字节跳动数据质量动态探查及相关前端实现

作者：字节跳动数据平台

2022 年 7 月 18 日
本文字数：4714 字
阅读完需：约 15 分钟

更多技术交流、求职机会、试用福利，欢迎关注字节跳动数据平台微信公众号，回复【1】进入官方交流群

需求背景

数据探查上线之前，数据验证都是通过写 SQL 方式进行查询的，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，但后续我们还发现了一些问题，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，解决的问题如下：

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：

图片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：

图片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  );}

复制代码

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：

图片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：

图片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    }  }}

复制代码

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    };  }}

复制代码

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。

立即跳转火山引擎大数据研发治理套件官网了解详情！

发布于: 刚刚阅读数: 5

原文链接:【http://xie.infoq.cn/article/21dbc9631689c930642e1c7e9】。文章转载请联系作者。

字节跳动数据平台

关注

公众号byte-dataplatform 2021.12.29 加入

字节跳动数据平台团队，赋能字节跳动各业务线，对内支持字节绝大多数业务线，对外发布了火山引擎品牌下的数据智能产品，服务行业企业客户。同名公众号欢迎了解。

发布

暂无评论

创作场景

字节跳动数据质量动态探查及相关前端实现

需求背景

应用场景

名词解释

技术实现

技术架构

关键技术及实现

大数据渲染

卡片联动

操作栈

应用实践

后续计划

字节跳动数据平台

评论