首页
/ OpenLineage项目中Spark集成BigQuery时的输入数据集重复问题分析

OpenLineage项目中Spark集成BigQuery时的输入数据集重复问题分析

2025-07-06 15:28:49作者:邓越浪Henry

问题背景

在使用OpenLineage的Spark集成(版本1.29.0)与BigQuery交互时,开发人员发现了一个有趣的现象:当通过Spark读取BigQuery表并进行表连接操作时,生成的OpenLineage事件中出现了重复的输入数据集记录。具体表现为每个参与连接的BigQuery表在inputs数组中出现了两次,这显然不符合预期。

问题复现

通过一个典型的Spark作业可以复现此问题:

  1. 首先创建两个简单的DataFrame并写入BigQuery作为测试数据
  2. 然后从BigQuery中读取这两个表
  3. 对这两个表进行连接操作(join)
  4. 将结果写回BigQuery

在OpenLineage生成的事件中,输入数据集出现了重复,例如:

"inputs": [
    {"namespace": "bigquery", "name": "project.dataset.table1"},
    {"namespace": "bigquery", "name": "project.dataset.table1"},
    {"namespace": "bigquery", "name": "project.dataset.table2"},
    {"namespace": "bigquery", "name": "project.dataset.table2"}
]

根本原因分析

经过深入调查,发现问题出在Spark DataFrame的alias操作上。当开发人员使用.alias()方法为DataFrame指定别名时,OpenLineage的Spark集成会错误地将同一个物理表识别为两个不同的逻辑数据集。

在原始代码中,连接操作是这样写的:

new_df = (
    df1_bq.alias("t1")
    .join(
        df2_bq.alias("t2"),
        col("t1.person_id") == col("t2.id"),
        "left_outer",
    )
)

这种写法虽然从Spark的角度看是完全合法的,但会导致OpenLineage在追踪数据血缘时产生重复记录。

解决方案

解决此问题的方法很简单:避免在连接操作中使用.alias()方法。修改后的代码如下:

new_df = (
    df1_bq
    .join(
        df2_bq,
        col("person_id") == col("id"),
        "left_outer",
    )
)

经过验证,这种写法确实消除了输入数据集的重复问题。

额外发现

在调查过程中,还发现了一个相关但不同的问题:当作业运行时,日志中会出现警告信息,提示无法在某些类上调用apply方法,并伴随NullPointerException。这表明在SaveIntoDataSourceCommandVisitor处理数据源保存操作时存在潜在问题,可能需要进一步调查。

最佳实践建议

基于此次经验,建议开发人员在使用OpenLineage的Spark集成时:

  1. 尽量避免在数据操作中使用alias,除非确实需要
  2. 监控OpenLineage生成的事件,确保数据血缘关系的准确性
  3. 关注运行时日志中的警告信息,及时报告潜在问题
  4. 考虑在复杂操作后验证OpenLineage事件的正确性

这个问题虽然看似简单,但它揭示了数据血缘追踪工具在实际应用中的一个常见挑战:如何准确识别和表示逻辑操作与物理数据源之间的关系。理解这类问题的本质有助于开发人员更好地利用OpenLineage等工具进行数据治理和血缘分析。

登录后查看全文
热门项目推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
160
2.03 K
kernelkernel
deepin linux kernel
C
22
6
pytorchpytorch
Ascend Extension for PyTorch
Python
44
76
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
534
57
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
947
556
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
197
279
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
996
396
communitycommunity
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
381
15
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
146
191
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
75
71