HIVE数仓数据血缘分析工具-SQL解析

2024-04-01 07:18
文章标签 sql 分析 工具 数据 解析 数仓 hive database 血缘

本文主要是介绍HIVE数仓数据血缘分析工具-SQL解析，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

一、数仓经常会碰到的几类问题：
1、两个数据报表进行对比，结果差异很大，需要人工核对分析指标的维度信息，比如从头分析数据指标从哪里来，处理条件是什么，最后才能分析出问题原因。
2、基础数据表因某种原因需要修改字段，需要评估其对数仓的影响，费时费力，然后在做方案。

二、问题分析：
数据源长途跋涉，经过大量的处理和组件来传递，呈现在业务用户面前，对数据进行回溯其实很难。元数据回溯在有效决策、策略制定、差异分析等过程中很重要。这两类问题都属于数据血缘分析问题，第一类叫做数据回溯、第二类叫做影响分析，是数据回溯的逆向。

三、解决方法：
自己实现了一套基于hive数仓的数据血缘分析工具，来完成各个数据表、字段之间的关系梳理，进而解决上面两个问题。

  • 工具主要目标：解析计算脚本中的HQL语句，分析得到输入输出表、输入输出字段和相应的处理条件，进行分析展现。
  • 实现思路：对AST深度优先遍历，遇到操作的token则判断当前的操作，遇到子句则压栈当前处理，处理子句。子句处理完，栈弹出。处理字句的过程中，遇到子查询就保存当前子查询的信息，判断与其父查询的关系，最终形成树形结构； 遇到字段或者条件处理则记录当前的字段和条件信息、组成Block，嵌套调用。
  • 关键点解析：
    1、遇到TOK_TAB或TOK_TABREF则判断出当前操作的表
    2、压栈判断是否是join，判断join条件
    3、定义数据结构Block,遇到在where\select\join时获得其下相应的字段和条件，组成Block
    4、定义数据结构ColLine,遇到TOK_SUBQUERY保存当前的子查询信息，供父查询使用
    5、定义数据结构ColLine,遇到TOK_UNION结束时，合并并截断当前的列信息
    6、遇到select　或者未明确指出的字段，查询元数据进行辅助分析
    7、解析结果进行相关校验

代码地址：http://download.csdn.net/detail/thomas0yang/9354943
https://download.csdn.net/download/thomas0yang/9369949
懒得改成github了☺

代码如下：
Block类

package com.xiaoju.products.parse;
import java.util.ArrayList;
import java.util.HashMap;
import java.util.HashSet;
import java.util.List;
import java.util.Map;
import java.util.Set;
import java.util.Stack;
import java.util.Map.Entry;
import java.util.LinkedHashSet;import org.antlr.runtime.tree.Tree;
import org.apache.hadoop.hive.ql.parse.ASTNode;
import org.apache.hadoop.hive.ql.parse.BaseSemanticAnalyzer;
import org.apache.hadoop.hive.ql.parse.HiveParser;
import org.apache.hadoop.hive.ql.parse.ParseDriver;import com.xiaoju.products.bean.Block;
import com.xiaoju.products.bean.ColLine;
import com.xiaoju.products.bean.QueryTree;
import com.xiaoju.products.exception.SQLParseException;
import com.xiaoju.products.exception.UnSupportedException;
import com.xiaoju.products.util.Check;
import com.xiaoju.products.util.MetaCache;
import com.xiaoju.products.util.NumberUtil;
import com.xiaoju.products.util.ParseUtil;
import com.xiaoju.products.util.PropertyFileUtil;/*** hive sql解析类* * 目的：实现HQL的语句解析，分析出输入输出表、字段和相应的处理条件。为字段级别的数据血缘提供基础。* 重点：获取SELECT操作中的表和列的相关操作。其他操作这判断到字段级别。* 实现思路：对AST深度优先遍历，遇到操作的token则判断当前的操作，遇到子句则压栈当前处理，处理子句。子句处理完，栈弹出。* 处理字句的过程中，遇到子查询就保存当前子查询的信息，判断与其父查询的关系，最终形成树形结构；* 遇到字段或者条件处理则记录当前的字段和条件信息、组成Block，嵌套调用。 * 关键点解析 * 		   1、遇到TOK_TAB或TOK_TABREF则判断出当前操作的表*         2、压栈判断是否是join，判断join条件*         3、定义数据结构Block,遇到在where\select\join时获得其下相应的字段和条件，组成Block*         4、定义数据结构ColLine,遇到TOK_SUBQUERY保存当前的子查询信息，供父查询使用*         5、定义数据结构ColLine,遇到TOK_UNION结束时，合并并截断当前的列信息*         6、遇到select *　或者未明确指出的字段，查询元数据进行辅助分析*         7、解析结果进行相关校验* 试用范围：* 1、支持标准SQL * 2、不支持transform using script*        * @author yangyangthomas     *    */
public class LineParser {private static final String SPLIT_DOT = ".";private static final String SPLIT_COMMA = ",";private static final String SPLIT_AND = "&";private static final String TOK_EOF = "<EOF>";private static final String CON_WHERE = "WHERE:";private static final String TOK_TMP_FILE = "TOK_TMP_FILE";private Map<String /*table*/, List<String/*column*/>> dbMap = new HashMap<String, List<String>>();private List<QueryTree> queryTreeList = new ArrayList<QueryTree>(); //子查询树形关系保存private Stack<Set<String>> conditionsStack = new Stack<Set<String>>();private Stack<List<ColLine>> colsStack = new Stack<List<ColLine>>();private Map<String, List<ColLine>> resultQueryMap = new HashMap<String,  List<ColLine>>();private Set<String> conditions = new HashSet<String>(); //where or join 条件缓存private List<ColLine> cols = new ArrayList<ColLine>(); //一个子查询内的列缓存private Stack<String> tableNameStack = new Stack<String>();private Stack<Boolean> joinStack = new Stack<Boolean>();private Stack<ASTNode> joinOnStack = new Stack<ASTNode>();private Map<String, QueryTree> queryMap = new HashMap<String, QueryTree>();private boolean joinClause = false;private ASTNode joinOn = null;private String nowQueryDB = "default"; //hive的默认库private boolean isCreateTable = false;//结果private List<ColLine> colLines = new ArrayList<ColLine>();  private Set<String> outputTables = new HashSet<String>();private Set<String> inputTables = new HashSet<String>();private List<ColLine> tmpColLines = new ArrayList<ColLine>();  private Set<String> tmpOutputTables = new HashSet<String>();private Set<String> tmpInputTables = new HashSet<String>();public List<ColLine> getColLines() {return colLines;}public Set<String> getOutputTables() {return outputTables;}public Set<String> getInputTables() {return inputTables;}private void parseIteral(ASTNode ast) {prepareToParseCurrentNodeAndChilds(ast);parseChildNodes(ast);parseCurrentNode(ast);endParseCurrentNode(ast);}/*** 解析当前节点* @param ast* @param set* @return*/private void parseCurrentNode(ASTNode ast){if (ast.getToken() != null) {switch (ast.getToken().getType()) {case HiveParser.TOK_CREATETABLE: //outputtableisCreateTable = true;String tableOut = fillDB(BaseSemanticAnalyzer.getUnescapedName((ASTNode) ast.getChild(0)));tmpOutputTables.add(tableOut);MetaCache.getInstance().init(tableOut); //初始化数据，供以后使用break;case HiveParser.TOK_TAB:// outputTableString tableTab = BaseSemanticAnalyzer.getUnescapedName((ASTNode) ast.getChild(0));String tableOut2 = fillDB(tableTab);tmpOutputTables.add(tableOut2);MetaCache.getInstance().init(tableOut2); //初始化数据，供以后使用break;case HiveParser.TOK_TABREF:// inputTableASTNode tabTree = (ASTNode) ast.getChild(0);String tableInFull = fillDB((tabTree.getChildCount() == 1) ?  BaseSemanticAnalyzer.getUnescapedName((ASTNode) tabTree.getChild(0)): BaseSemanticAnalyzer.getUnescapedName((ASTNode) tabTree.getChild(0))+ SPLIT_DOT + BaseSemanticAnalyzer.getUnescapedName((ASTNode) tabTree.getChild(1)));String tableIn = tableInFull.substring(tableInFull.indexOf(SPLIT_DOT) + 1);	tmpInputTables.add(tableInFull);MetaCache.getInstance().init(tableInFull); //初始化数据，供以后使用queryMap.clear();String alia = null;if (ast.getChild(1) != null) { //(TOK_TABREF (TOK_TABNAME detail usersequence_client) c) alia = ast.getChild(1).getText().toLowerCase();QueryTree qt = new QueryTree();qt.setCurrent(alia);qt.getTableSet().add(tableInFull);QueryTree pTree = getSubQueryParent(ast);qt.setpId(pTree.getpId());qt.setParent(pTree.getParent());queryTreeList.add(qt);if (joinClause && ast.getParent() == joinOn) { // TOK_SUBQUERY join TOK_TABREF ,此处的TOK_SUBQUERY信息不应该清楚for (QueryTree entry : queryTreeList) { //当前的查询范围if (qt.getParent().equals(entry.getParent())) {queryMap.put(entry.getCurrent(), entry);

这篇关于HIVE数仓数据血缘分析工具-SQL解析的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/866540。

相关文章

SpringBoot分段处理List集合多线程批量插入数据方式

SpringBoot分段处理List集合多线程批量插入数据方式

《SpringBoot分段处理List集合多线程批量插入数据方式》文章介绍如何处理大数据量List批量插入数据库的优化方案：通过拆分List并分配独立线程处理,结合Spring线程池与异步方法提升效率... 目录项目场景解决方案1.实体类2.Mapper3.spring容器注入线程池bejsan对象4.创建
阅读更多...
线上Java OOM问题定位与解决方案超详细解析

线上Java OOM问题定位与解决方案超详细解析

《线上JavaOOM问题定位与解决方案超详细解析》OOM是JVM抛出的错误,表示内存分配失败,：本文主要介绍线上JavaOOM问题定位与解决方案的相关资料,文中通过代码介绍的非常详细,需要的朋... 目录一、OOM问题核心认知1.1 OOM定义与技术定位1.2 OOM常见类型及技术特征二、OOM问题定位工具
阅读更多...
PHP轻松处理千万行数据的方法详解

PHP轻松处理千万行数据的方法详解

《PHP轻松处理千万行数据的方法详解》说到处理大数据集,PHP通常不是第一个想到的语言,但如果你曾经需要处理数百万行数据而不让服务器崩溃或内存耗尽,你就会知道PHP用对了工具有多强大,下面小编就... 目录问题的本质php 中的数据流处理：为什么必不可少生成器：内存高效的迭代方式流量控制：避免系统过载一次性
阅读更多...
C#实现千万数据秒级导入的代码

C#实现千万数据秒级导入的代码

《C#实现千万数据秒级导入的代码》在实际开发中excel导入很常见,现代社会中很容易遇到大数据处理业务,所以本文我就给大家分享一下千万数据秒级导入怎么实现,文中有详细的代码示例供大家参考,需要的朋友可... 目录前言一、数据存储二、处理逻辑优化前代码处理逻辑优化后的代码总结前言在实际开发中excel导入很
阅读更多...
MySQL的JDBC编程详解

MySQL的JDBC编程详解

《MySQL的JDBC编程详解》：本文主要介绍MySQL的JDBC编程,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录前言一、前置知识1. 引入依赖2. 认识 url二、JDBC 操作流程1. JDBC 的写操作2. JDBC 的读操作总结前言本文介绍了mysq
阅读更多...
java.sql.SQLTransientConnectionException连接超时异常原因及解决方案

java.sql.SQLTransientConnectionException连接超时异常原因及解决方案

《java.sql.SQLTransientConnectionException连接超时异常原因及解决方案》：本文主要介绍java.sql.SQLTransientConnectionExcep... 目录一、引言二、异常信息分析三、可能的原因3.1 连接池配置不合理3.2 数据库负载过高3.3 连接泄漏
阅读更多...
Linux下MySQL数据库定时备份脚本与Crontab配置教学

Linux下MySQL数据库定时备份脚本与Crontab配置教学

《Linux下MySQL数据库定时备份脚本与Crontab配置教学》在生产环境中,数据库是核心资产之一,定期备份数据库可以有效防止意外数据丢失,本文将分享一份MySQL定时备份脚本,并讲解如何通过cr... 目录备份脚本详解脚本功能说明授权与可执行权限使用 Crontab 定时执行编辑 Crontab添加定
阅读更多...
深度解析Python中递归下降解析器的原理与实现

深度解析Python中递归下降解析器的原理与实现

《深度解析Python中递归下降解析器的原理与实现》在编译器设计、配置文件处理和数据转换领域,递归下降解析器是最常用且最直观的解析技术,本文将详细介绍递归下降解析器的原理与实现,感兴趣的小伙伴可以跟随... 目录引言：解析器的核心价值一、递归下降解析器基础1.1 核心概念解析1.2 基本架构二、简单算术表达
阅读更多...
MyBatis-plus处理存储json数据过程

MyBatis-plus处理存储json数据过程

《MyBatis-plus处理存储json数据过程》文章介绍MyBatis-Plus3.4.21处理对象与集合的差异：对象可用内置Handler配合autoResultMap,集合需自定义处理器继承F... 目录1、如果是对象2、如果需要转换的是List集合总结对象和集合分两种情况处理，目前我用的MP的版本
阅读更多...
深度解析Java @Serial 注解及常见错误案例

深度解析Java @Serial 注解及常见错误案例

《深度解析Java@Serial注解及常见错误案例》Java14引入@Serial注解,用于编译时校验序列化成员,替代传统方式解决运行时错误,适用于Serializable类的方法/字段,需注意签... 目录Java @Serial 注解深度解析1. 注解本质2. 核心作用(1) 主要用途(2) 适用位置3
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2