火山引擎DataLeap数据质量动态探查及相关前端实现

来源：字节跳动数据平台 | 时间：2023-08-09 06:17:44

需求背景
火山引擎DataLeap数据探查上线之前，数据验证都是通过写SQL方式进行查询的，从编写SQL，到解析运行出结果，不仅时间长，还会反复消耗计算资源，探查上线后，只需要一次探查，就可以得到整张表的探查报告，但后续我们还发现了一些问题，主要有三点：
无法看到探查的数据明细以及关联的行详情，无法对数据进行预处理操作。探查还是需要资源调度，等待时长平均分钟级。与质量监控没有打通，探查数据的后续走向不明确。
针对这些问题，火山引擎DataLeap研发人员进一步开发了动态探查需求，解决的问题如下：

(资料图)
基于大数据预览的探查，支持对数据进行函数级别的预处理。探查结果秒级更新，实时响应。与数据监控打通，探索SQL的生成模式。
本文主要介绍火山引擎DataLeap动态探查的应用场景和相关的技术实现。

应用场景
火山引擎DataLeap探查主要应用在元数据管理，数据研发，数仓的开发以及数据治理，可为对数据质量有需求的场景提供数据质量的发现和识别能力。目标用户除了研发同学，也包含不是以SQL研发为主的群体，比如算法建模和数据挖掘等领域。
火山引擎DataLeap探查可以有效的打通三个闭环：
元数据管理 ->探查 ->数据预览探查（库表的质量报告）
数据监控 <->数据探查
动态探查 ->SQL ->数据开发 ->调试 ->探查报告（质量分析）

名词解释
两者的对比示意图

技术实现
除了数据的抽样部分在后端做，其他的都是前端实现的。包括大数据展示，探查计算，卡片联动，操作栈交互，以及未来要做的函数编辑器以及SQL生成。

技术架构
抽样能力：对数据进行基于质量分布特征的抽取。
目前做的是随机抽样，后续尝试基于特征来抽样。
数据展现：大容量的数据载体，支持对数据处理的实时展现。
前端目前是基于虚拟滚动Table做的，后续打算迁移到canvas table上。
前端探查：实时探查，可视化展现数据分布，突出质量指标。数据处理能力：函数处理能力（GroupBy..）操作栈：需要对数据操作进行管理和回溯
基于immutable和操作流实现操作栈。
编辑器：提供完整函数的功能，需要：词法解析，智能提醒，语法高亮。
基于编辑器实现函数的功能，antlr4实现词法解析，配合monaco editor实现一些智能提醒和语法高亮。
生成SQL：将可视化的交互式操作转换成可执行的SQL。
目前sql generator有以下几种方式：
基于链式调用生成基于标签模板生成基于AST（抽象语法树）去做

关键技术及实现

大数据渲染
由于动态探查场景下前端需要支持最大5000条数据的展示和交互，所以在渲染这块存在比较大的压力，主要集中在探查卡片和数据预览两个部分。
火山引擎DataLeap探查卡片包含了特定列的部分关键信息汇总，比如0值、Null值、枚举值等，如下图红框部分：
火山引擎DataLeap探查卡片部分由于存在较多定制化内容，所以采用了虚拟列表方案进行渲染，支持收起状态和展开状态：
数据预览部分展示的是探查的全部数据集合，可以快速查看原始数据的详细内容，由于内容同质化比较高，所以火山引擎DataLeap数据预览采用的是基于团队内部维护的canvas版本Table方案进行渲染，如下图红框部分：

卡片联动

由于卡片和数据预览列的宽度差异较大，并且上下两部分滑动是独立的，造成在选择查看某个具体列的时候，上下对齐位置会比较麻烦，为了解决这个问题，火山引擎DataLeap这块增加了自动定位功能，演示效果如下：

这部分需要解决的问题有两个：卡片中间点坐标计算和自动定位逻辑。

中间点坐标计算逻辑如下：

// 计算卡片中点坐标 index是卡片序号，adsorbSider表示是否吸边getCardCenter(index: number, adsorbSider?: boolean) {    ...    // 获取卡片信息    const cardBox: IBaseBox = this.cardList[index];    // 获取列信息    const colBox: IBaseBox = this.colList[index];    const clientWidth = getClientWidth();    if(adsorbSider) {      // 吸边处理      if(cardBox.offset < this.cardScroll) {        return cardBox.offset;      }      if(cardBox.offset + cardBox.width - this.cardScroll >clientWidth) {        return cardBox.offset + cardBox.width - clientWidth;      }      return this.cardScroll;    }    return getTargetPosition(colBox, this.tableScroll, cardBox);}// 获取滚动目标位置// originBox: 滚动起始对象// originScroll: 滚动起始左侧scroll// targetBox: 滚动结束对象const getTargetPosition = (originBox: IBaseBox, originScroll: number, targetBox: IBaseBox) =>{  const clientWidth = getClientWidth();  if(!originBox || !targetBox) return 0;  let offsetLeftSider = Math.max(originBox?.offset - originScroll, 0);  if(offsetLeftSider + targetBox.width >= clientWidth) {    if(targetBox.offset + targetBox.width >clientWidth) {      // 此处容易出现吸边      return targetBox.offset + targetBox.width - clientWidth;    } else {      return 0;    }  }  const scroll = targetBox?.offset - offsetLeftSider + (targetBox.width - originBox.width) / 2;  return Math.max(    Math.min(targetBox.offset, scroll),    0  );}

获取到中点坐标后，自动定位需要符合如下规则：

规则中有几种边界情况，参考下图：

居中对齐是对于卡片和列宽在scroll距离允许情况下的理想对齐方式，贴边对齐是针对卡片在起始和结束位置scroll不足以满足居中对齐要求时候的对齐方式，除此之外还有一种是卡片的宽度远大于列宽，并且不是起始或者结束位置的时候所采取的对齐方式，如下如卡片B因为无法滚动，卡片A的宽度又占据了底部第二列的一部分，所以此时卡片B只能高亮和底部的列进行对齐。

操作栈

火山引擎DataLeap动态探查支持了对于探查结果的基础分析能力，比如列删除、过滤、排序等，如下图红框部分：

用户对于探查结果的每一次操作都会被记作一次操作，多次操作串联起来形成操作栈，可以自由的修改或者删减操作栈里的操作，并实时查看最新结果，以过滤操作演示效果如下：

操作栈部分需要处理的问题主要有以下几点：

如何管理多种操作进行串行计算

这里把所有操作都抽象成了Input + Logic = Ouput的结构，Input是输入参数，此处可以是指某一列的数据、上一步操作的结果或者其他计算值，Logic是操作的具体逻辑，负责根据Input转换生成Output，Output可以作为最终结果进行渲染，也可以再次进入下一环节参与计算，拿列删除操作举个栗子，下面是大体代码实现：

class ColDelOpt {  run = (params: IOptEngineMetaInfo) =>{    // 操作Input部分    const {      columns = [],      dataSourceMap = {}    } = params;    const {      fields = []    } = this.params;    // 操作Logic部分    const nextColumns = columns.filter((item) =>!fields.includes(item.name));        // 操作的Output    return {      columns: nextColumns,      dataSourceMap    }  }}

可以看到ColDelOpt内部有一个run方法，该方法支持传入一个包含了列信息columns和数据集dataSourceMap的params对象，此处params即被抽象的外部输入参数Input，run方法内部的逻辑部分即被抽象的Logic部分，最后方法返回值包含了最新的columns和dataSourceMap，即为Output部分。基于这种结构，用户所有的操作都可以被初始化成不同的Opt实例，由操作引擎统一调用实例的run方法，并传入所需的参数，最终得到计算结果。

某个操作被修改后如何进行二次计算

操作栈的计算是由计算引擎来完成的，引擎负责根据外部事件，来自动执行现有操作的数据处理工作，引擎执行流程和大体代码如下：

// 操作引擎class OptEngine {    // 操作列表  private optList: IOptEngineItem[] = [];  // 原始数据  private metaData: IOptEngineMetaInfo = {    columns: [],    dataSourceMap: {},  };  // 执行算子  optRun = () =>{    let {      columns = [],      dataSourceMap = {}    } = this.metaData;    if(!this.optList.length) return {      columns,      dataSourceMap    };    for(let index = 0; index < this.optList.length; index++) {      // 读取操作算子      const optItem = this.optList[index];      let startTime = performance.now();            try {        // 执行算子计算        const result = optItem.run({          columns,          dataSourceMap        });        // 更新算子结果        columns = result.columns || [];        dataSourceMap = result.dataSourceMap || {};      } catch(e) {        // 报错后直接直接返回        return {          columns,          dataSourceMap,          // 装填报错信息          errorInfo: {            key: optItem.key || "",            message: e.message          }        }      }    }    return {      columns,      dataSourceMap,    }  }  autoRun = (    metaInfo: IOptEngineMetaInfo,     optList: IOptItem[],     callback: (params: IAutoRunResult) =>void  ) =>{    // 装填数据    this.setupMetaData(metaInfo);    // 装填操作栈    this.setupOptList(optList.map((item) =>{      // 行过滤      if(item.type === OPT_TYPE.FILTER) {        return new FilterOpt({          key: item.key,          params: item.params        })      }      // 其余类型操作      ...      // 默认原值返回      return new IdentityOpt({        key: item.key,      })    }));        // 执行操作计算    const result = this.optRun();        // 返回数据    return {      // 计算列      columns: result.columns,      // 执行结果      dataSource: Object.entries(result.dataSourceMap).map(([key, value]) =>({        field: key,        value      })),      // 操作栈执行异常信息      errorInfo: result.errorInfo    };  }}