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：

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。