Spark流水线数据探查组件

发布于：2025-07-04 ⋅ 阅读:(71) ⋅ 点赞:(0)

Deequ是AWS实验室开发的一款开源数据质量监控工具，它构建在Apache Spark之上，主要用于大规模数据集的质量验证。Deequ允许用户定义"数据质量约束"，并自动计算指标来验证这些约束是否得到满足，从而帮助数据工程师和分析师确保其数据的正确性和完整性。

在数据从数据源抽取、转换并加载到数据仓库的ETL过程中，Deequ可以嵌入其中，对每一步的数据进行质量检查。例如，在数据抽取后检查数据的完整性，在转换过程中检查数据的一致性和准确性，确保只有符合质量要求的数据才能进入数据仓库，避免错误数据对后续数据分析和决策的影响。

Spark流水线数据探查组件采用Deequ实现，可将任意节点输出的DataFrame数据集进行数据探查，字段如下：

字段名	含义	类型	备注
columnName	分析的列名	StringType	所有类型字段
completeness	该列的完整性，取值范围在 0 到 1 之间，1 代表无缺失值。	DoubleType	所有类型字段
approximateNumDistinctValues	该列不同值的近似数量	LongType	所有类型字段
dataType	该列的数据类型	StringType	所有类型字段
typeCounts	键为数据类型名称，值为该类型在列中出现的次数。	MapType(StringType, LongType)	所有类型字段
minimum	该列的最大值	DoubleType	整形类型字段
maximum	该列的最小值	DoubleType	整形类型字段
mean	该列的平均值	DoubleType	整形类型字段
sum	该列所有值的总和	DoubleType	整形类型字段
stdDev	该列的标准差	DoubleType	整形类型字段
approxPercentiles	该列的近似分位数	StringType	整形类型字段
minLength	字符串列中最短字符串的长度	IntegerType	字符类型字段
maxLength	字符串列中最长字符串的长度	IntegerType	字符类型字段