CN114116865A - 一种数据处理方法、装置、设备以及存储介质 - Google Patents

Abstract

本发明公开了一种数据处理方法、装置、设备以及存储介质，属于计算机技术领域和大数据处理技术领域。该方法包括：获取数据发送方的原始数据，并将所述原始数据转换为分布式数据；根据数据提取规则和质量校验规则，对所述分布式数据进行处理，得到目标数据。通过上述技术方案，将原始数据转换为分布式数据，提高了数据的处理效率。

Description

一种数据处理方法、装置、设备以及存储介质

技术领域

本发明实施例涉及计算机技术领域和大数据处理技术领域，尤其涉及一种数据处理方法、装置、设备以及存储介质。

背景技术

由于企业数据量的增加，单机多线程进行数据抽取、转换和加载(ExtractTransform Load，ETL)变得越来越困难。现有技术采用多线程任务进行ETL处理，对内存消耗大，因此，一套快速灵活的具备大规模数据处理能力的ETL系统对于大数据分析系统尤为重要。

发明内容

本发明提供一种数据处理方法、装置、设备以及存储介质，以实现数据的快速处理。

第一方面，本发明实施例提供了一种数据处理方法，该方法包括：

获取数据发送方的原始数据，并将所述原始数据转换为分布式数据；

根据数据提取规则和质量校验规则，对所述分布式数据进行处理，得到目标数据。

第二方面，本发明实施例还提供了一种数据处理装置，该装置包括：

分布式数据确定模块，用于获取数据发送方的原始数据，并将所述原始数据转换为分布式数据；

目标数据确定模块，用于根据数据提取规则和质量校验规则，对所述分布式数据进行处理，得到目标数据。

第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：

一个或多个处理器；

存储器，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本发明任一实施例所提供的数据处理方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所提供的数据处理方法。

本发明实施例的技术方案，通过获取数据发送方的原始数据，并将原始数据转换为分布式数据，之后根据数据提取规则和质量校验规则，对分布式数据进行处理，得到目标数据。上述技术方案，相比于传统通过多线程对原始数据进行处理，本发明将原始数据转换为分布式数据，提高了数据的处理效率。

附图说明

图1是本发明实施例一提供的一种数据处理方法的流程图；

图2是本发明实施例二提供的一种数据处理方法的流程图；

图3是本发明实施例三提供的一种数据处理方法的流程图；

图4是本发明实施例四提供的一种数据处理装置的结构示意图；

图5是本发明实施例五提供的一种电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1是本发明实施例一提供的一种数据处理方法的流程图，本实施例可适用于ETL数据处理的情况，尤其适用于海量并发数据传递的情况，还适用于不同开发商系统直接进行数据处理的情况。该方法可以由数据处理装置来执行，该装置可以由软件和/或硬件的方式实现，并可集成于承载数据处理功能的电子设备中，例如服务器中，具体的，可以是数据获取方所使用的服务器中。

如图1所示，该方法具体可以包括：

S110、获取数据发送方的原始数据，并将原始数据转换为分布式数据。

本实施例中，原始数据是指未经过处理的数据。数据发送方可以是下级数据持有者，例如地市级数据持有者；相应的，数据接收方可以是上级数据获取这，例如省级数据获取者。

本实施例中，分布式数据可以是Spark DataFrame，其中，DataFrame是一个按指定列组织的分布式数据集合。

具体的，获取数据发送的原始数据，将原始数据转换为Spark DataFrame，并以表的形式将Spark DataFrame进行存储。

可选的，还可以定时获取数据发送方的原始数据，并将原始数据转换为分布式数据。例如可以每天或者每小时获取数据发送方的原始数据。

S120、根据数据提取规则和质量校验规则，对分布式数据进行处理，得到目标数据。

本实施例中，数据提取规则是指用于提取数据的规则，可以是SQL语句。所谓质量校验规则是指用于进行对提取后的数据进行校验的规则，可以是SQL语句。

所谓目标数据是指数据接收方得到的经过处理的数据。

本实施例中，可以将数据提取规则和质量校验规则，以及分布式数据输入至不同的数据提取模型中，经过模型处理，得到目标数据。

本发明实施例的技术方案，通过获取数据发送方的原始数据，并将原始数据转换为分布式数据，之后根据数据提取规则和质量校验规则，对分布式数据进行处理，得到目标数据。上述技术方案，相比于传统通过多线程对原始数据进行处理，本发明将原始数据转换为分布式数据，提高了数据的处理效率。

在上述技术方案的基础上，作为本发明的一种可选实施方式，在获取发送方的原始数据之后，还可以同时接收数据发送方发送的第一数据账单；根据所获取的原始数据生成第二数据账单；比对第一数据账单和第二数据账单中的数据内容是否一致；若不一致，则触发重新获取数据机制，重新获取数据发送方的原始数据。

其中，第一数据账单用于记录数据发送方发送的原始数据的条目、类别等。所谓第二数据账单是指数据接收方根据接收的原始数据生成的数据账单。所谓重新获取数据机制用于指示重新获取数据发送方的原始数据。

具体的，在接收数据发送方的原始数据的同时，还接收数据发送方发送的第一数据账单，之后根据所获取的原始数据生成第二数据账单，进而比对所获取第一数据账单和所生成第二数据账单中的数据内容是否一致；若不一致，即说明接收到的原始数据不完整，即没有将数据发送方发送的原始数据全部接收，存在数据丢失，则触发重新获取数据机制，重新获取数据发送方的原始数据。若一致，即说明将数据发送方的原始数据完整接收，则继续后续步骤。

可以理解的是，通过设置重新获取数据机制，可以保证数据接收方所获取的原始数据的完整性。

在上述实施例的基础上，作为本发明的另一种可选方式，还可以对目标数据、以及目标数据的提取过程和校验过程进行可视化。具体的，可以展示所获取的目标数据的数据量，还可以展示校验通过的数据量，还可以展示提取失败信息等。

可以理解的是，通过对数据进行可视化，可以直观的向用户展示数据，提升用户体验。

实施例二

图2是本发明实施例二提供的一种数据处理方法的流程图，在上述实施例的基础上，进一步优化，提供一种可选实施方案。

如图2所示，该方法具体可以包括：

S210、根据数据发送方和/或数据接收方的数据提取需求，确定数据提取策略和质量校验策略。

本实施例中，数据提取需求是指数据发送方和/或数据接收方制定的数据提取需求，例如可以是数据接收方制定的需要获取什么样的数据，或者数据发送方制定的想要数据接收方接收到什么样的数据。

本实施例中，数据提取策略是指对数据进行提取的策略，可以包括数据名称、数据字段对应规则、以及数据过滤规则等。质量校验策略是指对所提取的数据进行校验的策略，可以包括校验方法名称、校验内容的描述信息、正则表达式、校验规则等，其中校验内容的描述信息可以是：001表示长度校验，002表示手机号校验等。

其中，数据提取策略和质量校验策略以XML格式存储。

具体的，可以将数据提取需求输入至策略制定模型中，经过模型处理，得到数据提取规则和质量校验规则。

S220、对数据提取策略和质量校验策略进行解析，得到数据提取规则和质量校验规则。

本实施例中，可以将数据提取策略和质量校验策略输入至策略解析模型中，得到数据提取规则和质量校验规则，其中数据提取规则和质量校验规则是Spark SQL语句。

S230、获取数据发送方的原始数据，并将原始数据转换为分布式数据。

S240、根据数据提取规则和质量校验规则，对分布式数据进行处理，得到目标数据。

本发明实施例的技术方案，通过根据数据发送方和/或数据接收方的数据提取需求，确定数据提取策略和质量校验策略，之后对数据提取策略和质量校验策略进行解析，得到数据提取规则和质量校验规则，进而获取数据发送方的原始数据，并将原始数据转换为分布式数据，根据数据提取规则和质量校验规则，对分布式数据进行处理，得到目标数据。上述技术方案，可以根据用户需求灵活质量策略，从而满足用户需要，提升用户体验。

实施例三

图3是本发明实施例三提供的一种数据处理方法的流程图，在上述实施例的基础上，进一步优化，提供一种可选实施方案。

如图3所示，该方法具体可以包括：

S310、获取数据发送方的原始数据，并将原始数据转换为分布式数据。

S320、根据数据提取规则，对分布式数据进行提取，得到中间数据。

本实施例中，可以将数据提取规则和分布式数据输入至提取模型中，经过模型处理，得到中间数据。

S330、根据质量校验规则，对中间数据进行校验，得到目标数据。

本实施例中，可以将质量校验规则和中间数据输入至校验模型中，经过模型处理，得到目标数据。

示例性的，在对中间数据进行校验的过程中，若中间数据中存在超过设定值的数据错误，则生成包含数据提取失败的告警信息。其中，设定值可以由本领域技术人员根据实际情况设定。

具体的，在对中间数据校验过程中，若识别到中间数据中存在80％的数据错误，则生成包含数据提取识别的告警信息。进而将告警信息显示在屏幕上，或者以短信语音等形式发送给管理人员。

本发明实施例的技术方案，通过获取数据发送方的原始数据，并将原始数据转换为分布式数据，之后根据数据提取规则，对分布式数据进行提取，得到中间数据，进而根据质量校验规则，对中间数据进行校验，得到目标数据。上述技术方案，相比于传统通过多线程对原始数据进行处理，本发明将原始数据转换为分布式数据，提高了数据的处理效率。

在上述实施例的基础上，作为本发明的一种可选方式，还可以记录得到目标数据的日志信息；其中，日志信息包括开始时间、结束时间、以及报错信息。其中，开始时间是指每次进行原始数据获取的开始时间，结束时间是指得到目标数据的时间，报错信息是指在得到目标数据的过程中出现的错误信息。

示例性的，日志信息还可以包括任务时长，其中，任务时长是指一次从获取原始数据到得到目标数据所花费的时间，可以根据开始时间和结束时间得到。

进一步的，还可以将日志信息进行可视化处理。

在上述实施例的基础上，对于一套数据提取策略和质量检验策略，可以对至少两个原始数据进行处理，对于每一个原始数据，建立处理该原始数据的提取过程和质量校验过程的有向无环图DAG关系。以便后续可以根据DAG关系，检查对原始数据进行处理的过程的报错信息等。

实施例四

图4是本发明实施例四提供的一种数据处理装置的结构示意图，本实施例可适用于ETL数据处理的情况，尤其适用于海量并发数据传递的情况，还适用于不同开发商系统直接进行数据处理的情况。该装置可以由软件和/或硬件的方式实现，并可集成于承载数据处理功能的电子设备中，例如服务器中，具体的，可以是数据获取方所使用的服务器中。

如图4所示，该装置具体可以包括：

分布式数据确定模块410，用于获取数据发送方的原始数据，并将原始数据转换为分布式数据；

目标数据确定模块420，用于根据数据提取规则和质量校验规则，对分布式数据进行处理，得到目标数据。

本发明实施例的技术方案，通过获取数据发送方的原始数据，并将原始数据转换为分布式数据，之后根据数据提取规则和质量校验规则，对分布式数据进行处理，得到目标数据。上述技术方案，相比于传统通过多线程对原始数据进行处理，本发明将原始数据转换为分布式数据，提高了数据的处理效率。

进一步地，该装置还包括规则确定模块，该规则确定模块用于：

根据数据发送方和/或数据接收方的数据提取需求，确定数据提取策略和质量校验策略；其中，数据提取策略和质量校验策略以XML格式存储；

对数据提取策略和质量校验策略进行解析，得到数据提取规则和质量校验规则。

进一步地，目标数据确定模块420包括：

中间数据确定单元，用于根据数据提取规则，对分布式数据进行提取，得到中间数据；

目标数据确定单元，用于根据质量校验规则，对中间数据进行校验，得到目标数据。

进一步地，目标数据确定模块420还包括：

告警信息确定单元，用于在对中间数据进行校验的过程中，若中间数据中存在超过设定值的数据错误，则生成包含数据提取失败的告警信息。

进一步地，该装置还包括：

日志信息记录模块，用于记录得到目标数据的日志信息；其中，日志信息包括开始时间、结束时间、以及报错信息。

进一步地，该装置还包括数据重新获取模块，该模块用于：

接收数据发送方发送的第一数据账单；

根据所获取的原始数据生成第二数据账单；

比对第一数据账单和第二数据账单中的数据内容是否一致；

若不一致，则触发重新获取数据机制，重新获取数据发送方的原始数据。

进一步地，该装置还包括可视化模块，该模块用于：

对目标数据、以及目标数据的提取过程和校验过程进行可视化。

上述数据处理装置可执行本发明任意实施例所提供的数据处理方法，具备执行方法相应的功能模块和有益效果。

实施例五

图5是本发明实施例五提供的一种电子设备的结构示意图，图5示出了适于用来实现本发明实施例实施方式的示例性设备的框图。图5显示的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，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器(高速缓存32)。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明实施例各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明实施例所描述的实施例中的功能和/或方法。

电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的数据处理方法。

实施例六

本发明实施例六还提供一种计算机可读存储介质，其上存储有计算机程序(或称为计算机可执行指令)，该程序被处理器执行时用于执行本发明实施例所提供的数据处理方法，该方法包括：

获取数据发送方的原始数据，并将原始数据转换为分布式数据；

根据数据提取规则和质量校验规则，对分布式数据进行处理，得到目标数据。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。

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。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明实施例进行了较为详细的说明，但是本发明实施例不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种数据处理方法，其特征在于，包括：

获取数据发送方的原始数据，并将所述原始数据转换为分布式数据；

根据数据提取规则和质量校验规则，对所述分布式数据进行处理，得到目标数据。

2.根据权利要求1所述的方法，其特征在于，在所述获取原始数据，并将所述原始数据转换为分布式数据之前，还包括：

根据所述数据发送方和/或数据接收方的数据提取需求，确定数据提取策略和质量校验策略；其中，所述数据提取策略和所述质量校验策略以XML格式存储；

对所述数据提取策略和所述质量校验策略进行解析，得到数据提取规则和质量校验规则。

3.根据权利要求1所述的方法，其特征在于，所述根据数据提取规则和质量校验规则，对所述分布式数据进行处理，得到目标数据，包括：

根据数据提取规则，对所述分布式数据进行提取，得到中间数据；

根据质量校验规则，对所述中间数据进行校验，得到目标数据。

4.根据权利要求3所述的方法，其特征在于，还包括：

在对所述中间数据进行校验的过程中，若所述中间数据中存在超过设定值的数据错误，则生成包含数据提取失败的告警信息。

5.根据权利要求1所述的方法，其特征在于，还包括：

记录得到所述目标数据的日志信息；其中，所述日志信息包括开始时间、结束时间、以及报错信息。

6.根据权利要求1所述的方法，其特征在于，所述获取发送方的原始数据之后，还包括：

接收数据发送方发送的第一数据账单；

根据所获取的原始数据生成第二数据账单；

比对所述第一数据账单和所述第二数据账单中的数据内容是否一致；

若不一致，则触发重新获取数据机制，重新获取数据发送方的原始数据。

7.根据权利要求1所述的方法，其特征在于，还包括：

对所述目标数据、以及所述目标数据的提取过程和校验过程进行可视化。

8.一种数据处理装置，其特征在于，包括：

分布式数据确定模块，用于获取数据发送方的原始数据，并将所述原始数据转换为分布式数据；

目标数据确定模块，用于根据数据提取规则和质量校验规则，对所述分布式数据进行处理，得到目标数据。

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储器，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1-7中任一项所述的数据处理方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的数据处理方法。

Images