数仓搬迁：从方法到实践，带你解决数据一致性对比
摘要：数据仓库建设过程中，总是会涉及到不同平台、同一平台物理环境搬迁，由于数据仓库数据量庞大，往往数据搬迁不可能在一个短周期内完成，会涉及数据同步、校验、追批并跑、再校验过程。
本文主要阐述数据校验过程设计，供相关人员借鉴。
数据一致性校验最核心内容项
校验手段
根据常见数据存储类型，主要完成对象级记录一致性校验，字段级数值、时间、字符类型的数据一致性校验，即常规提到的表级count、字段级数值的sum、时间类型差值sum、字符类型的checksum。
下文以TD搬迁GaussDB(DWS)为例，
1. 记录数
a) 表级count(*)
2. 数据类型
a) 汇总Sum(cola)
b) 平均Avg(cola)
c) 例外，针对float类型这种存在精度缺失场景，或直接不校验，或比对两个平台差异小于5%范围即可接受；
d) 注意事项，不同平台可能存在sum放大小数点位数问题，可通过指定小数点位置，让两个平台数值完全一致；
3. 时间类型
a) 汇总Sum(时间转换数字)
b) Date类型实现样式
i. DWS：select extract(epoch from '20200819'::date);
ii. TD：sel (date'2020-08-19'-date'1970-01-01')*86400;
c) Time类型实现样式
i. DWS：select extract(epoch from '12:12:12'::time);
ii. TD：sel extract(hour from time'12:12:12')*3600+extract(minute from time'12:12:12')*60+extract(second from time'12:12:12');
d) TimeStamp类型实现
i. DWS：select extract(epoch from '2020-08-19 12:12:12'::timestamp);
ii. TD：sel ( (timestamp'2020-08-19 12:12:12'(date))-date'1970-01-01')*86400+extract(hour from timestamp'2020-08-19 12:12:12')*3600+extract(minute from timestamp'2020-08-19 12:12:12')*60+extract(second from timestamp'2020-08-19 12:12:12');
e) 即将两个平台将采用同一周期进行时间类型汇总，保证数据求和一致性；
4. 字符类型
a) 整体思路是将字符串在同一字符集条件下计算MD5值，再进行MD5串切分、异或（XOR），得到相对较小数值，再进行数值sum求和；
注，若两个平台均支持自定义聚合函数，可以直接进行每个字符串MD5值计算，再进行全部MD5值异或操作，得到最终值，用于识别数据一致性；
b) DWS实现逻辑
创建自定义函数，
Create or replace function xor_md5(text) returns bigint immutable as $$ select ('x'||lpad(substr(md5($1),1,8),16,'0'))::bit(64)::bigint # ('x'||lpad(substr(md5($1),9,8),16,'0'))::bit(64)::bigint # ('x'||lpad(substr(md5($1),17,8),16,'0'))::bit(64)::bigint # ('x'||lpad(substr(md5($1),25,8),16,'0'))::bit(64)::bigint; $$ language sql; create function xor_md5_latin(text) returns bigint immutable as $$ select ('x'||lpad(substr(md5(convert($1,'GB18030')),1,8),16,'0'))::bit(64)::bigint # ('x'||lpad(substr(md5(convert($1,'GB18030')),9,8),16,'0'))::bit(64)::bigint # ('x'||lpad(substr(md5(convert($1,'GB18030')),17,8),16,'0'))::bit(64)::bigint # ('x'||lpad(substr(md5(convert($1,'GB18030')),25,8),16,'0'))::bit(64)::bigint; $$ language sql;
c) TD实现逻辑
i. 方式一：创建SQL自定义函数
replace function xor_md5(inpt varchar(32000)) returns bigint language sql deterministic contains sql sql SECURITY DEFINER collation INVOKER INLINE TYPE 1 return bitxor( bitxor ( bitxor ( cast(from_bytes(to_bytes( translate(substr(hash_md5(udf_utf16to8(udf_w936to16(inpt,''))),1,8) using latin_to_unicode),'base16'),'base10') as bigint) ,cast(from_bytes(to_bytes( translate(substr(hash_md5(udf_utf16to8(udf_w936to16(inpt,''))),9,8) using latin_to_unicode),'base16'),'base10') as bigint)) ,cast(from_bytes(to_bytes( translate(substr(hash_md5(udf_utf16to8(udf_w936to16(inpt,''))),17,8) using latin_to_unicode),'base16'),'base10') as bigint)) ,cast(from_bytes(to_bytes( translate(substr(hash_md5(udf_utf16to8(udf_w936to16(inpt,''))),25,8) using latin_to_unicode),'base16'),'base10') as bigint));
注，TD通常实践中以Latin存储GBK中文数据，而GaussDB(DWS)一般推荐采用主流UTF8字符集存储数据，则双方进行字符md5计算时，需转换成同一个字符集，其中涉及hash_md5、udf_utf16to8、udf_w936to16三个非TD内置函数，需要https://downloads.teradata.com/查找下载
ii. 方式二：创建C自定义函数
replace function xor_md5_latin ( arg varchar(32000) character set latin) returns bigint language c no sql external name 'ci:md5:md5.h:cs:xor_md5:xor_md5_latin.c:cs:md5:md5.c:F:xor_md5' parameter style td_general; replace function xor_md5(inpt varchar(32000)) returns bigint language sql deterministic contains sql sql SECURITY DEFINER collation INVOKER INLINE TYPE 1 return xor_md5_latin(udf_utf16to8(udf_w936to16(inpt,'')));
C代码若有需要私聊留言
d) 测试数据如下
i. TD执行情况
Select xor_md5(‘a’); ------------------------ 2491710610 Select xor_md5_latin(‘中国’); ------------------------ 66934228 Select xor_md5(‘中国’); ------------------------ 1004201695 ii. GS执行情况 Select xor_md5(‘a’); ------------------------ 2491710610 Select xor_md5_latin(‘中国’); ------------------------ 66934228 Select xor_md5(‘中国’); ------------------------ 1004201695
校验数据范围
根据数据仓库数据特性，进行切片粒度数据收集，除记录数统计之外，其它均以字段级粒度收集数据，即一个切片一个字段产生一条记录信息。
注：针对VA类型，存在多日流水数据发生变化场景，将最新变化流水数据打包成一个切片进行校验；
通过以上切片粒度，实现数据增量校验；而每隔一个周期，再进行全量校验，保障数据完整、一致；
校验方式
根据数据仓库特性，可以分为常规批量校验和自定义校验；
通常，可以将校验嵌入批量过程中，即对应作业的数据表发生变化后，直接触发相关数据表校验，这样实现数据准实时校验，保证两个平台并跑期间数据一致性；另外，在确保两个平台数据稳定前提下，可以固定时间段或用户直接发起实时校验，用于核对平台一致性；
校验策略
可进行数据表分级分类，将有限校验计算资源投入到数据一致性校验中，可参照以下分类，
自动化服务
以上阐述了相关实现的方法论，最后再探讨一下如何实践；
自动化校验框架，建议常驻rest服务，用于接收客户端触发的校验请求，分发各数据平台执行校验采集工作，利用rest服务实现跨服务器交互问题；采用一个portal展现界面，用于用户录入自定义校验规则以及查看数据校验情况。
