从0到1介绍一下开源大数据比对平台dataCompare

1.背景&现状

在大数据领域也已经工作了多年，无论所待过的大公司还是小公司，都会遇到集群升级迁移过程中据搬迁等相关工作，经常会碰到搬迁之后，搬迁的数据是不是能对的上呢？两边数据究竟是不是一致的呢？如果不一致，那又有哪些差异呢？能不能更快地找到差异解决问题呢？

之前经常每个开发的同学自己写一些SQL 脚本进行去比对的，而且也没有一个评估标准。这样的话效率比较低下。

其实在《阿里巴巴大数据之路》这本其实有提到这样一个平台，但是由于没有对外使用，所以书中介绍比较简单。因此根据以往的工作经历，开发了一个大数据比对平台，用来辅助验证数据，命名为dataCompare。

主要解决如下几个问题：

(1)验证数据、数据比对，浪费极大的人力成本，一张表数据从对比数据到找差异数据可能要花1-2小时时间，如果再乘以表的数量，时间成本基本上就是2H*N(N为表的数量)

(2)没有一套标准，验证的结果难以评估，每个对比的同学对比标准也不支持，有的可能看看数据量对上就行了，但是其实数据并不一定能对的上

(3)经常是写一大段复杂的SQL，通过查看SQL运行的结果来进行判断是否有问题，通常还需要去调试SQL保证SQL能正常运行

2.目标

为了解决上述问题因此开发了一个大数据对比平台——dataCompare

(1)采用界面交互、勾选的方式或者低代码的方式即可实现自动化数据校验对比，避免复杂SQL调试

(2)建立一套统一的数据校验标准，避免不同开发同学选取的标准不一致，比如：量级对比、一致性对比

(3)提升数据团队的验数比对效率，至少提升50%左右

3.系统核心功能介绍

目前dataCompare 已经完成了如下功能：

(1)界面级交互数据对比任务配置，低代码少量配置快速生成对比任务

(2)量级对比、一致性对比、自动化差异case发现

(3)目前已经支持MySQL、Hive、Doris 等JDBC 数据库

对比流程如下：

(1)新建库信息

(2)选择需要对比数据信息

(3)执行对比任务

(4)差异发现

自动筛选出差异case，便于排查问题

4.系统架构设计

前端主要是针对数据校验对比选择表和字段，生成校验任务。

后端主要是采用spring boot、Mybatis 将前端的配置数据写入MySQL表里，然后启动MapReduce或者Spark 任务来进行校验，目前支持的引擎包括：MapReduce、Spark，数据存储包括：HDFS、Hive等，后续考虑扩展更多的数据引擎和存储引擎。

5.系统功能演示

(1)主页

(2)数据库配置页

(3)对比信息配置

(4)对比结果展示

(5)差异case自动发现

6.后续规划

(1)陌生表数据探测，包括：枚举值探测、范围值探测、主键hash 探测

(2)对比任务定时自动调度，对比结果报告自动发送至邮箱等多个渠道

(3)异源数据对比，目前本项目已经实现了同源数据对比功能，后续考虑扩展异源项目对比

7.核心代码开源

https://github.com/zhugezifang/dataCompare

https://gitee.com/ZhuGeZiFang/data-compare

你好，我是诸葛子房，前京东、BAT 程序员，Apache Griffin Contributor，在大数据领域有多年实践经验，喜欢在工作之余写一些文章总结。