目录

[TOC]

背景

1. 业务不断增多，数据流复杂，没有人能说清楚具体的上下游关系，制约了遇到问题时的排查速度
2. 下线某个业务的时候，不知道能够下线相关的哪些操作，最后背负了一些不必要的历史包袱
3. 为优化DW/DM模型提供数据支撑，数据治理的前提
4. Datahub / Purview 提供的是元数据管理，核心功能除了支持检索，另一个溯源，但当前咱们的血缘关系需要手动维护，存在数据缺失，维护力度不足等问题，如果想用好该系统，自动更新血缘关系是必要的
5. 我们的工作模式，核心的数据整理逻辑多是依据 PL/pgSQL，要想从用户自定义的 function 中获取表之间的关系，就需要解析器支持解析 function

调研参考

• Open Source SQL Parsers
  • 主流有三种实现
    • 基于正则规则做SQL解析
    • 基于ANTLR生成AST(抽象语法树)，然后解析AST
    • 基于数据库的语法解析器构建出的独立模块，方便做语法解析
  • 从主流的三种实现来说，正则方式对于复杂SQL支持度不好，ANTLR方式需要编写语法解析规则，遇到复杂SQL同样头痛。第三种可以说是对数据库的开源模块的封装，所以支持度较好。但之前社区提供的语法解析模块不支持 PL/pgSQL，一个月前发布的新版才宣布支持了该功能，虽然尚属于实验阶段，不过亲测满足使用。
• 比开源快30倍的自研SQL Parser设计与实践 阿里实现的
  • 自研语法解析器，但只大体讲了实现原理，没有开源
• 自研血缘关系
  • 基于 ANTLR，但只大体讲了实现原理，没有开源
  • 数仓开发流程
• SQLFlow
  • 网上搜到的一款商业产品，宣称的功能很强大，实测不支持 function
• 翻了 Github 上相关的开源项目，并没有找到可以支持 PL/pgSQL 血缘解析的项目，都支持的是常规简单SQL
  • 几个看着还不错的，作为学习借鉴的来源
    • Python 实现
      • https://github.com/reata/sqllineage 命令行工具，很实用的小工具，基于 sqlparse 库实现
      • https://github.com/elementary-data/elementary-lineage 面向 Snowflake 与 BigQuery
        • 基于 sqlparse(正则匹配)，Graph 实现基于 networkx 库
      • https://github.com/tokern/data-lineage 面向 AWS Redshift 与 Snowflake，方案完整
        • SQL 解析基于 pglast，但社区不太活跃
    • Java 实现，基于 Druid Parser
      • https://github.com/L11168032/sql-lineage-parser 仅支持简单的 SELECT 操作，且只是一个 parser
      • https://github.com/JupiterMouse/data-lineage-parent 基于 Spring，看着实现的比较完整，模型定义值得参考

难点及进展

• 支持 PL/pgSQL 解析拆解
• 支持解析各种常见 SQL 语法
• 将解析结果，生成一张“图”
  • 要的时候需要剔除图中部分节点，生成一张精简后的图，否则就需要解决临时表的描述问题
• 入库 Neo4j
  • 点
  • 边
• 前端可视化，支持从 Neo4j 读数据，然后生成血缘关系图
  • Neo4j 建模的时候需要考虑如何方便查询检索

核心流程图

核心三个模块:

• SQL 历史收集
• 语法解析模块
• Graph 生成