摘要：数据仓库建设过程中，总是会波及到不同平台、同一平台物理环境搬迁，因为数据仓库数据量宏大，往往数据搬迁不可能在一个短周期内实现，会波及数据同步、校验、追批并跑、再校验过程。
本文次要论述数据校验过程设计，供相干人员借鉴。
数据一致性校验最核心内容项
校验伎俩
依据常见数据存储类型，次要实现对象级记录一致性校验，字段级数值、工夫、字符类型的数据一致性校验，即惯例提到的表级count、字段级数值的sum、工夫类型差值sum、字符类型的checksum。
下文以TD搬迁GaussDB(DWS)为例，
1. 记录数
a) 表级count(*)
2. 数据类型
a) 汇总Sum(cola)
b) 均匀Avg(cola)
c) 例外，针对float类型这种存在精度缺失场景，或间接不校验，或比对两个平台差别小于5%范畴即可承受；
d) 注意事项，不同平台可能存在sum放大小数点位数问题，可通过指定小数点地位，让两个平台数值完全一致；
3. 工夫类型
a) 汇总Sum(工夫转换数字)
b) Date类型实现款式
i. DWS：select extract(epoch from '20200819'::date);
ii. TD：sel (date'2020-08-19'-date'1970-01-01')*86400;
c) Time类型实现款式
i. DWS：select extract(epoch from '12:12:12'::time);
ii. TD：sel extract(hour from time'12:12:12')3600+extract(minute from time'12:12:12')60+extract(second from time'12:12:12');
d) TimeStamp类型实现
i. DWS：select extract(epoch from '2020-08-19 12:12:12'::timestamp);
ii. TD：sel ( (timestamp'2020-08-19 12:12:12'(date))-date'1970-01-01')86400+extract(hour from timestamp'2020-08-19 12:12:12')3600+extract(minute from timestamp'2020-08-19 12:12:12')*60+extract(second from timestamp'2020-08-19 12:12:12');
e) 行将两个平台将采纳同一周期进行工夫类型汇总，保证数据求和一致性；
4. 字符类型
a) 整体思路是将字符串在同一字符集条件下计算MD5值，再进行MD5串切分、异或（XOR），失去绝对较小数值，再进行数值sum求和；
注，若两个平台均反对自定义聚合函数，能够间接进行每个字符串MD5值计算，再进行全副MD5值异或操作，失去最终值，用于辨认数据一致性；
b) DWS实现逻辑
创立自定义函数，
Create or replace function xor_md5(text) returns bigint immutable as $$select ('x'||lpad(substr(md5($1),1,8),16,'0'))::bit(64)::bigint # ('x'||lpad(substr(md5($1),9,8),16,'0'))::bit(64)::bigint # ('x'||lpad(substr(md5($1),17,8),16,'0'))::bit(64)::bigint # ('x'||lpad(substr(md5($1),25,8),16,'0'))::bit(64)::bigint;$$ language sql;create function xor_md5_latin(text) returns bigint immutable as $$select ('x'||lpad(substr(md5(convert($1,'GB18030')),1,8),16,'0'))::bit(64)::bigint # ('x'||lpad(substr(md5(convert($1,'GB18030')),9,8),16,'0'))::bit(64)::bigint # ('x'||lpad(substr(md5(convert($1,'GB18030')),17,8),16,'0'))::bit(64)::bigint # ('x'||lpad(substr(md5(convert($1,'GB18030')),25,8),16,'0'))::bit(64)::bigint;$$ language sql;c) TD实现逻辑
i. 形式一：创立SQL自定义函数
replace function xor_md5(inpt varchar(32000))returns bigintlanguage sqldeterministic contains sqlsql SECURITY DEFINERcollation INVOKERINLINE TYPE 1returnbitxor( bitxor ( bitxor (cast(from_bytes(to_bytes( translate(substr(hash_md5(udf_utf16to8(udf_w936to16(inpt,''))),1,8) using latin_to_unicode),'base16'),'base10') as bigint),cast(from_bytes(to_bytes( translate(substr(hash_md5(udf_utf16to8(udf_w936to16(inpt,''))),9,8) using latin_to_unicode),'base16'),'base10') as bigint)),cast(from_bytes(to_bytes( translate(substr(hash_md5(udf_utf16to8(udf_w936to16(inpt,''))),17,8) using latin_to_unicode),'base16'),'base10') as bigint)),cast(from_bytes(to_bytes( translate(substr(hash_md5(udf_utf16to8(udf_w936to16(inpt,''))),25,8) using latin_to_unicode),'base16'),'base10') as bigint));注，TD通常实际中以Latin存储GBK中文数据，而GaussDB(DWS)个别举荐采纳支流UTF8字符集存储数据，则单方进行字符md5计算时，需转换成同一个字符集，其中波及hash_md5、udf_utf16to8、udf_w936to16三个非TD内置函数，须要https://downloads.teradata.co...
ii. 形式二：创立C自定义函数
replace function xor_md5_latin ( arg varchar(32000) character set latin)returns bigintlanguage cno sqlexternal name 'ci:md5:md5.h:cs:xor_md5:xor_md5_latin.c:cs:md5:md5.c:F:xor_md5'parameter style td_general;replace function xor_md5(inpt varchar(32000))returns bigintlanguage sqldeterministic contains sqlsql SECURITY DEFINERcollation INVOKERINLINE TYPE 1returnxor_md5_latin(udf_utf16to8(udf_w936to16(inpt,'')));C代码若有须要私聊留言
d) 测试数据如下
i. TD执行状况
Select xor_md5(‘a’);------------------------2491710610Select xor_md5_latin(‘中国’);------------------------66934228Select xor_md5(‘中国’);------------------------1004201695ii. GS执行状况Select xor_md5(‘a’);------------------------2491710610Select xor_md5_latin(‘中国’);------------------------66934228Select xor_md5(‘中国’);------------------------1004201695校验数据范畴
依据数据仓库数据个性，进行切片粒度数据收集，除记录数统计之外，其它均以字段级粒度收集数据，即一个切片一个字段产生一条记录信息。
_
_
注：针对VA类型，存在多日流水数据发生变化场景，将最新变动流水数据打包成一个切片进行校验；
通过以上切片粒度，实现数据增量校验；而每隔一个周期，再进行全量校验，保障数据残缺、统一；
校验形式
依据数据仓库个性，能够分为惯例批量校验和自定义校验；
通常，能够将校验嵌入批量过程中，即对应作业的数据表发生变化后，间接触发相干数据表校验，这样实现数据准实时校验，保障两个平台并跑期间数据一致性；另外，在确保两个平台数据稳固前提下，能够固定时间段或用户间接发动实时校验，用于核查平台一致性；
校验策略
可进行数据表分级分类，将无限校验计算资源投入到数据一致性校验中，可参照以下分类，
自动化服务
以上论述了相干实现的方法论，最初再探讨一下如何实际；
自动化校验框架，倡议常驻rest服务，用于接管客户端触发的校验申请，散发各数据平台执行校验采集工作，利用rest服务实现跨服务器交互问题；采纳一个portal展示界面，用于用户录入自定义校验规定以及查看数据校验状况。
点击关注，第一工夫理解华为云陈腐技术~