CN112783615B - 一种数据处理任务的清理方法和装置 - Google Patents

一种数据处理任务的清理方法和装置 Download PDF

Info

Publication number
CN112783615B
CN112783615B CN201911088870.8A CN201911088870A CN112783615B CN 112783615 B CN112783615 B CN 112783615B CN 201911088870 A CN201911088870 A CN 201911088870A CN 112783615 B CN112783615 B CN 112783615B
Authority
CN
China
Prior art keywords
task
cleaned
similarity
cleaning
data processing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911088870.8A
Other languages
English (en)
Other versions
CN112783615A (zh
Inventor
焦文健
王海旭
王建辉
陈希
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Wodong Tianjun Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Wodong Tianjun Information Technology Co Ltd
Priority to CN201911088870.8A priority Critical patent/CN112783615B/zh
Publication of CN112783615A publication Critical patent/CN112783615A/zh
Application granted granted Critical
Publication of CN112783615B publication Critical patent/CN112783615B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/242—Query formulation
    • G06F16/2433—Query languages
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本发明公开了一种数据处理任务的清理方法和装置，涉及数据处理技术领域。该方法的一种具体实施方式包括：获取第一待清理任务、第二待清理任务的SQL运行脚本；根据预设的一个或多个任务要素及所述任务要素的提取规则，从所述SQL运行脚本中，分别提取所述第一待清理任务及所述第二待清理任务的一个或多个所述任务要素的值；基于文本相似度算法，计算所述第一待清理任务与所述第二待清理任务对应的每一个所述任务要素的值的相似度，以确定所述第一待清理任务与所述第二待清理任务的相似度；若所述第一待清理任务与所述第二待清理任务的相似度大于阈值相似度，则清理所述第二待清理任务。该实施方式降低了人工参与，提高了任务清理效率。

Description

一种数据处理任务的清理方法和装置
技术领域
本发明涉及大数据技术领域，尤其涉及一种数据处理任务的清理方法和装置。
背景技术
随着互联网技术的发展，数据资源急剧增加，大数据已经成为企业日常运营的基础资源，分布式存储和计算工具则为企业应用大数提供了便利的工具。但是，随着企业规模的增加，大数据应用场景日益繁多、开发团队日益增加，出现了数据处理任务重复开发的现象，造成了对企业服务器压力过大、资源浪费等问题，现有的先开发后治理的模式导致了数据处理任务的治理难题。
目前针对数据处理任务重复开发的问题，常用的方法是人工进行统计或者任务梳理，清理重复开发的数据处理任务。但是，随着数据处理任务量的增加，人工统计管理数据处理任务的效率难以匹配数据处理任务重复开发的速率。此外，目前主要基于元数据进行数据处理任务的识别，但由于元数据质量依赖于开发者对字段注释、业务规则、加工口径等信息进行维护，可靠性低、且不具有通用性。
发明内容
有鉴于此，本发明提供一种数据处理任务的治理方法和装置，能够基于数据处理任务的SQL运行脚本自动识别相同或者相似的数处理任务，进而实现了对重复数据处理任务的清理，大大降低了人工的参与，提高了数据处理任务的清理效率。
为实现上述目的，根据本发明的一个方面，提供了一种数据处理任务的清理方法，包括：
获取第一待清理任务、第二待清理任务的SQL运行脚本；
根据预设的一个或多个任务要素及所述任务要素的提取规则，从所述SQL运行脚本中，分别提取所述第一待清理任务及所述第二待清理任务的一个或多个所述任务要素的值；
基于文本相似度算法，计算所述第一待清理任务与所述第二待清理任务对应的每一个所述任务要素的值的相似度，以确定所述第一待清理任务与所述第二待清理任务的相似度；
若所述第一待清理任务与所述第二待清理任务的相似度大于阈值相似度，则清理所述第二待清理任务。
可选地，分别从所述第一待清理任务、所述第二待清理任务对应的任务运行日志或任务运行代码中，获取所述第一待清理任务、所述第二待清理任务的所述SQL运行脚本。
可选地，还包括：
将所述SQL运行脚本解析为抽象语法树；
根据预设的一个或多个任务要素及所述任务要素的提取规则，从所述抽象语法树中分别提取所述第一待清理任务及所述第二待清理任务的一个或多个所述任务要素的值。
可选地，所述任务要素包括下述的一项或多项：待清理任务调用的第一表名、所述第一表名中的第一字段名、所述第一表名对应的分区名、所述第一表名依赖的第二表名、所述第二表名中的第二字段名、所述第二表名对应的分区名、所述待清理任务的计算规则、所述待清理任务的限定条件。
可选地，每一个所述任务要素具有对应的权重；
根据每一个所述任务要素的值的相似度、所述权重，计算所述第一待清理任务与所述第二待清理任务的相似度。
可选地，所述文本相似度算法为Boyer-Moore 25算法。
为实现上述目的，根据本发明的另一个方面，提供了一种数据处理任务的清理装置，包括：运行脚本获取模块、任务要素提取模块、相似度计算模块、任务清理模块；其中，
所述运行脚本获取模块，用于获取第一待清理任务、第二待清理任务的SQL运行脚本；
任务要素提取模块，用于根据预设的一个或多个任务要素及所述任务要素的提取规则，从所述SQL运行脚本中，分别提取所述第一待清理任务急所述第二待清理任务的一个或多个所述任务要素的值；
相似度计算模块，用于基于文本相似度算法，计算所述第一待清理任务与所述第二待清理任务的值的相似度，以确定所述第一待清理任务与所述第二待清理任务的相似度；
任务清理模块，用于若所述第一待清理任务与所述第二待清理任务的相似度大于阈值相似度，则清理所述第二待清理任务。
可选地，所述运行脚本获取模块，用于，分别从所述第一待清理任务、所述第二待清理任务对应的任务运行日志或任务运行代码中，获取所述第一待清理任务、所述第二待清理任务的所述SQL运行脚本。
可选地，所述任务要素提取模块，还用于，
将所述SQL运行脚本解析为抽象语法树；
根据预设的一个或多个任务要素及所述任务要素的提取规则，从所述抽象语法树中分别提取所述第一待清理任务及所述第二待清理任务的一个或多个所述任务要素的值。
可选地，所述任务要素包括下述的一项或多项：待清理任务调用的第一表名、所述第一表名中的第一字段名、所述第一表名对应的分区名、所述第一表名依赖的第二表名、所述第二表名中的第二字段名、所述第二表名对应的分区名、所述待清理任务的计算规则、所述待清理任务的限定条件。
可选地，每一个所述任务要素具有对应的权重；
所述相似度计算模块，用于根据每一个所述任务要素的值的相似度、所述权重，计算所述第一待清理任务与所述第二待清理任务的相似度。
可选地，所述文本相似度算法为Boyer-Moore 25算法。
为实现上述目的，根据本发明的又一个方面，提供了一种用于数据处理任务的清理的服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的数据处理任务的清理方法中任一所述方法。
为实现上述目的，根据本发明的再一个方面，提供了一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如上所述的数据处理任务的清理方法中任一所述方法。
上述发明中具有如下优点或有益效果：通过从SQL运行脚本提取任务要素，并基于文本相似度算法评估任务相似度，进而基于任务的相似度实现了对相似度较高或者重复数据处理任务的清理，大大降低了数据处理任务清理过程中人工的参与，提高了数据处理任务的清理效率，且避免了现有技术中基于元数据识别数据处理任务时元数据质量不稳定、差异大等问题。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的数据处理任务的清理方法的主要流程的示意图；
图2是根据本发明实施例的另一数据处理任务的清理方法的主要流程的示意图；
图3是根据本发明实施例的数据处理任务的清理装置的主要模块的示意图；
图4是本发明实施例可以应用于其中的示例性系统架构图；
图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的数据处理任务的清理方法的主要流程示意图，如图1所示，该数据处理任务的清理方法具体可以包括的步骤如下：
步骤S101，获取第一待清理任务、第二待清理任务的SQL运行脚本。
在一种可选的实施方式中，从所述第一待清理任务、所述第二待清理任务对应的任务运行日志或任务运行代码中，分别获取所述第一待清理任务、所述第二待清理任务的所述SQL运行脚本。例如，获取到的一个简单的SQL运行脚本内容如下：
select zs_url_frst_catg_nm,sum(zs_url_ord)test
from dim_zs_shop_traffics_source_detail a
where stat_date>'2018-10-20'and chan_cd＝2and
zs_url is not null
and zs_url_thrd_catg_nm like'％商品％'
group by zs_url_frst_catg_nm
limit 50
步骤S102，根据预设的一个或多个任务要素及所述任务要素的提取规则，从所述SQL运行脚本中，分别提取所述第一待清理任务及所述第二待清理任务的一个或多个所述任务要素的值。
不同数据处理任务的SQL运行脚本虽不同，但因在进行数据处理过程均需涉及调用的数据表或数据来源表等而不同的任务涉及调用的表等不同，以对不同的数据进行写入、变更等处理或对相同的数据进行不同的处理，因而可以提取数据处理任务的SQL运行脚本中的表名、表中处理的字段名、计算规则、加工逻辑等作为任务要素用以评定不同数据处理任务的相似度。此外，由于不同任务要素对数据处理任务相似度的影响不同，因而可以根据任务要素对数据处理任务相似度的影响定义不同任务要素对应的权重。更进一步，可以根据SQL运行脚本语法特性，定义从SQL运行脚本中提取相应任务要素的规则。如，数据处理任务需对不同的数据表进行处理时，SQL运行脚本中一般均会通过句子“INSERT/OVERWRITETABLE(表名)”来表示调用的表，因此可以定义提取数据处理任务调用的表名的规则为提取SQL运行脚本中“INSERT/OVERWRITE TABLE”之后的内容。任务要素的值即为根据定义的提取任务要素的规则，从SQL运行脚本中提权的任务要素对应的文本内容。
在一种可选的实施方式中，所述任务要素包括下述的一项或多项：待清理任务调用的第一表名、所述第一表名中的第一字段名、所述第一表名对应的分区名、所述第一表名依赖的第二表名、所述第二表名中的第二字段名、所述第二表名对应的分区名、所述待清理任务的计算规则、所述待清理任务的限定条件。具体地，以表1为例进行说明，预设的任务要素、任务要素的提取规则、任务要素的权重、根据提取规则提取的任务要素的值如下表1所示：
表1任务要素及提取规则
在一种可选的实施方式中，将所述SQL运行脚本解析为抽象语法树；根据预设的一个或多个任务要素及所述任务要素的提取规则，从所述抽象语法树中分别提取所述第一待清理任务及所述第二待清理任务的一个或多个所述任务要素的值。
抽象语法树(Abstract Syntax Tree，AST)，或简称语法树(Syntax tree)，是源代码语法结构的一种抽象表示，它以树状的形式表现编程语言的语法结构，树上的每个节点都表示源代码中的一种结构，之所以说语法是“抽象”的，是因为这里的语法并不会表示出真实语法中出现的每个细节，比如，嵌套括号被隐含在树的结构中，并没有以节点的形式呈现，而类似于if-condition-then这样的条件跳转语句，可以使用带有两个分支的节点来表示。可以理解的是，由于SQL运行脚本灵活性较高，对于同一数据处理任务不同的开发人员编写的SQL运行脚本差异大，无法统一，因此可以对需要清理的数据处理任务的SQL运行脚本进行统一格式处理，即将SQL运行脚本解析为抽象语法树(AST)，为方便提取SQL运行脚本中的内容。在此基础上，遍历抽象语法树，根据预设的任务要素及任务要素的题规则，提取任务要素的值。
比如：规则引擎中，要求提取SQL运行脚本中where子句中的内容当成限定条件用作任务要素，就需要将解析后的抽象语法树中所有filter内容进行总结获取类似“{[where:predicate:(((false and(chan_cd＝2))and zs_url is not"NULL")and(zs_url_thrd_catg_nm like'％商品％'))(type:boolean)],[group by:zs_url_frst_catg_nm]}”等内容，以将抽象的SQL运行脚本语法转化为便于计算任务相似度的任务要素的值。
步骤S103，基于文本相似度算法，计算所述第一待清理任务与所述第二待清理任务对应的每一个所述任务要素的值的相似度，以确定所述第一待清理任务与所述第二待清理任务的相似度。
在一种可选的实施方式中，每一个所述任务要素具有对应的权重；根据每一个所述任务要素的值的相似度、所述权重，计算所述第一待清理任务与所述第二待清理任务的相似度。具体地，任务相似度的计算公式如下：
任务相似度＝权重1*任务要素1的值的相似度+……+权重n*任务要素n的值的相似度
所述文本相似度算法包括但不限于：Boyer-Moore 25算法、TF-IDF(TermFrequency-Inverse Document Frequency)、simhash算法、余弦相似。在一个优选实施例中，所采用的文本相似度算法为Boyer-Moore 25算法。具体地，以采用的文本相似度算法为Boyer-Moore25算法为例进行说明，待清理任务Q与待清理任务D的相似度计算如下：
其中，Score(Q,D)即为待清理任务Q与待清理任务D的相似度的值；qi、di分别表示从SQL中分别提取的待清理任务Q与待清理任务D的第i个任务要素的值；Wi为第i个任务要素的权重；R(qi,di)则表示待清理任务Q与待清理任务D的第i个任务要素的值的相似度。
R(qi,di)用于分析脚本要素相关性：
其中，其中fi为qi中的元素在di中出现的频次，dl为di的长度，avgdl为dl的平均值，k和b为调节因子，一般取k＝2，b＝0.75。
具体地，以第i个任务要素为表名为例进行说明，从SQL运行脚本中分别提取的待清理任务Q、待清理任务D的表名的值分别为qi＝{table1,table2}、di＝{table1,table2,table3}，则fi为qi中元素在di中出现的频次，即重复出现的个数，即fi＝2，dl为di的长度，dl＝3。从上述公式可知，通过调整任务要素的提取规则和权重，可以衍生出不同的计算任务相似度的方法，这就为任务相似度计算提供了较大的灵活性。
步骤S104，若所述第一待清理任务与所述第二待清理任务的相似度大于阈值相似度，则清理所述第二待清理任务。阈值相似度可以是根据实际情况设定的任一值，如80、90、95等。
基于上述实施例提供的数据处理任务的清理方法，通过从SQL运行脚本提取任务要素，并基于文本相似度算法评估任务相似度，进而基于任务的相似度实现了对相似度较高或者重复数据处理任务的清理，大大降低了数据处理任务清理过程中人工的参与，提高了数据处理任务的清理效率，且避免了现有技术中基于元数据识别数据处理任务时元数据质量不稳定、差异大等问题。
参见图2，在上述实施例的基础上，提供了一种数据处理任务的清理方法，具体包括的步骤如下：
步骤S201，获取第一待清理任务、第二待清理任务的SQL运行脚本。
步骤S202，将所述SQL运行脚本解析为抽象语法树。
步骤S203，根据预设的一个或多个任务要素及所述任务要素的提取规则，从所述抽象语法树中分别提取所述第一待清理任务及所述第二待清理任务的一个或多个所述任务要素的值。
步骤S204，基于文本相似度算法，计算所述第一待清理任务与所述第二待清理任务对应的每一个所述任务要素的值的相似度，用以计算所述第一待清理任务与所述第二待清理任务的相似度。
步骤S205，若所述第一待清理任务与所述第二待清理任务的相似度大于阈值相似度，则清理所述第二待清理任务。
参见图3，在上述实施例的基础上，提供了一种数据处理任务的清理装置300，包括：运行脚本获取模块301、任务要素提取模块302、相似度计算模块303、任务清理模块304；其中，
所述运行脚本获取模块301，用于获取第一待清理任务、第二待清理任务的SQL运行脚本；
任务要素提取模块302，用于根据预设的一个或多个任务要素及所述任务要素的提取规则，从所述SQL运行脚本中，分别提取所述第一待清理任务急所述第二待清理任务的一个或多个所述任务要素的值；
相似度计算模块303，用于基于文本相似度算法，计算所述第一待清理任务与所述第二待清理任务的值的相似度，以确定所述第一待清理任务与所述第二待清理任务的相似度；
任务清理模块304，用于若所述第一待清理任务与所述第二待清理任务的相似度大于阈值相似度，则清理所述第二待清理任务。
在一种可选的实施方式中，所述运行脚本获取模块301，用于，从所述第一待清理任务、所述第二待清理任务对应的任务运行日志或任务运行代码中，分别获取所述第一待清理任务、所述第二待清理任务的所述SQL运行脚本。
在一种可选的实施方式中，所述任务要素提取模块302，还用于，将所述SQL运行脚本解析为抽象语法树；根据预设的一个或多个任务要素及所述任务要素的提取规则，从所述抽象语法树中分别提取所述第一待清理任务及所述第二待清理任务的一个或多个所述任务要素的值。
在一种可选的实施方式中，所述任务要素包括下述的一项或多项：待清理任务调用的第一表名、所述第一表名中的第一字段名、所述第一表名对应的分区名、所述第一表名依赖的第二表名、所述第二表名中的第二字段名、所述第二表名对应的分区名、所述待清理任务的计算规则、所述待清理任务的限定条件。
在一种可选的实施方式中，每一个所述任务要素具有对应的权重；所述相似度计算模块303，用于根据每一个所述任务要素的值的相似度、所述权重，计算所述第一待清理任务与所述第二待清理任务的相似度。
在一种可选的实施方式中，所述文本相似度算法为Boyer-Moore 25算法。
图4示出了可以应用本发明实施例的数据处理任务的清理方法或数据处理任务的清理装置的示例性系统架构400。
如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如任务相似度)反馈给终端设备。
需要说明的是，本发明实施例所提供的数据处理任务的清理方法一般由服务器405执行，相应地，数据处理任务的清理装置一般设置于服务器405中。
应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图5，其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括运行脚本获取模块、任务要素提取模块、相似度计算模块、任务清理模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，运行脚本获取模块还可以被描述为“用于分别获取第一待清理任务、第二待清理任务的SQL运行脚本的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：分别获取第一待清理任务、第二待清理任务的SQL运行脚本；根据预设的一个或多个任务要素及所述任务要素的提取规则，从所述SQL运行脚本中，分别提取所述第一待清理任务及所述第二待清理任务的一个或多个所述任务要素的值；基于文本相似度算法，计算所述第一待清理任务与所述第二待清理任务对应的每一个所述任务要素的值的相似度，用以计算所述第一待清理任务与所述第二待清理任务的相似度；在所述第一待清理任务与所述第二待清理任务的相似度大于阈值相似度的情况下，清理所述第二待清理任务。
根据本发明实施例的技术方案，通过从SQL运行脚本提取任务要素，并基于文本相似度算法评估任务相似度，进而基于任务的相似度实现了对相似度较高或者重复数据处理任务的清理，大大降低了数据处理任务清理过程中人工的参与，提高了数据处理任务的清理效率，且避免了现有技术中基于元数据识别数据处理任务时元数据质量不稳定、差异大等问题。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (9)

1.一种数据处理任务的清理方法，其特征在于，包括：
获取第一待清理任务、第二待清理任务的SQL运行脚本；
根据预设的一个或多个任务要素及所述任务要素的提取规则，从所述SQL运行脚本中，分别提取所述第一待清理任务及所述第二待清理任务的一个或多个所述任务要素的值；
基于文本相似度算法，计算所述第一待清理任务与所述第二待清理任务对应的每一个所述任务要素的值的相似度，以确定所述第一待清理任务与所述第二待清理任务的相似度；
若所述第一待清理任务与所述第二待清理任务的相似度大于阈值相似度，则清理所述第二待清理任务。
2.根据权利要求1所述的数据处理任务的清理方法，其特征在于，
分别从所述第一待清理任务、所述第二待清理任务对应的任务运行日志或任务运行代码中，获取所述第一待清理任务、所述第二待清理任务的所述SQL运行脚本。
3.根据权利要求1所述的数据处理任务的清理方法，其特征在于，还包括：
将所述SQL运行脚本解析为抽象语法树；
根据预设的一个或多个任务要素及所述任务要素的提取规则，从所述抽象语法树中分别提取所述第一待清理任务及所述第二待清理任务的一个或多个所述任务要素的值。
4.根据权利要求1所述的数据处理任务的清理方法，其特征在于，
所述任务要素包括下述的一项或多项：待清理任务调用的第一表名、所述第一表名中的第一字段名、所述第一表名对应的分区名、所述第一表名依赖的第二表名、所述第二表名中的第二字段名、所述第二表名对应的分区名、所述待清理任务的计算规则、所述待清理任务的限定条件。
5.根据权利要求1所述的数据处理任务的清理方法，其特征在于，
每一个所述任务要素具有对应的权重；
根据每一个所述任务要素的值的相似度、所述权重，计算所述第一待清理任务与所述第二待清理任务的相似度。
6.根据权利要求1所述的数据处理任务的清理方法，其特征在于，
所述文本相似度算法为Boyer-Moore 25算法。
7.一种数据处理任务的清理装置，其特征在于，包括：运行脚本获取模块、任务要素提取模块、相似度计算模块、任务清理模块；其中，
所述运行脚本获取模块，用于获取第一待清理任务、第二待清理任务的SQL运行脚本；
任务要素提取模块，用于根据预设的一个或多个任务要素及所述任务要素的提取规则，从所述SQL运行脚本中，分别提取所述第一待清理任务急所述第二待清理任务的一个或多个所述任务要素的值；
相似度计算模块，用于基于文本相似度算法，计算所述第一待清理任务与所述第二待清理任务的值的相似度，以确定所述第一待清理任务与所述第二待清理任务的相似度；
任务清理模块，用于若所述第一待清理任务与所述第二待清理任务的相似度大于阈值相似度，则清理所述第二待清理任务。
8.一种用于数据处理任务的清理的服务器，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN201911088870.8A 2019-11-08 2019-11-08 一种数据处理任务的清理方法和装置 Active CN112783615B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911088870.8A CN112783615B (zh) 2019-11-08 2019-11-08 一种数据处理任务的清理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911088870.8A CN112783615B (zh) 2019-11-08 2019-11-08 一种数据处理任务的清理方法和装置

Publications (2)

Publication Number Publication Date
CN112783615A CN112783615A (zh) 2021-05-11
CN112783615B true CN112783615B (zh) 2024-03-01

Family

ID=75748360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911088870.8A Active CN112783615B (zh) 2019-11-08 2019-11-08 一种数据处理任务的清理方法和装置

Country Status (1)

Country Link
CN (1) CN112783615B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113778644B (zh) * 2021-08-18 2024-01-26 煤炭科学研究总院有限公司 任务的处理方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101697121A (zh) * 2009-10-26 2010-04-21 哈尔滨工业大学 一种基于程序源代码语义分析的代码相似度检测方法
CN102760058A (zh) * 2012-04-05 2012-10-31 中国人民解放军国防科学技术大学 面向大规模协作开发的海量软件项目共享方法
CN105243159A (zh) * 2015-10-28 2016-01-13 福建亿榕信息技术有限公司 一种基于可视化脚本编辑器的分布式网络爬虫系统
CN106294139A (zh) * 2016-08-02 2017-01-04 上海理工大学 一种软件代码中重复片段的检测提取方法
CN109240903A (zh) * 2017-06-15 2019-01-18 北京京东尚科信息技术有限公司 一种自动评估的方法和装置
CN110096263A (zh) * 2019-04-28 2019-08-06 贝壳技术有限公司 Web前端代码自动生成方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8453027B2 (en) * 2009-09-17 2013-05-28 Microsoft Corporation Similarity detection for error reports
RU2606564C1 (ru) * 2015-09-30 2017-01-10 Акционерное общество "Лаборатория Касперского" Система и способ блокировки выполнения сценариев

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101697121A (zh) * 2009-10-26 2010-04-21 哈尔滨工业大学 一种基于程序源代码语义分析的代码相似度检测方法
CN102760058A (zh) * 2012-04-05 2012-10-31 中国人民解放军国防科学技术大学 面向大规模协作开发的海量软件项目共享方法
CN105243159A (zh) * 2015-10-28 2016-01-13 福建亿榕信息技术有限公司 一种基于可视化脚本编辑器的分布式网络爬虫系统
CN106294139A (zh) * 2016-08-02 2017-01-04 上海理工大学 一种软件代码中重复片段的检测提取方法
CN109240903A (zh) * 2017-06-15 2019-01-18 北京京东尚科信息技术有限公司 一种自动评估的方法和装置
CN110096263A (zh) * 2019-04-28 2019-08-06 贝壳技术有限公司 Web前端代码自动生成方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种基于GUI模型的测试脚本组合方法;王进华;黄松;惠战伟;吴开舜;;东南大学学报(自然科学版)(S1);全文 *

Also Published As

Publication number Publication date
CN112783615A (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
CN109522341B (zh) 实现基于sql的流式数据处理引擎的方法、装置、设备
CN112527649A (zh) 一种测试用例的生成方法和装置
CN110689268B (zh) 一种提取指标的方法和装置
US20190163828A1 (en) Method and apparatus for outputting information
CN111339743B (zh) 一种账号生成的方法和装置
CN111427899A (zh) 存储文件的方法、装置、设备和计算机可读介质
CN112783615B (zh) 一种数据处理任务的清理方法和装置
CN110705271B (zh) 一种提供自然语言处理服务的系统及方法
CN113190558A (zh) 一种数据加工方法和系统
CN111858621B (zh) 监控业务流程的方法、装置、设备和计算机可读介质
CN111414523A (zh) 一种数据获取方法和装置
CN113495891B (zh) 一种数据处理方法和装置
CN113779017A (zh) 数据资产管理的方法和装置
CN112862554A (zh) 一种订单数据的处理方法和装置
CN112799903A (zh) 一种业务系统健康状态的评估方法和装置
CN114201493B (zh) 数据接入方法、装置、设备以及存储介质
CN111723088B (zh) 一种推送汇总层表的方法和装置
CN112667627B (zh) 一种数据处理方法及装置
CN111290927A (zh) 一种数据监控方法和装置
CN116450622B (zh) 数据入库的方法、装置、设备和计算机可读介质
CN113157828B (zh) 一种推送数据的方法和装置
CN113268417B (zh) 一种任务执行方法和装置
CN113362097B (zh) 一种用户确定方法和装置
CN112925573B (zh) 网页加载的方法、装置、设备和计算机可读介质
CN110909269B (zh) 一种日志上报的方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant