OpenLineage项目中Spark集成BigQuery时的输入数据集重复问题分析
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:
- 首先创建两个简单的DataFrame并写入BigQuery作为测试数据
- 然后从BigQuery中读取这两个表
- 对这两个表进行连接操作(join)
- 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:
- 尽量避免在数据操作中使用alias,除非确实需要
- 监控OpenLineage生成的事件,确保数据血缘关系的准确性
- 关注运行时日志中的警告信息,及时报告潜在问题
- 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。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~042CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava03GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
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!C0295- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









