7920浏览
技术研发与数据中心-技术平台部-数据与智能质量部 王恒蕾、戚琪
一、背景
竞速榜是大促期间各采销群提供的基于京东实时销售数据的排行榜，同样应对大促流量洪峰场景，通过榜单撬动品牌在京东增加资源投入。竞速榜基于用户配置规则进行实时数据计算，榜单排名在大促期间实时变化，相关排名数据在微博、朋友圈广泛传播，相关计算以及排名的准确性至关重要。小米的卢伟冰每次大促都会晒出榜单数据：
竞速榜的每个榜单配置规则都会有差异，为保障榜单数据计算准确，需要在大促开始前对榜单实时排名数据进行核对，主要验证方案为在第二天取前一天的实时排名数据，另外根据榜单规则配置信息，计算相关的离线数据，进行实时离线数据对比，验证数据的一致性。
单个榜单规则有20+个不同配置项，每个配置都相互独立，需要针对每个规则分别进行数据验证
二、对数方案演进过程
2.1、纯人工 - 成本高且无法完整覆盖
最初阶段为纯人工对数，分别获取对应竞速榜的实时和离线数据，进行人工比对
1）实时数据：每天23:59 定时读取榜单数据接口，记录对应榜单数据
2）离线数据：根据榜单规则手动编写离线SQL脚本，通过数据查询执行SQL获取榜单排名数据
整个操作过程消耗时间较长，SQL编写需要1小时，单SQL执行0.5小时，为覆盖所有规则，一次需要完成100多个规则的配置和SQL编写以及数据验证，在规则不变情况下，预计需要消耗20人日才能完成一次完整测试， 且脚本编写需要对业务规则深入了解，对测试人员SQL水平要求也较高。
2.2、半自动化 - 持续消耗人力
竞速榜主要在大促期间使用，除功能测试覆盖规则外，在大促前还要对业务方配置的规则进行数据验证，确保用户配置规则的计算准确性，以23年618为例，共有5000+榜单规则，如果仍然使用纯人工验证数据的方案，需要900+天，完全不可行。因此实现了半自动化对数方案，和人工对数方案相比，解决了离线SQL的自动化生成，实时数据的自动获取等问题。
具体方案如下：
1、实时数据获取：基于榜单快照功能，自动记录榜单每日快照数据并写入数据库，
2、离线SQL生成和数据计算：
2.1、规则配置入库：通过系统自带的榜单规则导出功能，将榜单规则导出到excel，进而导入到hive表中；同时将榜单规则依赖的其他配置数据也导入到hive
2.2、规则化生成SQL：根据榜单规则配置信息，使用case when的方法，针对不同情况分别生成对应SQL片段，最后人工组合为上述SQL
2.3、合并SQL执行计算任务：将多个组合生成的SQL合并为1个，并配置离线调度任务，通过任务执行分别计算不同榜单的离线数据
2.4、数据推送到对数MySQL：将生成的离线榜单数据推送到实时数据存储的MySQL
3、实时离线数据对比：将实时和离线数据全部推送入数据库后，直接查询数据库，进行数据对比，并对超过阈值的数据进行高亮提示。
通过以上方法，完成了半自动化的实时离线对数，解决了人工对数中最消耗人力的SQL手动编写问题。但是，该方案仍然存在以下问题：
- SQL需要人工介入：SQL的生成还存在多次人工操作，中间需要人工对生成的SQL进行调整
- 规则变化引发SQL调整：在大促前，用户会持续调整规则，这样就导致之前配置好的SQL 和用户规则不一致，进而导致对应榜单对数失败，需要重新生成对应SQL，配置调度任务并重新执行对数操作。
在22年618和双11期间，主要是研发同学使用进行相关SQL调整和数据验证，需要3个开发人员持续3周，整体消耗人力45人日。
2.3、全自动化 - 解放人力
为了进一步解放人力消耗，将对数操作从半自动化升级到全自动化，需要实现以下内容
- 无需人工介入，自动生成SQL，自动执行SQL
- 执行用的SQL根据规则变化每日自动调整，保证SQL可以自动持续更新
完整的自动化对数方案如下图所示：
优化点细节：
1. 每天自动更新并存储SQL：榜单规则从手动页面导出变为每天自动抽取规则数据到HIVE中，进而每天自动更新目标SQL并将SQL存储到HIVE表中
2. 自动获取目标SQL并执行：将执行的目标SQL从HIVE中获取到后再执行SQL（使用了hive命令的一些特殊方法，预先获取到SQL再执行）
#HiveTask增加run_shell_cmd_out函数只返回标准流的内容在标准客户端执行如下python脚本
from HiveTask import HiveTask
ht = HiveTask()
ht.run_shell_cmd_out(shellcmd='hive -e "select * from table;"')该方案在23年618期间投入使用，恰逢研发团队交接，新团队毫无对数经验，且有其他业务同步进行，无法投入全量人力。通过全自动化对数，解放了研发人力投入，极大提高了大促备战效率。需要人力主要是测试同学对整个链路的调度任务进行维护性处理。
