为数据质量监控配置filter实现数据过滤-大数据开发治理平台 DataWorks-阿里云

在数据质量监控场景中，通常不会将整张表的数据都纳入监控，而是每次监控只过滤出发生变动的数据，本文介绍如何设置数据过滤。

数据过滤配置示例

大部分场景中，发生变动的数据都是基于时间字段来过滤。例如在MaxCompute中，会使用时间分区来过滤；在MySQL业务流水表场景中，会根据业务流水的创建时间过滤。

您可以在监控和规则中设置filter来实现数据过滤，配置示例：

datasets:
  - type: Table
    tables:
      - tb_d_spec_demo
    filter: "dt = '$[yyyymmdd]' AND hh = '$[hh24-1/24]'"
    dataSource:
      name: odps_first
      envType: Dev
rules:
  - assertion: "row_count > 0"
    # 在规则级别添加filter，会与Scan.dataset中的filter共同起作用
    # 实际执行时的filter会是 (dt = '$[yyyymmdd-1]' AND hh = '$[hh24-1/24]') AND (id IS NOT NULL)
    filter: "id IS NOT NULL"
computeResource:
  id: 2001

filter语法说明

基本语法

filter语法与SQL-92标准的WHERE条件写法基本保持一致（除去match、overlaps两种谓词），具体的语法格式如下：

<search condition> ::=
    <boolean term> | <search condition> OR <boolean term>

<boolean term> ::=
    <boolean factor> | <boolean term> AND <boolean factor>

<boolean factor> ::=
    [ NOT ] <boolean test>

<boolean test> ::=
    <predicate> | ( <search condition> )

<predicate> ::=
    <comparison predicate> | <between predicate> |
    <in predicate> | <like predicate> | <null predicate> |
    <quantified comparison predicate> | <exists predicate>

<comparison predicate> ::=
    <expression> <comparison_operator> <expression>

<between predicate> ::=
    <expression> [NOT] BETWEEN <lower_bound> AND <upper_bound>

<in predicate> ::=
    <expression> [NOT] IN (value_list | subquery)

<like predicate> ::=
    <expression> [NOT] LIKE pattern [ESCAPE escape_character]

<null predicate> ::=
    <expression> IS [NOT] NULL

<quantified comparison predicate> ::=
    <expression> <comparison_operator> { ALL | ANY | SOME } (subquery)

<exists predicate> ::=
    EXISTS (subquery)

配置示例

comparison predicate
```
salary > 50000
```
between predicate
```
price BETWEEN 10 AND 50
```
in predicate
```
department IN ('Sales', 'Marketing')
```
like predicate
```
name LIKE 'Jo%'
```
null predicate
```
department IS NOT NULL
```

quantified comparison predicate

salary > ALL (SELECT salary FROM employees WHERE department = 'Sales')

exists predicate

EXISTS (SELECT 1 FROM customers cu WHERE cu.country_id = c.country_id)

较复杂的search condition

-- 使用AND逻辑操作符连接两个predict
salary > ALL (SELECT salary FROM employees WHERE department = 'Sales') AND EXISTS (SELECT 1 FROM customers cu WHERE cu.country_id = c.country_id)
-- 使用OR逻辑操作符连接
department IS NOT NULL OR name LIKE 'Jo%'

使用原生的query定义Filter

如果底层数据存储的查询语句无法用SQL-92标准的SQL转化（例如使用了RLIKE、地理位置搜索、全文搜索等特性），则可以在filter中以query：关键字开头，直接写原生的query。

例如，使用RLIKE对MaxCompute表的数据进行过滤，配置示例如下：

datasets:
  - type: Table
    indices:
      - ods_d_customers
    dataSource:
      name: odps_first
      envType: Dev
rules:
  - assertion: "row_count > 0"
    filter: "query: email_address RLIKE '^info@'"

filter中使用时间变量

如果使用时间分区，质量监控每天会扫描当天的分区或者T-1的分区，此时需要每天执行质量监控时自动获取到对应的日期值，您可以使用调度系统的时间偏移表达式写法。

例如，在filter中使用了类似$[yyyymmdd-1]的调度时间表达式写法，数据质量系统会自动以调度实例的定时时间为基准做偏移并替换。

说明

如果数据质量监控不是通过调度实例触发的，需要在CreateDataQualityScanRun的触发参数中指定triggerTime，系统会以triggerTime为基准做偏移，