Публикуется от имени IvanovAleksey.
В интернете мало информации по тестированию Data Warehouse.
Можно найти общие требования: полнота данных, качество и т.п.
Но нигде нет описания организации процесса, и какими проверками можно покрыть эти требования.
В этой статье постараюсь рассказать: как мы тестируем Хранилище данных в "Тинькофф Банк".
Наш Data Warehouse
Сначала коротко опишу наше Хранилище.
Процессы загрузки и обработки данных реализованы в виде джобов. Джобы запускаются на планировщике обычно ночью, когда никто не использует внешние системы (нагрузка на них минимальна), и после закрытия бизнес дня.
Структура базы — это множество таблиц разного объема (от нескольких строк до 3 млрд. и более), с разным количеством колонок (от 1 до 200), с историчностью и без неё. Размер базы около 35Тб.
Используются внешние источники данных: oracle, CSV/XLS файлы, MySql, Informix, BIN файлы, CDH – Cloudera(Hadoop). Выгружаем данные во внешние системы также через oracle, SAS таблицы и в виде CSV/XLS файлов.
Объекты хранилища (описание баз, джобов, таблиц, вьюх и.т.п) разрабатываются в SAS Data Integration Studio и хранятся на SAS сервере в виде метаданных. Физически таблицы находятся в базах Greenplum и SAS.
Для запуска джобов, по метаданным генерируется код и переносится на деплоймент сервер. После чего они могут быть запущены на планировщике.
Изменения на среды, переносятся в виде пакетов, состоящих из метаданных и скриптов (на создание/правку физики, данных). Для удобства переноса разработчиками была написана специальная программа «Авторелиз».
Для ручного запуска джобов есть веб портал. Там же можно увидеть запущенные планировщики и статусы работающих на них джобов.
Объекты тестирования
Любая доработка DWH представляет собой создание/изменение физики и метаданных таблиц и джобов. Либо это корректировка скриптами уже загруженных данных.
Например, создается новая витрина. В пакете будут метаданные нового джоба и таргета и скрипт на создание физики новой таблицы в базе данных.
Таким образом, объект тестирования – это измененный/созданный по задаче джоб, данные в его целевой таблице и данные в целевых таблицах зависимых джобов (если они есть).
Уровни и виды тестирования
Наш тестовый контур полностью повторяет продуктивный: тоже железо, те же данные, того же объема, загружаются и обрабатываются с помощью таких же процессов. Учитывая эту особенность, а так же то, что задачи разрабатываются, когда в источниках уже есть все необходимые данные, можно без потери качества сократить объем проверок.
Нагрузочное тестирование(Performance testing) и тестирование на больших объемах данных(Volume testing) проводим только при переносе задачи на тест: проверяем время работы джоба, нагрузку на стенд и объем ворков (не буду эти проверки подробно описывать в этой статье).
На системном уровне работа джобов и качество данных проверяется автоматически. За джобами следит сам ночной планировщик и скрип контроля объемов ворков. А данные после загрузки, проверяются с помощью Data Quality Daemon (о нем ниже). Если что-то не так с данными, ответственным приходят письма с ошибками.
Из «белого ящика» смотрим только правильное указание среды (были ошибки с хардкодом схем test и dev). В будущем планируется проверять это автоматом, при публикации пакета разработчиком.
Основными у нас являются функциональное тестирование («черный ящик») и проверка регрессии, на уровнях: компонентов и интеграции.
С учетом определенных в предыдущем абзаце объектов тестирования, полный набор проверок выглядит так:
- Модульное тестирование. Проверяем сам новый/измененный джоб и данные в его целевой таблице.
Функциональное тестирование: строим прототип и сравниваем со значениями в новых/измененных колонках целевых таблиц.
Регрессионное тестирование: выполняем сравнение с бекапом, незатронутые доработкой данные, должны совпадать. - Интеграционное тестирование. Проверяем качество данных на выходе зависимых джобов (в которые не вносились изменения) и во внешних системах.
Функциональное тестирование: качество затронутых доработкой данных должно соответствовать ТЗ.
Регрессионное тестирование: качество незатронутых доработкой данных, не должно изменится.
Под «сравнением с бекапом» имеется в виду сверка результатов работы новой и предыдущей версии джоба. То есть старый и новый джоб запускаются на одинаковых данных. И сравниваются их целевые таблицы.
«Прототип» — набор данных, собранный по ТЗ, и который должен быть в витрине после доработки. Это может быть макет либо полностью новой таблицы, либо только изменившихся колонок в старой таблице.
В зависимости от задачи, некоторые из этих проверок могут быть избыточными. Определив типы доработки, можно избавится от избыточных проверок и сократить время тестирования.
Виды изменений и проверки
Проект Data Warehouse в банке постоянно развивается – создаются новые витрины, дорабатываются старые, оптимизируются процессы загрузки. Но в действительности все задачи можно разделить на четыре группы со своим достаточным набором тестов:
- Технические.
Оптимизация, миграция и т.п. – то есть задачи, где алгоритм не меняется. И данные в целевой таблице тоже не должны измениться.
Достаточно выполнить проверку регрессии: сравнить таргет измененного джоба с бекапом. Зависимые джобы можно не проверять, т.к. если таргет совпадает с бекапом – зависимый джоб его так же обработает. - Изменение старого функционала.
Меняется алгоритм, фильтры (меняется кол-во строк), добавляются новые поля, источники. То есть, меняется набор данных в целевой таблице.
Необходимо выполнить все проверки: сравнить данные в целевой таблице измененного джоба с бекапом и прототипом, проверить качество данных в таблицах зависимых джобов и внешних системах. - Разработка новых витрин.
Создаются новые таблицы и джобы, которые их загружают.
Выполняем только функциональное тестирование: сверяем целевые таблицы с прототипами.
Если выгрузка идет во внешнюю систему, дополнительно проверяем интеграцию — смотрим, как во внешней системе отображаются загруженные данные. - Правка данных.
Удаление дублей, старых записей, исправление версионности, проставление корректных значений.
Проверка этих изменений довольно сложная и описать её в двух предложениях не получится. Подробно расскажу в следующей статье
Если в рамках проекта/задачи присутствуют сразу несколько видов изменений, то в тестовый набор берем проверки по каждому из них.
Этих проверок достаточно, чтобы гарантировать соответствие требований и результатов разработки в большинстве задач.
Блиц проверки
Построение прототипа и выполнение сравнения может занять много времени (зависит от производительности среды и объема данных). Мы столкнулись с этой проблемой, когда тестовый контур был слабее продуктивного. Чтобы не потерять зря время на сравнении и сразу выловить критичные дефекты, использовались быстрые проверки.
Подходят для любого типа задач и выполняются перед началом тестирования:
- Задача пришла на тест и джоб отрабатывает (да, это иногда забывают проверить)
- Не должно быть null и дублей по ключу (если в ТЗ не указано обратное). Версионность таблицы должна быть соблюдена.
- По новым полям приходят данные: select count(new_field) from table1 должно быть больше 0.
- Новые записи загружаются в таблицу: сравниваем кол-во записей в бекапе и таргете.
Если они завершились неудачно – можно сразу вернуть задачу в разработку/завести дефект Critical.
Инструменты
Основные действия во время тестирования: накат задач на тест, сравнение таблиц. И они подходят для автоматизации.
Как уже говорил, для переноса используется собственная разработка, программа «Авторелиз». Что позволяет сэкономить время и избежать ошибок при ручном переносе.
Работа программы выглядит примерно так:
- Снимаются бекапы физики таблиц и метаданных измененных объектов.
- Выполняются скрипты, которые должны выполниться до импорта новых метаданных
- Импорт метаданных.
- Выполняются скрипты, которые должны выполниться после импорта метаданных и перед запуском джобов на планировщике.
- Деплой джобов и запуск на планировщике.
- Выполняются скрипты, которые должны выполниться после завершения работы джоба.
Запускается через консоль. На вход подается номер задачи, имя среды и дополнительные параметры(например делать паузу после каждого шага).
Для сравнения таблиц (таргет с прототипом/бекапом) используется специальный макрос, который сверяет значения в строках по указанному ключу и сопоставляет заполняемость полей.
На вход макросу передаются имена таблиц и ключ сравнения.
Пример результата работы:
Количество расхождений по колонкам. Сами расхождения смотрите в difference.
| Obs | column_name | differ_base_to_comp |
|---|---|---|
| 1 | column_1 | 0 |
| 2 | column_2 | 20 |
| 3 | column_3 | 0 |
Количество расхождений в группировках по _cd и _flg полях.
| Obs | column_name | column_group | base_groups | compare_groups | diff | base_group_pct | compare_group_pct | diff_group_pct |
|---|---|---|---|---|---|---|---|---|
| 1 | column_2 | A | 18743 | 63 | 18680 | 0.0021 | 0.0024 | -0.0003 |
| 2 | column_2 | B | 4451740 | 17756 | 4433984 | 0.4897 | 0.6877 | -0.1980 |
| 3 | column_2 | C | 4619311 | 7813 | 4611498 | 0.5082 | 0.3026 | 0.2056 |
| 4 | column_2 | null | 191 | 188 | 3 | 0.0000 | 0.0073 | -0.0073 |
Для проверки качества данных используется макрос профайлинга. Который считает кол-во и процент записей с null по каждой колонке, дубли и нул по ключу, строк в группировке по флагам и значениям, min/max/avg по суммам в столбцах.
На вход подается название таблицы и ключ.
На выходе получаем отчет, с табличками по каждому из расчетов.
Пример:
Количество миссингов по колонкам.
| Obs | column_name | base_nulls | nulls_pct |
|---|---|---|---|
| 1 | column_1 | 0 | 0.00 |
| 2 | column_2 | 0 | 0.00 |
| 3 | column_3 | 7 | 0.03 |
| 4 | column_4 | 0 | 0.00 |
| 5 | column_5 | 0 | 0.00 |
Так же есть макрос для сравнения профайлингов двух таблиц между собой (или с таблицей на продуктиве). Принцип работы тот же: выполняются профайлинги для каждой таблицы, и полученные результаты сравниваются.
Отчет на выходе похож на обычный профайлинг, только с данными по двум таблицам.
Контроль качества данных
Для контроля качества данных во всем хранилище используется самописный Data Quality Daemon (DQD), который проверяет все таблицы на соответствие правилам, составленными аналитиками и специалистами отдела контроля качества данных.
DQD представляет собой процесс, который каждые 10 минут находит обновившиеся таблицы и выполняет заданные SQL запросы. Результаты сравнивает с эталонными показателями (предустановленные значения) и рассылает отчет с отклонениями.
Пример отчета:
| Constraint Definition | SQL Script | Corrupted Rows Cnt |
|---|---|---|
| test_schema.table1 / Unique Entity Key [id] | select sum(cnt) as cnt from ( select 0 as cnt union all select 1 as cnt from test_schema.table1 group by id having count(*) > 1 union all select 1 as cnt from test_schema.table1 where not ((id ) is not null) ) sq | 15 |
Оформление тест кейсов
В нашем банке тестирование живет в Zephyr (надстройка Jira). Сами задачи на доработку оформляются как тикеты в Jira, а тест кейсы и тестраны в Zephyr.
Попробовав несколько вариантов, остановились на том, что заводим по кейсу на каждый измененный, в рамках задачи, джоб. Кейс называем: «<номер задачи в jira>: <имя джоба>». И линкуем к тикету.
Основные преимущества такого подхода:
- В задаче видно покрытие кейсами (какие джобы будут проверяться).
- Можно легко посчитать процент run/pass/failed.
- Простой поиск по имени джоба возвращает все написанные кейсы, их статус, кто и когда написал, выполнял и по какой задаче.
- Опять же, из названия кейса, можно узнать номер задачи на доработку. А открыв его перейти в неё по линку.
Что дальше?
Всегда можно что-то улучшить! Подробно изучив особенности объектов и процессов хранилища, можно оптимизировать составленные нами наборы проверок, придумать как их автоматизировать.
Например, не для всех слоев нужно проверять качество данных в витрине — достаточно совпадения с бекапом.
Так же хранилище само по себе содержит множество механизмов: инкрементальная загрузка, разные типы загрузки данных (replace, insert/update и т.д.), разные типы загрузчиков данных (обычные/для витрин с версионностью). Их особенности надо учитывать при написании тестовых сценариев.
На этом пока всё.
Надеюсь, статья получилась интересной и полезной. Если отзывы будут положительными, а тема тестирования DataWarehouse окажется востребованной – напишу продолжение.
Другие наши статьи о Хранилище Данных в "Тинькофф Банк":
- Интеграция SAS с Greenplum
- Data replication. Attunity Replicate and Greenplum
- Dual ETL: disaster Recovery для Greenplum
- В поисках идеального мониторинга
- Data Lake – от теории к практике. Сказ про то, как мы строим ETL на Hadoop
- Greenplum DB, как ядро DWH
- Impact анализ на примере инфраструктуры корпоративного хранилища данных
Автор: Тинькофф Банк
