage 中的 BigQuery 外部資料表，請將 bucket 的「Storage 物件檢視者」角色 (roles/storage.objectViewer) 授予 Dataplex Universal Catalog 服務帳戶。或者，您也可以將下列權限指派給 Dataplex Universal Catalog 服務帳戶：

  • storage.buckets.get
  • storage.objects.get

• 如要將資料品質掃描結果發布為 Dataplex Universal Catalog 中繼資料，您必須取得資料表的 BigQuery 資料編輯者 (roles/bigquery.dataEditor) IAM 角色，以及資料表所在位置的 @bigquery 項目群組 dataplex.entryGroups.useDataQualityScorecardAspect 權限。或者，您必須在與資料表相同位置的 @bigquery 項目群組中，獲派 Dataplex Catalog 編輯者 (roles/dataplex.catalogEditor) 角色。

  或者，您需要具備下列所有權限：

  • bigquery.tables.update - 桌上
  • dataplex.entryGroups.useDataQualityScorecardAspect - 項目群組的 @bigquery

  或者，您需要下列所有權限：

  • dataplex.entries.update - @bigquery 項目群組
  • dataplex.entryGroups.useDataQualityScorecardAspect - 項目群組的 @bigquery

• 如要存取受 BigQuery 資料欄層級存取權政策保護的資料欄，請為這些資料欄指派 Dataplex Universal Catalog 服務帳戶權限。建立或更新資料掃描作業的使用者也需要欄的權限。

• 如果資料表已啟用 BigQuery 資料列層級存取權政策，您就只能掃描 Dataplex Universal Catalog 服務帳戶可見的資料列。請注意，系統不會評估個別使用者的存取權限是否符合資料列層級政策。

必要的資料掃描角色

如要使用自動資料品質功能，請要求管理員授予下列其中一種 IAM 角色：

• DataScan 資源的完整存取權：Dataplex DataScan 管理員 (roles/dataplex.dataScanAdmin)
• 如要建立 DataScan 資源：專案的 Dataplex DataScan 建立者 (roles/dataplex.dataScanCreator)
• DataScan 資源的寫入權限：Dataplex DataScan 編輯者 (roles/dataplex.dataScanEditor)
• 具備 DataScan 資源的讀取權限，但不包括規則和結果： Dataplex DataScan 檢視者 (roles/dataplex.dataScanViewer)
• DataScan 資源的讀取權，包括規則和結果： Dataplex DataScan 資料檢視者 (roles/dataplex.dataScanDataViewer)

下表列出 DataScan 權限：

權限名稱	授予下列權限：
dataplex.datascans.create	建立 DataScan
dataplex.datascans.delete	刪除 DataScan
dataplex.datascans.get	查看 ID 或時間表等作業中繼資料，但不包括結果和規則
dataplex.datascans.getData	查看 DataScan 詳細資料，包括規則和結果
dataplex.datascans.list	清單 DataScan
dataplex.datascans.run	執行 DataScan
dataplex.datascans.update	更新 DataScan 的說明
dataplex.datascans.getIamPolicy	查看掃描作業目前的 IAM 權限
dataplex.datascans.setIamPolicy	設定掃描作業的 IAM 權限

定義資料品質規則

您可以使用內建規則或自訂 SQL 檢查定義資料品質規則。如果您使用 Google Cloud CLI，可以在 JSON 或 YAML 檔案中定義這些規則。

以下各節的範例說明如何定義各種資料品質規則。這些規則會驗證含有顧客交易資料的範例資料表。假設資料表具有下列結構定義：

資料欄名稱	欄類型	資料欄說明
transaction_timestamp	時間戳記	交易的時間戳記。資料表會依這個欄位進行分區。
customer_id	String	客戶 ID 格式為 8 個字母，後接 16 位數字。
transaction_id	String	交易 ID 在資料表中不得重複。
currency_id	String	支援的幣別之一。幣別類型必須與維度表 dim_currency 中的可用幣別之一相符。
金額	浮點值	交易金額。
discount_pct	浮點值	折扣百分比。這個值必須介於 0 到 100 之間。

使用內建規則類型定義資料品質規則

下列範例規則是以內建規則類型為準。您可以使用 Google Cloud 控制台或 API，根據內建規則類型建立規則。Dataplex Universal Catalog 可能會建議部分規則。

資料欄名稱	規則類型	建議的尺寸	規則參數
transaction_id	唯一性檢查	唯一性	門檻：Not Applicable
amount	空值檢查	完整度	門檻：100%
customer_id	規則運算式檢查	有效性	規則運算式：^[0-9]{8}[a-zA-Z]{16}$ 門檻：100%
currency_id	值設定檢查	有效性	設定：USD,JPY,INR,GBP,CAN 門檻：100%

使用自訂 SQL 規則定義資料品質規則

如要建構自訂 SQL 規則，請使用下列架構：

• 建立一次評估一個資料列的規則時，請建立運算式，在 Dataplex Universal Catalog 評估查詢 SELECT COUNTIF(CUSTOM_SQL_EXPRESSION) FROM TABLE 時，產生成功資料列的數量。Dataplex Universal Catalog 會根據門檻檢查成功列數。

• 建立評估資料列或使用資料表條件的規則時，請建立運算式，讓 Dataplex Universal Catalog 評估查詢 SELECT IF(CUSTOM_SQL_EXPRESSION) FROM TABLE 時傳回成功或失敗。

• 建立規則來評估資料集的無效狀態時，請提供會傳回無效資料列的陳述式。如果傳回任何資料列，即代表這項規則失敗。省略 SQL 陳述式結尾的分號。

• 您可以在規則中使用資料參照參數 ${data()}，參照資料來源表格及其所有前提條件篩選器，而不必明確提及來源表格及其篩選器。前置條件篩選器的範例包括資料列篩選器、取樣百分比和遞增篩選器。${data()} 參數會區分大小寫。

下列範例規則是以自訂 SQL 規則為準。

規則類型	規則說明	SQL 運算式
資料列條件	檢查 discount_pct 的值是否介於 0 到 100 之間。	0 <discount_pct AND discount_pct < 100
資料列條件	參考檢查，確認 currency_id 是支援的貨幣之一。	currency_id in (select id from my_project_id.dim_dataset.dim_currency)
資料表條件	匯總 SQL 運算式，用於檢查平均 discount_pct 是否介於 30% 到 50% 之間。	30<avg(discount) AND avg(discount) <50
資料列條件	檢查日期是否為未來的日期。	TIMESTAMP(transaction_timestamp) < CURRENT_TIMESTAMP()
資料表條件	BigQuery 使用者定義函式 (UDF)，可檢查各國家/地區的平均交易金額是否低於預先定義的值。執行下列指令，建立 (Javascript) UDF： CREATE OR REPLACE FUNCTION myProject.myDataset.average_by_country ( country STRING, average FLOAT64) RETURNS BOOL LANGUAGE js AS R""" if (country = "CAN" && average < 5000){ return 1 } else if (country = "IND" && average < 1000){ return 1 } else { return 0 } """;	檢查 country=CAN 平均交易金額的規則範例。 myProject.myDataset.average_by_country( "CAN", (SELECT avg(amount) FROM myProject.myDataset.transactions_table WHERE currency_id = 'CAN' ))
資料表條件	BigQuery ML discount_pct 中的 predict 子句，可識別 discount_pct 中的異常狀況。系統會根據 customer、currency 和 transaction 檢查是否應套用折扣。這項規則會檢查預測值是否與實際值相符，至少 99% 的時間都必須相符。假設：機器學習模型是在使用規則前建立。使用下列指令建立機器學習模型： CREATE MODEL model-project-id.dataset-id.model-name OPTIONS(model_type='logistic_reg') AS SELECT IF(discount_pct IS NULL, 0, 1) AS label, IFNULL(customer_id, "") AS customer, IFNULL(currency_id, "") AS currency, IFNULL(amount, 0.0) AS amount FROM `data-project-id.dataset-id.table-names` WHERE transaction_timestamp < '2022-01-01';	下列規則會檢查預測準確率是否大於 99%。 SELECT accuracy > 0.99 FROM ML.EVALUATE (MODEL model-project-id.dataset-id.model-name, ( SELECT customer_id, currency_id, amount, discount_pct FROM data-project-id.dataset-id.table-names WHERE transaction_timestamp > '2022-01-01'; ) )
資料列條件	BigQuery ML 預測函式，用於識別 discount_pct 中的異常狀況。函式會根據 customer、currency 和 transaction 檢查是否應套用折扣。這項規則會找出所有預測結果不符的情況。 假設：機器學習模型是在使用規則前建立。使用下列指令建立 ML 模型： CREATE MODEL model-project-id.dataset-id.model-name OPTIONS(model_type='logistic_reg') AS SELECT IF(discount_pct IS NULL, 0, 1) AS label, IFNULL(customer_id, "") AS customer, IFNULL(currency_id, "") AS currency, IFNULL(amount, 0.0) AS amount FROM `data-project-id.dataset-id.table-names` WHERE transaction_timestamp < '2022-01-01';	下列規則會檢查每列的預測折扣是否與實際折扣相符。 IF(discount_pct > 0, 1, 0) =(SELECT predicted_label FROM ML.PREDICT( MODEL model-project-id.dataset-id.model-name, ( SELECT customer_id, currency_id, amount, discount_pct FROM data-project-id.dataset-id.table-names AS t WHERE t.transaction_timestamp = transaction_timestamp LIMIT 1 ) ) )
SQL 斷言	檢查是否有任何資料列的折扣百分比小於或等於 30，藉此驗證今天的 discount_pct 是否大於 30%。	SELECT * FROM my_project_id.dim_dataset.dim_currency WHERE discount_pct <= 30 AND transaction_timestamp >= current_date()
SQL 斷言 (含資料參照參數)	檢查所有支援的貨幣，今天的 discount_pct 是否大於 30%。 日期篩選器 transaction_timestamp >= current_date() 會套用為資料來源表格的資料列篩選器。 資料參照參數 ${data()} 會做為 my_project_id.dim_dataset.dim_currency WHERE transaction_timestamp >= current_date() 的預留位置，並套用列篩選器。	SELECT * FROM ${data()} WHERE discount_pct > 30

使用 gcloud CLI 定義資料品質規則

以下 YAML 檔案範例使用的部分規則，與使用內建型別的範例規則和範例自訂 SQL 規則相同。這個 YAML 檔案也包含資料品質掃描的其他規格，例如篩選器和取樣百分比。使用 gcloud CLI 建立或更新資料品質掃描時，您可以將類似這樣的 YAML 檔案做為 --data-quality-spec-file 引數的輸入內容。

rules:
- uniquenessExpectation: {}
  column: transaction_id
  dimension: UNIQUENESS
- nonNullExpectation: {}
  column: amount
  dimension: COMPLETENESS
  threshold: 1
- regexExpectation:
    regex: '^[0-9]{8}[a-zA-Z]{16}$'
  column : customer_id
  ignoreNull : true
  dimension : VALIDITY
  threshold : 1
- setExpectation :
    values :
    - 'USD'
    - 'JPY'
    - 'INR'
    - 'GBP'
    - 'CAN'
  column : currency_id
  ignoreNull : true
  dimension : VALIDITY
  threshold : 1
- rangeExpectation:
    minValue : '0'
    maxValue : '100'
  column : discount_pct
  ignoreNull : true
  dimension : VALIDITY
  threshold : 1
- rowConditionExpectation:
    sqlExpression : 0 < `discount_pct` AND `discount_pct` < 100
  column: discount_pct
  dimension: VALIDITY
  threshold: 1
- rowConditionExpectation:
    sqlExpression : currency_id in (select id from `my_project_id.dim_dataset.dim_currency`)
  column: currency_id
  dimension: VALIDITY
  threshold: 1
- tableConditionExpectation:
    sqlExpression : 30 < avg(discount_pct) AND avg(discount_pct) < 50
  dimension: VALIDITY
- rowConditionExpectation:
    sqlExpression : TIMESTAMP(transaction_timestamp) < CURRENT_TIMESTAMP()
  column: transaction_timestamp
  dimension: VALIDITY
  threshold: 1
- sqlAssertion:
    sqlStatement : SELECT * FROM `my_project_id.dim_dataset.dim_currency` WHERE discount_pct > 100
  dimension: VALIDITY
samplingPercent: 50
rowFilter: discount_pct > 100
postScanActions:
  bigqueryExport:
    resultsTable: projects/my_project_id/datasets/dim_dataset/tables/dim_currency
  notificationReport:
    recipients:
      emails:
      - '[e-mail]'
      - '[e-mail]'
    scoreThresholdTrigger:
      scoreThreshold: 50
    jobFailureTrigger: {}
    jobEndTrigger: {}
catalogPublishingEnabled: true

建立資料品質掃描作業

控制台

1. 在 Google Cloud 控制台，前往 Dataplex Universal Catalog 的「資料剖析與品質」頁面。

   前往「Data profiling & quality」(資料剖析與品質) 頁面

2. 按一下「建立資料品質掃描作業」。

3. 在「定義掃描」視窗中，填入下列欄位：

   1. 選用：輸入「顯示名稱」。

   2. 輸入 ID。請參閱資源命名慣例。

   3. 選用：輸入說明。

   4. 在「Table」(資料表) 欄位中，按一下「Browse」(瀏覽)。選擇要掃描的資料表，然後按一下「選取」。 系統僅支援標準 BigQuery 資料表。

      如為多區域資料集內的資料表，請選擇要建立資料掃描作業的區域。

      如要瀏覽 Dataplex Universal Catalog 湖泊中整理的資料表，請按一下「Browse within Dataplex Lakes」(在 Dataplex 湖泊中瀏覽)。

   5. 在「範圍」欄位中，選擇「增量」或「完整資料」。

      • 如果選擇「增量」：在「時間戳記資料欄」欄位中，從 BigQuery 資料表選取 DATE 或 TIMESTAMP 類型的資料欄，這類資料欄的值會隨著新增記錄而增加，並能用來識別新的記錄。另外，這類資料欄也可用來將資料表分區。

   6. 如要篩選資料，請勾選「篩選列」核取方塊。提供由有效 SQL 運算式組成的資料列篩選器，該運算式可用於 GoogleSQL 語法的 WHERE 子句。例如：col1 >= 0。篩選器可以結合多個資料欄條件。例如：col1 >= 0 AND col2 < 10。

   7. 如要對資料取樣，請在「取樣大小」清單中選取取樣百分比。請選擇介於 0.0% 至 100.0% 之間的百分比值，最多可有 3 位小數。如果是較大的資料集，請選擇較低的取樣百分比。舉例來說，如果資料表大小為 1 PB，且您輸入的值介於 0.1% 到 1.0% 之間，資料品質掃描就會取樣 1 到 10 TB 的資料。如果是增量資料掃描，資料品質掃描會對最新的增量套用取樣。

   8. 如要將資料品質掃描結果發布為 Dataplex Universal Catalog 中繼資料，請選取「將結果發布至 BigQuery 和 Dataplex Catalog」核取方塊。

      您可以在來源資料表的 BigQuery 和 Dataplex Universal Catalog 頁面中，查看「資料品質」分頁的最新掃描結果。如要讓使用者存取已發布的掃描結果，請參閱本文的「授予資料剖析掃描結果的存取權」一節。

   9. 在「時間表」部分，選擇下列其中一個選項：

      • 重複：按照排程執行資料品質掃描作業，排程可以是每小時、每天、每週、每月或自訂。指定掃描的執行頻率和時間。如果選擇自訂，請使用 cron 格式指定時間表。

      • 隨選：按需求執行資料品質掃描作業。

   10. 按一下「繼續」。

4. 在「資料品質規則」視窗中，定義要為這項資料品質掃描設定的規則。

   1. 按一下「新增規則」，然後選擇下列任一做法。

      • 以資料概況為基礎的建議：根據現有的資料剖析掃描結果，從建議中建立規則。

        1. 選擇資料欄：選取要取得建議規則的資料欄。

        2. 選擇掃描專案：如果資料剖析掃描作業所在的專案，與您建立資料品質掃描作業的專案不同，請選取要從哪個專案擷取剖析掃描作業。

        3. 選擇資料概況結果：選取一或多個資料概況結果，然後按一下「確定」。系統會據此填入建議規則清單，供您做為起點。

        4. 找出要新增的規則，勾選對應的核取方塊，然後按一下「選取」。選取後，規則會新增至目前的規則清單。然後編輯規則。

      • 內建規則類型：根據預先定義的規則建立規則。 請參閱預先定義的規則清單。

        1. 選擇資料欄：選取要套用規則的資料欄。

        2. 選擇規則類型：選取要選擇的規則類型，然後按一下「確定」。顯示的規則類型取決於您選取的資料欄。

        3. 找出要新增的規則，勾選對應的核取方塊，然後按一下「選取」。選取後，規則會新增至目前的規則清單。然後編輯規則。

      • SQL 資料列檢查規則：建立要套用至每個資料列的自訂 SQL 規則。

        1. 在「維度」中，選擇一個維度。

        2. 在「通過門檻」中，選擇必須通過檢查的記錄百分比。

        3. 在「欄名稱」中選擇資料欄。

        4. 在「Provide a SQL expression」(提供 SQL 運算式) 欄位中，輸入評估結果為布林值 true (通過) 或 false (失敗) 的 SQL 運算式。詳情請參閱支援的自訂 SQL 規則類型，以及「定義資料品質規則」一文中的範例。

        5. 按一下「新增」。

      • SQL 匯總檢查規則：建立自訂 SQL 資料表條件規則。

        1. 在「維度」中，選擇一個維度。

        2. 在「欄名稱」中選擇資料欄。

        3. 在「Provide a SQL expression」(提供 SQL 運算式) 欄位中，輸入評估結果為布林值 true (通過) 或 false (失敗) 的 SQL 運算式。詳情請參閱支援的自訂 SQL 規則類型，以及「定義資料品質規則」一文中的範例。

        4. 按一下「新增」。

      • SQL 斷言規則：建立自訂 SQL 斷言規則，檢查資料是否處於無效狀態。

        1. 在「維度」中，選擇一個維度。

        2. 選用：在「欄名稱」中選擇欄。

        3. 在「提供 SQL 陳述式」欄位中，輸入會傳回符合無效狀態資料列的 SQL 陳述式。如果傳回任何資料列，即代表這項規則失敗。請省略 SQL 陳述式結尾的分號。詳情請參閱「支援的自訂 SQL 規則類型」和「定義資料品質規則」中的範例。

        4. 按一下「新增」。

   2. 選用：您可以為任何資料品質規則指派自訂規則名稱，用於監控和警報，以及說明。如要這麼做，請編輯規則並指定下列詳細資料：

      • 規則名稱：輸入自訂規則名稱，長度上限為 63 個半形字元。 規則名稱可包含英文字母 (a-z、A-Z)、數字 (0-9) 和連字號 (-)，且開頭須為英文字母，結尾須為數字或英文字母。
      • 說明：輸入規則說明，長度上限為 1,024 個字元。

   3. 重複上述步驟，在資料品質掃描作業中新增其他規則。完成後，按一下「繼續」。

5. 選用步驟：將掃描結果匯出至 BigQuery 標準資料表。在「將掃描結果匯出至 BigQuery 資料表」部分，執行下列操作：

   1. 在「選取 BigQuery 資料集」欄位中，按一下「瀏覽」。選取 BigQuery 資料集，用來儲存資料品質掃描結果。

   2. 在「BigQuery table」(BigQuery 資料表) 欄位中，指定要儲存資料品質掃描結果的資料表。如果使用現有資料表，請確認該資料表與匯出資料表結構定義相容。如果指定的資料表不存在，Dataplex Universal Catalog 會為您建立。

      注意： 您可以為多個資料品質掃描作業使用同一個結果資料表。

6. 選用：新增標籤。標籤是鍵/值組合，可用來將相關的物件分組，或與其他 Google Cloud 資源組合。

7. 選用：設定電子郵件通知報告，在資料品質掃描工作完成時通知使用者。在「通知報表」部分，按一下「新增電子郵件 ID」，然後輸入最多五個電子郵件地址。然後選取要傳送報表的狀況：

   • 品質分數 (<=)：如果作業成功，但資料品質分數低於指定目標分數，系統就會傳送報表。輸入介於 0 到 100 之間的分數。
   • 工作失敗：無論資料品質結果如何，只要工作本身失敗，就會傳送報告。
   • 工作完成 (成功或失敗)：工作結束時傳送報表，無論資料品質結果如何。

8. 點選「建立」。

   掃描作業建立完成後，只要按一下「立即執行」，即可隨時執行掃描。

gcloud

如要建立資料品質掃描作業，請使用 gcloud dataplex datascans create data-quality 指令。

如果來源資料是按照 Dataplex Universal Catalog 湖泊整理，請加入 --data-source-entity 旗標：

gcloud dataplex datascans create data-quality DATASCAN \
    --location=LOCATION \
    --data-quality-spec-file=DATA_QUALITY_SPEC_FILE \
    --data-source-entity=DATA_SOURCE_ENTITY

如果來源資料未整理到 Dataplex Universal Catalog 湖泊中，請加入 --data-source-resource 旗標：

gcloud dataplex datascans create data-quality DATASCAN \
    --location=LOCATION \
    --data-quality-spec-file=DATA_QUALITY_SPEC_FILE \
    --data-source-resource=DATA_SOURCE_RESOURCE

請替換下列變數：

• DATASCAN：資料品質掃描的名稱。
• LOCATION：要建立資料品質掃描作業的 Google Cloud 區域。
• DATA_QUALITY_SPEC_FILE：包含資料品質掃描規格的 JSON 或 YAML 檔案路徑。檔案可以是本機檔案，也可以是前置字串為 gs:// 的 Cloud Storage 路徑。使用這個檔案指定掃描的資料品質規則。您也可以在這個檔案中指定其他詳細資料，例如篩選器、取樣百分比，以及掃描後動作，像是匯出至 BigQuery 或傳送電子郵件通知報告。請參閱 JSON 表示法說明文件和YAML 表示法範例。
• DATA_SOURCE_ENTITY：包含資料品質掃描資料的 Dataplex Universal Catalog 實體。例如：projects/test-project/locations/test-location/lakes/test-lake/zones/test-zone/entities/test-entity。
• DATA_SOURCE_RESOURCE：包含資料品質掃描資料的資源名稱。例如：//bigquery.googleapis.com/projects/test-project/datasets/test-dataset/tables/test-table。

REST

如要建立資料品質掃描作業，請使用 dataScans.create 方法。

如要根據資料剖析掃描結果，使用規則建議建立資料品質掃描規則，請對資料剖析掃描呼叫 dataScans.jobs.generateDataQualityRules 方法，取得建議。

注意：如果 BigQuery 資料表已將「需要分區篩選器」設為 true，請使用 BigQuery 分區資料欄做為資料品質掃描列篩選器或時間戳記資料欄。

匯出資料表結構定義

如要將資料品質掃描結果匯出至現有 BigQuery 資料表，請確認該資料表與下列結構定義相容：

資料欄名稱	資料欄資料類型	子欄位名稱 (如適用)	子欄位資料類型	模式	範例
data_quality_scan	struct/record	resource_name	string	可為空值	//dataplex.googleapis.com/projects/test-project/locations/europe-west2/datascans/test-datascan
		project_id	string	可為空值	dataplex-back-end-dev-project
		location	string	可為空值	us-central1
		data_scan_id	string	可為空值	test-datascan
data_source	struct/record	resource_name	string	可為空值	實體案例： //dataplex.googleapis.com/projects/dataplex-back-end-dev-project/locations/europe-west2/lakes/a0-datascan-test-lake/zones/a0-datascan-test-zone/entities/table1 表格案例： //bigquery.googleapis.com/projects/test-project/datasets/test-dataset/tables/test-table
		dataplex_entity_project_id	string	可為空值	dataplex-back-end-dev-project
		dataplex_entity_project_number	integer	可為空值	123456789
		dataplex_lake_id	string	可為空值	(僅在來源為實體時有效) test-lake
		dataplex_zone_id	string	可為空值	(僅在來源為實體時有效) test-zone
		dataplex_entity_id	string	可為空值	(僅在來源為實體時有效) test-entity
		table_project_id	string	可為空值	test-project
		table_project_number	integer	可為空值	987654321
		dataset_id	string	可為空值	(僅在來源為資料表時有效) test-dataset
		table_id	string	可為空值	(僅在來源為資料表時有效) test-table
data_quality_job_id	string			可為空值	caeba234-cfde-4fca-9e5b-fe02a9812e38
data_quality_job_configuration	json	trigger	string	可為空值	ondemand/schedule
		incremental	boolean	可為空值	true/false
		sampling_percent	float	可為空值	(0-100) 20.0 (表示 20%)
		row_filter	string	可為空值	col1 >= 0 AND col2 < 10
job_labels	json			可為空值	{"key1":value1}
job_start_time	timestamp			可為空值	2023-01-01 00:00:00 UTC
job_end_time	timestamp			可為空值	2023-01-01 00:00:00 UTC
job_rows_scanned	integer			可為空值	7500
rule_name	string			可為空值	test-rule
rule_type	string			可為空值	Range Check
rule_evaluation_type	string			可為空值	Per row
rule_column	string			可為空值	Rule only attached to a certain column
rule_dimension	string			可為空值	UNIQUENESS
job_quality_result	struct/record	passed	boolean	可為空值	true/false
		score	float	可為空值	90.8
job_dimension_result	json			可為空值	{"ACCURACY":{"passed":true,"score":100},"CONSISTENCY":{"passed":false,"score":60}}
rule_threshold_percent	float			可為空值	(0.0-100.0) Rule-threshold-pct in API * 100
rule_parameters	json			可為空值	{min: 24, max:5345}
rule_pass	boolean			可為空值	True
rule_rows_evaluated	integer			可為空值	7400
rule_rows_passed	integer			可為空值	3
rule_rows_null	integer			可為空值	4
rule_failed_records_query	string			可為空值	"SELECT * FROM `test-project.test-dataset.test-table` WHERE (NOT((`cTime` >= '15:31:38.776361' and `cTime` <= '19:23:53.754823') IS TRUE));"
rule_assertion_row_count	integer			可為空值	10

注意： 「資料欄」rule_assertion_row_count 僅適用於 SQL 斷言規則。

為資料品質掃描工作設定 BigQueryExport 時，請遵循下列準則：

• 針對 resultsTable 欄位，請使用下列格式： //bigquery.googleapis.com/projects/{project-id}/datasets/{dataset-id}/tables/{table-id}。
• 使用 BigQuery 標準資料表。
• 如果建立或更新掃描作業時，資料表不存在，Dataplex Universal Catalog 會為您建立資料表。
• 根據預設，資料表會依 job_start_time 資料欄每日分區。
• 如要以其他設定將資料表分區，或是不想分區，請使用所需結構定義和設定重新建立資料表，然後將預先建立的資料表做為結果資料表。
• 請確認結果資料表與來源資料表位於相同位置。
• 如果專案已設定 VPC-SC，結果資料表必須與來源資料表位於同一個 VPC-SC 範圍。
• 如果在掃描執行階段修改資料表，目前執行的工作會匯出至先前的結果資料表，且資料表變更會從下一個掃描工作生效。
• 請勿修改資料表結構定義。如需自訂資料欄，請在表格上建立檢視畫面。
• 如要降低費用，請根據用途設定分區的到期時間。詳情請參閱「設定資料分割區到期時間」。

執行資料品質掃描

控制台

1. 在 Google Cloud 控制台，前往 Dataplex Universal Catalog 的「資料剖析與品質」頁面。

   前往「Data profiling & quality」(資料剖析與品質) 頁面

2. 按一下要執行的資料品質掃描作業。

3. 按一下「立即執行」。

gcloud

如要執行資料品質掃描，請使用 gcloud dataplex datascans run 指令：

gcloud dataplex datascans run DATASCAN \
--location=LOCATION \

請替換下列變數：

• LOCATION：建立資料品質掃描作業的 Google Cloud 區域。
• DATASCAN：資料品質掃描的名稱。

REST

如要執行資料品質掃描，請使用 dataScans.run 方法。

查看資料品質掃描結果

控制台

1. 在 Google Cloud 控制台，前往 Dataplex Universal Catalog 的「資料剖析與品質」頁面。

   前往「Data profiling & quality」(資料剖析與品質) 頁面

2. 按一下資料品質掃描作業的名稱。

   • 「總覽」部分會顯示最近一次工作的相關資訊，包括掃描執行時間、各項工作掃描的記錄數量、所有資料品質檢查是否通過，以及失敗的資料品質檢查數量 (如有)。

   • 「資料品質掃描設定」部分會顯示掃描的詳細資料。

3. 如要查看工作的詳細資訊，例如指出通過規則百分比的資料品質分數、失敗的規則和工作記錄，請按一下「工作記錄」分頁標籤。然後按一下工作 ID。

注意： 如果您已將掃描結果匯出至 BigQuery 資料表，也可以從該資料表存取掃描結果。如果將掃描結果發布為 Dataplex Universal Catalog 中繼資料，即可查看資料品質分數。

gcloud

如要查看資料品質掃描工作的結果，請使用 gcloud dataplex datascans jobs describe 指令：

gcloud dataplex datascans jobs describe JOB \
--location=LOCATION \
--datascan=DATASCAN \
--view=FULL

請替換下列變數：

• JOB：資料品質掃描作業的作業 ID。
• LOCATION：建立資料品質掃描的 Google Cloud 區域。
• DATASCAN：工作所屬資料品質掃描的名稱。
• --view=FULL：如要查看掃描作業結果，請指定 FULL。

REST

如要查看資料品質掃描結果，請使用 dataScans.get 方法。

查看已發布的結果

如果資料品質掃描結果發布為 Dataplex Universal Catalog 中繼資料，您可以在Google Cloud 控制台的 BigQuery 和 Dataplex Universal Catalog 頁面，以及來源資料表的「資料品質」分頁中，查看最新的掃描結果。

1. 在 Google Cloud 控制台，前往 Dataplex Universal Catalog 的「Search」(搜尋) 頁面。

   前往「Search」(搜尋) 頁面

2. 搜尋並選取所需表格。

3. 按一下「資料品質」分頁標籤。

   系統會顯示最新發布的結果。

   注意： 如果這是第一次執行掃描，可能無法取得發布的結果。

查看歷來掃描結果

Dataplex Universal Catalog 會儲存最近 300 項工作或過去一年的資料品質掃描記錄 (以先到者為準)。

控制台

1. 在 Google Cloud 控制台，前往 Dataplex Universal Catalog 的「資料剖析與品質」頁面。

   前往「Data profiling & quality」(資料剖析與品質) 頁面

2. 按一下資料品質掃描作業的名稱。

3. 按一下「工作記錄」分頁標籤。

   「工作記錄」分頁提供過去工作相關資訊，例如每項工作掃描的記錄數量、工作狀態、工作執行時間，以及每項規則是否通過。

4. 如要查看工作的詳細資訊，請按一下「工作 ID」欄中的任一工作。

gcloud

如要查看歷來資料品質掃描工作，請使用 gcloud dataplex datascans jobs list 指令：

gcloud dataplex datascans jobs list \
--location=LOCATION \
--datascan=DATASCAN \

請替換下列變數：

• LOCATION：建立資料品質掃描的 Google Cloud 區域。
• DATASCAN：要查看歷史記錄作業的資料品質掃描名稱。

REST

如要查看歷來資料品質掃描工作，請使用 dataScans.jobs.list 方法。

授予資料品質掃描結果的存取權

如要允許貴機構使用者查看掃描結果，請按照下列步驟操作：

1. 在 Google Cloud 控制台，前往 Dataplex Universal Catalog 的「資料剖析與品質」頁面。

   前往「Data profiling & quality」(資料剖析與品質) 頁面

2. 按一下要分享結果的資料品質掃描。

3. 按一下「Permissions」(權限) 分頁標籤。

4. 請執行下列步驟：

   • 如要授予主體存取權，請按一下「授予存取權」。將 Dataplex DataScan 資料檢視者角色授予相關聯的主體。
   • 如要移除主體的存取權，請選取要移除 Dataplex DataScan DataViewer 角色的主體。依序點選 「移除存取權」，然後在系統提示時確認。

在 Cloud Logging 中設定快訊

如要使用 Cloud Logging 中的記錄設定資料品質失敗的快訊，請按照下列步驟操作：

控制台

1. 前往 Google Cloud 控制台的 Cloud Logging「Logs Explorer」(記錄檔探索工具)。

   前往「Logs explorer」(記錄檔探索工具)

2. 在「Query」(查詢) 視窗中輸入查詢。請參閱查詢範例。

3. 按一下 [Run Query] (執行查詢)。

4. 按一下「建立快訊」。系統隨即會開啟側邊面板。

5. 輸入快訊政策名稱，然後點選「下一步」。

6. 查看查詢。

   1. 按一下「預覽記錄」按鈕，測試查詢。系統會顯示符合條件的記錄。

   2. 點選「下一步」。

7. 設定通知間隔時間，然後按一下「下一步」。

8. 定義快訊的通知對象，然後按一下「儲存」建立快訊政策。

或者，您也可以在Google Cloud 控制台中依序前往「Monitoring」>「Alerting」，設定及編輯快訊。

gcloud

不支援。

REST

如要進一步瞭解如何在 Cloud Logging 中設定快訊，請參閱「使用 Monitoring API 建立以記錄為基礎的快訊政策」。

設定工作層級或維度層級快訊的查詢範例

• 以下是範例查詢，可針對資料品質掃描的整體資料品質失敗設定快訊：

  resource.type="dataplex.googleapis.com/DataScan"
  AND labels."dataplex.googleapis.com/data_scan_state"="SUCCEEDED"
  AND resource.labels.resource_container="projects/112233445566"
  AND resource.labels.datascan_id="a0-test-dec6-dq-3"
  AND NOT jsonPayload.dataQuality.passed=true
  

• 以下是範例查詢，可針對特定資料品質掃描作業的維度 (例如唯一性) 設定資料品質失敗警報：

  resource.type="dataplex.googleapis.com/DataScan"
  AND labels."dataplex.googleapis.com/data_scan_state"="SUCCEEDED"
  AND resource.labels.resource_container="projects/112233445566"
  AND resource.labels.datascan_id="a0-test-dec6-dq-3"
  AND jsonPayload.dataQuality.dimensionPassed.UNIQUENESS=false
  

• 範例查詢：針對資料表設定資料品質失敗的警報。

  • 針對未在 Dataplex Universal Catalog lake 中整理的 BigQuery 資料表，設定資料品質失敗警報：

    resource.type="dataplex.googleapis.com/DataScan"
    AND jsonPayload.dataSource="//bigquery.googleapis.com/projects/test-project/datasets/testdataset/table/chicago_taxi_trips"
    AND labels."dataplex.googleapis.com/data_scan_state"="SUCCEEDED"
    AND resource.labels.resource_container="projects/112233445566"
    AND NOT jsonPayload.dataQuality.passed=true
    

  • 針對 Dataplex Universal Catalog lake 中整理的 BigQuery 資料表，設定資料品質失敗的快訊：

    resource.type="dataplex.googleapis.com/DataScan"
    AND jsonPayload.dataSource="projects/test-project/datasets/testdataset/table/chicago_taxi_trips"
    AND labels."dataplex.googleapis.com/data_scan_state"="SUCCEEDED"
    AND resource.labels.resource_container="projects/112233445566"
    AND NOT jsonPayload.dataQuality.passed=true
    

設定每項規則快訊的查詢範例

• 以下是範例查詢，可針對資料品質掃描作業中所有失敗的資料品質規則，以及指定自訂規則名稱設定快訊：

  resource.type="dataplex.googleapis.com/DataScan"
  AND jsonPayload.ruleName="custom-name"
  AND jsonPayload.result="FAILED"
  

• 以下是範例查詢，可針對資料品質掃描的特定評估類型，為所有失敗的資料品質規則設定快訊：

  resource.type="dataplex.googleapis.com/DataScan"
  AND jsonPayload.evalutionType="PER_ROW"
  AND jsonPayload.result="FAILED"
  

• 以下是範例查詢，可針對資料品質掃描所用資料表中資料欄的所有失敗資料品質規則設定快訊：

  resource.type="dataplex.googleapis.com/DataScan"
  AND jsonPayload.column="CInteger"
  AND jsonPayload.result="FAILED"
  

排解資料品質失敗問題

針對每個含有失敗的資料列層級規則的工作，Dataplex Universal Catalog 會提供查詢，以取得失敗的記錄。執行這項查詢，即可查看不符合規則的記錄。

注意： 查詢會傳回資料表的所有欄，而不只是失敗的欄。

控制台

1. 在 Google Cloud 控制台，前往 Dataplex Universal Catalog 的「資料剖析與品質」頁面。

   前往「Data profiling & quality」(資料剖析與品質) 頁面

2. 按一下要排解記錄問題的資料品質掃描名稱。

3. 按一下「工作記錄」分頁標籤。

4. 按一下偵測到資料品質失敗的工作 ID。

5. 在隨即開啟的工作結果視窗中，找到「規則」部分的「查詢以取得失敗記錄」欄。按一下失敗規則的「將查詢複製到剪貼簿」。

6. 在 BigQuery 中執行查詢，查看導致工作失敗的記錄。

gcloud

不支援。

REST

1. 如要取得找出資料品質失敗的工作，請使用 dataScans.get 方法。

   在回應物件中，failingRowsQuery 欄位會顯示查詢。

2. 在 BigQuery 中執行查詢，查看導致工作失敗的記錄。

管理特定資料表的資料品質掃描作業

本文將說明如何使用 Google Cloud 控制台的 Dataplex Universal Catalog「資料剖析與品質」頁面，管理專案中的資料剖析掃描作業。

您也可以在處理特定資料表時，建立及管理資料剖析掃描作業。在 Google Cloud 控制台的資料表 Dataplex Universal Catalog 頁面中，使用「資料品質」分頁標籤。請執行下列步驟：

1. 在 Google Cloud 控制台，前往 Dataplex Universal Catalog 的「Search」(搜尋) 頁面。

   前往「Search」(搜尋) 頁面

   搜尋並選取資料表。

2. 按一下「資料品質」分頁標籤。

3. 視資料表是否已執行資料品質掃描，並將結果發布為 Dataplex Universal Catalog 中繼資料而定，您可以透過下列方式使用資料表的資料品質掃描：

   • 已發布資料品質掃描結果：頁面會顯示最新的掃描結果。

     如要管理這個資料表的資料品質掃描，請按一下「資料品質掃描」，然後選取下列選項：

     • 建立新的掃描作業：建立新的資料品質掃描作業。詳情請參閱本文的「建立資料品質掃描作業」一節。從資料表的詳細資料頁面建立掃描時，系統會預先選取該資料表。

     • 「立即執行」：執行掃描。

     • 編輯掃描設定：編輯設定，包括顯示名稱、篩選條件和時間表。

       如要編輯資料品質規則，請在「資料品質」分頁中，按一下「規則」分頁。按一下「修改規則」。更新規則，然後按一下「儲存」。

     • 管理掃描作業權限：控管哪些人可以存取掃描結果。 詳情請參閱本文的「授予資料品質掃描結果的存取權」一節。

     • 查看歷來結果：查看先前資料品質掃描工作的詳細資訊。詳情請參閱本文件的「查看資料品質掃描結果」和「查看歷來掃描結果」部分。

     • 查看所有掃描作業：查看適用於這個表格的資料品質掃描作業清單。

   • 未發布資料品質掃描結果：從下列選項中選取：

     • 建立資料品質掃描作業：建立新的資料品質掃描作業。詳情請參閱本文的「建立資料品質掃描作業」一節。從資料表的詳細資料頁面建立掃描時，系統會預先選取該資料表。

     • 查看現有掃描作業：查看適用於這個資料表的資料品質掃描作業清單。

更新資料品質掃描作業

您可以編輯現有資料品質掃描作業的各種設定，例如顯示名稱、篩選器、時間表和資料品質規則。

注意： 如果現有的資料品質掃描作業會將結果發布至Google Cloud 控制台的 BigQuery 和 Dataplex Universal Catalog 頁面，但您想改為將日後的掃描結果發布為 Dataplex Universal Catalog 中繼資料，則必須編輯掃描作業並重新啟用發布功能。你可能需要額外權限，才能啟用目錄發布功能。

控制台

1. 在 Google Cloud 控制台，前往 Dataplex Universal Catalog 的「資料剖析與品質」頁面。

   前往「Data profiling & quality」(資料剖析與品質) 頁面

2. 按一下資料品質掃描作業的名稱。

3. 如要編輯顯示名稱、篩選器和時間表等設定，請按一下「編輯」。編輯值，然後按一下「儲存」。

4. 如要編輯資料品質規則，請在掃描詳細資料頁面中，按一下「目前的規則」分頁標籤。按一下「修改規則」。更新規則，然後按一下「儲存」。

gcloud

如要更新資料品質掃描的說明，請使用 gcloud dataplex datascans update data-quality 指令：

gcloud dataplex datascans update data-quality DATASCAN \
--location=LOCATION \
--description=DESCRIPTION

更改下列內容：

• DATASCAN：要更新的資料品質掃描名稱。
• LOCATION：建立資料品質掃描的 Google Cloud 區域。
• DESCRIPTION：資料品質掃描的新說明。

注意： 您可以在資料品質規格檔案中更新規格欄位，例如 rules、rowFilter 或 samplingPercent。請參閱 JSON 和 YAML 表示法。

REST

如要編輯資料品質掃描作業，請使用 dataScans.patch 方法。

刪除資料品質掃描作業

控制台

1. 在 Google Cloud 控制台，前往 Dataplex Universal Catalog 的「資料剖析與品質」頁面。

   前往「Data profiling & quality」(資料剖析與品質) 頁面

2. 按一下要刪除的掃描結果。

3. 按一下「刪除」，然後在系統提示時確認刪除。

gcloud

如要刪除資料品質掃描作業，請使用 gcloud dataplex datascans delete 指令：

gcloud dataplex datascans delete DATASCAN \
--location=LOCATION \
--async

請替換下列變數：

• DATASCAN：要刪除的資料品質掃描名稱。
• LOCATION：建立資料品質掃描的 Google Cloud 區域。

REST

如要刪除資料品質掃描作業，請使用 dataScans.delete 方法。

後續步驟

• 請按照程式碼研究室：使用 AI 輔助功能，簡化程式輔助資料品質操作。
• 瞭解資料剖析。
• 瞭解如何使用資料剖析功能。
• 按照教學課程使用 Terraform 以程式碼形式管理資料品質規則。