基于Sqoop和Hadoop的数据质量分析报告

一个系统的数据质量不高通常是软件本身做的不够好，数据从源头就出现了问题。所以 有人说，搞软件开发做什么都不要做interface，因为即使是再久远的interface，都会时不时的给你来个SSC，而且他们还会把你5个字母的名字拼错4个。。。

为了能够持续归总interface数据质量报告，来完善系统流程，我们就需要定量定性的分析源头数据。

首先，我们为了能够更好的support产品issue，上游系统的消息以及处理之后的回馈信息，都会被保存在关系数据库里，对于我们来说，可以简单分析处理后的回馈信息，按照消息类型，消息源系统来分类，解析message，抽取error code，最后归总报告。

流程很清晰，但是落实到代码，如果简单利用cursor一行行读出来处理的话，效率肯定极其低下，怎么办？ 并行计算！可以利用MapReduce来处理。但是我们应该如何将保存在Oracle中Message导入Hadoop的HDFS中呢？

Sqoop ! Sqoop 是一个开源框架，用来实现Hadoop和关系数据库之间的数据迁移，使用截图如下：



从执行数据迁移时的截图可以看出Sqoop本身也是基于MapReduce设计的，所以他支持并行导入/导出数据，更为给力的是，在导入条件里，你可以用SQL来进行数据过滤，只导入/导出你关心的行或者列。但是Sqoop在大数据量迁移的时候性能不是很好，尤其在Oracle和Hadoop之间，不过不用担心，我们可以使用开源插件来提升Sqoop数据迁移性能，比如Quest Connector。其实Oracle本身也有类似的插件，但是第一，它只支持从Hadoop到Oracle的数据迁移，第二，它要license。

在数据被正确导入到HDFS之后，我们就可以开始编写MapReduce函数了，首先在map函数里根据消息类型，case by case的进行text ->xml object的转换，然后截取反馈信息（error code），接着在reduce函数里面按照源系统进行分区，汇总，最后再利用Sqoop导入Oracle。

定期的分析汇总已经结束，然后就需要持续follow了，就像每周的ART报告一样，需要定期查看最近的接口数据质量，来持续完成系统的改进和优化。