淺談石油勘探行業(yè)數(shù)據(jù)湖建設(shè)中的數(shù)據(jù)治理問(wèn)題

張 蕓

（大港油田信息中心，天津 300280）

1 背 景

1.1 數(shù)據(jù)湖

隨著大數(shù)據(jù)技術(shù)的發(fā)展，單一的數(shù)據(jù)形式不再滿足人們對(duì)數(shù)據(jù)利用的需要，多種多樣的數(shù)據(jù)以不同的形式存儲(chǔ)起來(lái)，有數(shù)據(jù)表形式的結(jié)構(gòu)化數(shù)據(jù)，有圖像、視頻等非結(jié)構(gòu)化數(shù)據(jù)，還有具有時(shí)間規(guī)律和標(biāo)簽的時(shí)序數(shù)據(jù)。多種多樣的數(shù)據(jù)形式，讓結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)方式不再滿足人們的需求，數(shù)據(jù)湖的概念開(kāi)始興起。

數(shù)據(jù)湖（Data Lake）這個(gè)術(shù)語(yǔ)由Pentaho 公司的創(chuàng)始人兼首席技術(shù)官詹姆斯·狄克遜（James Dixon）提出，他對(duì)數(shù)據(jù)湖的定義是，可以把所有的數(shù)據(jù)都放入數(shù)據(jù)湖中，應(yīng)用數(shù)據(jù)時(shí)定義它的數(shù)據(jù)結(jié)構(gòu)。也就是說(shuō)，對(duì)于存儲(chǔ)的數(shù)據(jù)，數(shù)據(jù)湖并不定義它的數(shù)據(jù)類(lèi)型，這樣數(shù)據(jù)湖就可以存儲(chǔ)各種類(lèi)型的數(shù)據(jù)，并且通過(guò)統(tǒng)一的存儲(chǔ)，讓不同的數(shù)據(jù)都有相同的存儲(chǔ)方式，而在數(shù)據(jù)應(yīng)用的時(shí)候定義其數(shù)據(jù)結(jié)構(gòu)，讓?xiě)?yīng)用方便連接到數(shù)據(jù)湖上獲取數(shù)據(jù)。

目前，在通用行業(yè)中的數(shù)據(jù)湖建設(shè)多和大數(shù)據(jù)平臺(tái)Hadoop 結(jié)合，利用其開(kāi)源、組件豐富、分布式存儲(chǔ)、并行處理等特點(diǎn)，來(lái)實(shí)現(xiàn)數(shù)據(jù)湖定義中的存儲(chǔ)多種類(lèi)型的數(shù)據(jù)方式。

目前市面上常見(jiàn)的數(shù)據(jù)湖產(chǎn)品有微軟的Azure Data Lake、IBM 的數(shù)據(jù)湖產(chǎn)品、靈雀云數(shù)據(jù)湖等相關(guān)產(chǎn)品。

1.2 石油勘探行業(yè)的數(shù)據(jù)湖建設(shè)

面對(duì)新的數(shù)據(jù)湖技術(shù)，結(jié)合石油勘探行業(yè)的數(shù)據(jù)特點(diǎn)和自身需求，石油勘探領(lǐng)域的數(shù)據(jù)湖建設(shè)正如火如荼展開(kāi)。

2018 中國(guó)石油夢(mèng)想云一期建設(shè)已完成，在二期的規(guī)劃中將遵循“兩統(tǒng)一、一通用”原則，上游信息總體架構(gòu)由數(shù)據(jù)源、數(shù)據(jù)湖、基礎(chǔ)底臺(tái)與服務(wù)中臺(tái)、應(yīng)用前臺(tái)和門(mén)戶(hù)入口組成。油氣田負(fù)責(zé)數(shù)據(jù)源、特色應(yīng)用、擴(kuò)展應(yīng)用及相關(guān)服務(wù)中臺(tái)功能的建設(shè)，其他內(nèi)容由總部統(tǒng)一建設(shè)。

2019 年中石油旗下各分公司開(kāi)展區(qū)域湖建設(shè)，一方面集成各油田所有類(lèi)型數(shù)據(jù)，為各油田提供數(shù)據(jù)湖服務(wù)；另一方面和總湖互通，成為總湖的數(shù)據(jù)源頭。真正做到了集小水源匯聚成江海，數(shù)據(jù)湖建設(shè)遍地開(kāi)花，成為中石油數(shù)據(jù)湖建設(shè)和應(yīng)用的數(shù)據(jù)基礎(chǔ)。

2 數(shù)據(jù)湖建設(shè)中的數(shù)據(jù)治理問(wèn)題

2.1 油田已建系統(tǒng)的數(shù)據(jù)集成問(wèn)題

在數(shù)據(jù)湖建設(shè)之前，各油田均有各自的數(shù)據(jù)存儲(chǔ)和管理系統(tǒng)，包括中石油總部統(tǒng)建和自建系統(tǒng)，這些系統(tǒng)是各油田信息化的成果，是珍貴的數(shù)據(jù)資源和重要數(shù)據(jù)來(lái)源。而數(shù)據(jù)湖的結(jié)構(gòu)化數(shù)據(jù)的集成，則面臨如何將這些系統(tǒng)的主數(shù)據(jù)統(tǒng)一、屬性數(shù)據(jù)統(tǒng)一、多源數(shù)據(jù)擇取其一的問(wèn)題。

主數(shù)據(jù)統(tǒng)一的問(wèn)題主要集中在不同系統(tǒng)的主數(shù)據(jù)存在不一致的現(xiàn)象，以井號(hào)舉例，在A 系統(tǒng)和B 系統(tǒng)中都存在同樣的一口井，但這口井在各個(gè)系統(tǒng)中都有不同的井唯一編碼。在數(shù)據(jù)湖建設(shè)中，既需要通過(guò)系統(tǒng)A 中的該井編碼查詢(xún)系統(tǒng)A 中的業(yè)務(wù)數(shù)據(jù)，也需要系統(tǒng)B 中的該井編碼查詢(xún)?cè)摼谙到y(tǒng)B中的業(yè)務(wù)數(shù)據(jù)，數(shù)據(jù)湖在集成這兩個(gè)系統(tǒng)的數(shù)據(jù)時(shí)，需要統(tǒng)一它們的主數(shù)據(jù)編碼。

屬性數(shù)據(jù)是每個(gè)系統(tǒng)中的代碼表，比如套管名稱(chēng)、巖石顏色、巖石名稱(chēng)等，這些屬性都有固定的屬性值的枚舉范圍，但不同系統(tǒng)間的屬性范圍可能會(huì)有所不同，數(shù)據(jù)湖需要對(duì)這類(lèi)數(shù)據(jù)進(jìn)行統(tǒng)一。

多源數(shù)據(jù)的問(wèn)題，主要指的是同一個(gè)業(yè)務(wù)數(shù)據(jù)在不同的系統(tǒng)中重復(fù)采集。數(shù)據(jù)湖進(jìn)行數(shù)據(jù)集成的時(shí)候，不僅僅是將數(shù)據(jù)按照系統(tǒng)中固有的模型進(jìn)行簡(jiǎn)單的數(shù)據(jù)遷移，更是要考慮不同的系統(tǒng)中如何把它們科學(xué)地、合理地組織成一個(gè)整體，對(duì)多源的數(shù)據(jù)需要確定唯一來(lái)源，避免重復(fù)數(shù)據(jù)入庫(kù)。

除此之外，如何對(duì)現(xiàn)有數(shù)據(jù)尤其是現(xiàn)存系統(tǒng)中的歷史數(shù)據(jù)進(jìn)行入湖的質(zhì)量控制，讓優(yōu)質(zhì)數(shù)據(jù)入湖、存疑數(shù)據(jù)進(jìn)行確認(rèn)和整改，是數(shù)據(jù)湖數(shù)據(jù)資源建設(shè)過(guò)程中需要注意的重要問(wèn)題之一。

2.2 非結(jié)構(gòu)化數(shù)據(jù)和時(shí)序數(shù)據(jù)問(wèn)題

石油勘探行業(yè)非結(jié)構(gòu)化數(shù)據(jù)（如文檔、視頻、地震資料等）主數(shù)據(jù)如何管理，非結(jié)構(gòu)化數(shù)據(jù)尤其是大塊數(shù)據(jù)在數(shù)據(jù)湖中如何保證讀取速度的問(wèn)題。

時(shí)序數(shù)據(jù)多以時(shí)間為標(biāo)簽，而時(shí)序數(shù)據(jù)的數(shù)據(jù)庫(kù)大多是非關(guān)系型數(shù)據(jù)庫(kù)，時(shí)序數(shù)據(jù)如何和數(shù)據(jù)湖中的數(shù)據(jù)建立主數(shù)據(jù)的聯(lián)系，如何能利用時(shí)序數(shù)據(jù)自身的特點(diǎn)開(kāi)展大數(shù)據(jù)應(yīng)用，都是需要解決的問(wèn)題。

2.3 數(shù)據(jù)湖建成后已有數(shù)據(jù)應(yīng)用系統(tǒng)切換問(wèn)題

數(shù)據(jù)湖的數(shù)據(jù)應(yīng)用問(wèn)題主要集中在如何低成本地切換已建應(yīng)用系統(tǒng)從數(shù)據(jù)庫(kù)連接到數(shù)據(jù)湖連接，保證已建系統(tǒng)更換數(shù)據(jù)源后的可用性。

各大油田存在著眾多的老的應(yīng)用系統(tǒng)，采用直連或傳統(tǒng)WebService 的方式多頭連接不同數(shù)據(jù)庫(kù)或數(shù)據(jù)服務(wù)，在統(tǒng)一切換成數(shù)據(jù)湖提供服務(wù)的方式之前，需要充分考慮到這些老數(shù)據(jù)應(yīng)用系統(tǒng)的數(shù)據(jù)源切換問(wèn)題，盡可能降低數(shù)據(jù)源切換成本，切實(shí)保證數(shù)據(jù)應(yīng)用系統(tǒng)的正常服務(wù)。

3 關(guān)于數(shù)據(jù)湖建設(shè)中數(shù)據(jù)治理問(wèn)題的建議

3.1 建立主數(shù)據(jù)管理模塊

在數(shù)據(jù)湖中必須集成主數(shù)據(jù)管理模塊或系統(tǒng)，來(lái)管理整個(gè)數(shù)據(jù)湖的主數(shù)據(jù)。對(duì)于原有數(shù)據(jù)湖中的數(shù)據(jù)，建立映射表，將數(shù)據(jù)源庫(kù)中的主數(shù)據(jù)和數(shù)據(jù)湖中的主數(shù)據(jù)建立映射關(guān)系，在數(shù)據(jù)湖中，同一主數(shù)據(jù)采用唯一的主數(shù)據(jù)ID，但通過(guò)映射表，可查到該主數(shù)據(jù)對(duì)應(yīng)到各系統(tǒng)中的主數(shù)據(jù)ID，來(lái)保證各系統(tǒng)主數(shù)據(jù)在數(shù)據(jù)湖中的統(tǒng)一。對(duì)于有矛盾或不能映射的主數(shù)據(jù)，需要由業(yè)務(wù)人員進(jìn)行確認(rèn)后入庫(kù)，保證主數(shù)據(jù)的數(shù)據(jù)質(zhì)量。

除此之外，要杜絕除主數(shù)據(jù)管理模塊以外的系統(tǒng)對(duì)主數(shù)據(jù)進(jìn)行采集，新的主數(shù)據(jù)入庫(kù)需要通過(guò)主數(shù)據(jù)管理模塊的審核，由主數(shù)據(jù)模塊提供給需要主數(shù)據(jù)的業(yè)務(wù)數(shù)采集系統(tǒng)，杜絕主數(shù)據(jù)多源頭采集的問(wèn)題。

3.2 建立數(shù)據(jù)同步原ID 記錄機(jī)制

將數(shù)據(jù)同步到數(shù)據(jù)的過(guò)程中，要有相應(yīng)字段記錄該條數(shù)據(jù)的來(lái)源，在查出問(wèn)題后可以及時(shí)、方便地進(jìn)行數(shù)據(jù)的來(lái)源回溯，對(duì)有問(wèn)題的數(shù)據(jù)進(jìn)行源頭整改，保證數(shù)據(jù)湖中數(shù)據(jù)的準(zhǔn)確性。

在數(shù)據(jù)整改的過(guò)程中，要保存整改記錄，在一段時(shí)間整改數(shù)據(jù)應(yīng)用平穩(wěn)后，才可將整改記錄歸檔或刪除。

3.3 建立科學(xué)的集成模型和數(shù)據(jù)地圖

消除信息孤島是數(shù)據(jù)湖建設(shè)的目的之一。在各油田自建的系統(tǒng)中，因?yàn)樾畔⒐聧u而重復(fù)錄入數(shù)據(jù)的現(xiàn)象很多，數(shù)據(jù)湖的結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)模型，要充分考慮各系統(tǒng)的采集和存儲(chǔ)數(shù)據(jù)模型，以主數(shù)據(jù)為中心，梳理各系統(tǒng)的數(shù)據(jù)模型，建立集成的結(jié)構(gòu)化存儲(chǔ)模型，并通過(guò)對(duì)各系統(tǒng)數(shù)據(jù)內(nèi)容的整理，確定能涵蓋各系統(tǒng)同類(lèi)數(shù)據(jù)內(nèi)容的屬性規(guī)范值進(jìn)行統(tǒng)一的存儲(chǔ)管理。以此來(lái)解決多源數(shù)據(jù)問(wèn)題和屬性值統(tǒng)一的問(wèn)題。

同時(shí)，通過(guò)數(shù)據(jù)流向和數(shù)據(jù)血緣關(guān)系，建立數(shù)據(jù)地圖，將數(shù)據(jù)流經(jīng)的各個(gè)節(jié)點(diǎn)清晰明了地展示出來(lái)，尤其是各數(shù)據(jù)源系統(tǒng)到數(shù)據(jù)湖的映射關(guān)系，需要妥善保存，在映射關(guān)系修改之前，應(yīng)先修改映射關(guān)系文件，并及時(shí)修正數(shù)據(jù)地圖。

數(shù)據(jù)地圖的建立，可以有效地幫助用戶(hù)進(jìn)行數(shù)據(jù)血緣分析和影響性分析。數(shù)據(jù)血緣分析便于用戶(hù)追查數(shù)據(jù)錯(cuò)誤源頭；影響性分析有助于在數(shù)據(jù)發(fā)生變化時(shí)，立刻確定該數(shù)據(jù)所影響的系統(tǒng)有哪些。

3.4 建立跨專(zhuān)業(yè)質(zhì)量規(guī)則庫(kù)

根據(jù)勘探開(kāi)發(fā)業(yè)務(wù)邏輯，建立跨庫(kù)、跨專(zhuān)業(yè)的質(zhì)量規(guī)則庫(kù)，數(shù)據(jù)質(zhì)量不再局限于某一專(zhuān)業(yè)內(nèi)，而是需要同一組數(shù)據(jù)同一階段產(chǎn)生的不同專(zhuān)業(yè)數(shù)據(jù)進(jìn)行互相印證，來(lái)實(shí)現(xiàn)跨專(zhuān)業(yè)的質(zhì)量規(guī)則檢查。

質(zhì)量規(guī)則庫(kù)僅存業(yè)務(wù)規(guī)則質(zhì)量，如 “井段頂深＜井段底深”，而不是某個(gè)表的某個(gè)字段的規(guī)則，而是把質(zhì)量規(guī)則和表的字段進(jìn)行配置，用質(zhì)量規(guī)則約束字段的數(shù)據(jù)合理性，它應(yīng)該是靈活的、可配置的。

同時(shí)，質(zhì)量規(guī)則庫(kù)是數(shù)據(jù)湖的一個(gè)模塊，它應(yīng)該是可定制的、可服務(wù)化的，不僅服務(wù)于數(shù)據(jù)湖的質(zhì)量檢查，更可以服務(wù)于其他系統(tǒng)的質(zhì)量檢查。

3.5 建立質(zhì)量反饋機(jī)制和考核機(jī)制

對(duì)數(shù)據(jù)湖中的數(shù)據(jù)應(yīng)建立反饋和定期考核的機(jī)制。數(shù)據(jù)問(wèn)題僅靠質(zhì)量規(guī)則庫(kù)還不夠，還需要用戶(hù)在應(yīng)用數(shù)據(jù)湖中數(shù)據(jù)時(shí)發(fā)現(xiàn)問(wèn)題并及時(shí)反饋，從而通過(guò)應(yīng)用來(lái)反查數(shù)據(jù)湖中的問(wèn)題。

除此之外，應(yīng)當(dāng)建立數(shù)據(jù)湖數(shù)據(jù)質(zhì)量的定期考核機(jī)制，結(jié)合數(shù)據(jù)質(zhì)量規(guī)則庫(kù)掃描和用戶(hù)反饋，來(lái)建立數(shù)據(jù)湖中數(shù)據(jù)質(zhì)量的良性循環(huán)。

3.6 利用主數(shù)據(jù)管理模塊管理非結(jié)構(gòu)化數(shù)據(jù)

非結(jié)構(gòu)化數(shù)據(jù)主數(shù)據(jù)可以利用數(shù)據(jù)湖中的主數(shù)據(jù)模塊進(jìn)行管理，通過(guò)訪問(wèn)地址建立映射表，存儲(chǔ)在數(shù)據(jù)湖的結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)部分，同時(shí)，為非結(jié)構(gòu)化數(shù)據(jù)的屬性信息建立非結(jié)構(gòu)化數(shù)據(jù)的信息庫(kù)，該信息庫(kù)作為結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)湖的結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)部分，利用結(jié)構(gòu)化數(shù)據(jù)擅長(zhǎng)的信息統(tǒng)計(jì)的功能特點(diǎn)，便于非結(jié)構(gòu)化數(shù)據(jù)的查找和定位。

3.7 非結(jié)構(gòu)化數(shù)據(jù)異地存儲(chǔ)、本地備份

非結(jié)構(gòu)化數(shù)據(jù)可采用異地存儲(chǔ)、本地備份的方式，對(duì)于經(jīng)常訪問(wèn)的非結(jié)構(gòu)化數(shù)據(jù)在本地進(jìn)行緩存，來(lái)提高常用非結(jié)構(gòu)化數(shù)據(jù)的讀取速度和效率，對(duì)于不常用的非結(jié)構(gòu)化數(shù)據(jù)可采用僅存其基本信息表，數(shù)據(jù)體可以歸檔模式存放在其他存儲(chǔ)設(shè)備上。異地存儲(chǔ)和備份的策略，可以提高非結(jié)構(gòu)化數(shù)據(jù)的容災(zāi)能力。

3.8 利用主數(shù)據(jù)管理模塊管理時(shí)序數(shù)據(jù)主數(shù)據(jù)

時(shí)序數(shù)據(jù)本身大多存儲(chǔ)在NoSQL 數(shù)據(jù)庫(kù)中，這種類(lèi)型數(shù)據(jù)庫(kù)本身并不擅長(zhǎng)關(guān)系管理，需要通過(guò)主數(shù)據(jù)管理模塊的關(guān)系型數(shù)據(jù)庫(kù)對(duì)時(shí)序數(shù)據(jù)庫(kù)的主數(shù)據(jù)關(guān)系進(jìn)行關(guān)聯(lián)和管理。和非結(jié)構(gòu)化數(shù)據(jù)類(lèi)似，時(shí)序數(shù)據(jù)的主數(shù)據(jù)信息表可以作為結(jié)構(gòu)化數(shù)據(jù)存在數(shù)據(jù)湖的結(jié)構(gòu)化數(shù)據(jù)庫(kù)中。

3.9 采用HBase 等列式數(shù)據(jù)庫(kù)管理時(shí)序數(shù)據(jù)

時(shí)序數(shù)據(jù)以時(shí)間為標(biāo)簽，而數(shù)據(jù)湖多以Hadoop 為架構(gòu)。可以將時(shí)序數(shù)據(jù)的時(shí)間字段設(shè)置為Key 值，將時(shí)序數(shù)據(jù)放到HBase 上進(jìn)行管理，Hadoop 對(duì)HBase 數(shù)據(jù)庫(kù)的查詢(xún)和定位效率較高，可以根據(jù)時(shí)間快速查找和定位時(shí)序數(shù)據(jù)的位置。同時(shí)，基于Hadoop 的開(kāi)源數(shù)據(jù)挖掘組件，可以連接HBase 對(duì)其上面的數(shù)據(jù)進(jìn)行應(yīng)用和數(shù)據(jù)挖掘。

3.10 建立數(shù)據(jù)應(yīng)用視圖和向下兼容的服務(wù)模式

在數(shù)據(jù)湖的應(yīng)用層需要建立和數(shù)據(jù)源庫(kù)的表同構(gòu)的數(shù)據(jù)應(yīng)用視圖，同時(shí)根據(jù)原庫(kù)的數(shù)據(jù)應(yīng)用方式和應(yīng)用模式，建立鏡像的數(shù)據(jù)湖服務(wù)模式，包括同樣的服務(wù)名稱(chēng)、同樣的訪問(wèn)視圖名稱(chēng)，減少新老系統(tǒng)切換的復(fù)雜度。

4 結(jié)語(yǔ)

數(shù)據(jù)湖的建設(shè)是現(xiàn)今多元化數(shù)據(jù)時(shí)代的必然趨勢(shì)，只有將不同結(jié)構(gòu)、不同來(lái)源、不同系統(tǒng)、不同形式的數(shù)據(jù)有機(jī)、統(tǒng)一地結(jié)合起來(lái)，數(shù)據(jù)湖結(jié)合數(shù)據(jù)治理思想，才能為大數(shù)據(jù)應(yīng)用打造良好的數(shù)據(jù)環(huán)境。數(shù)據(jù)湖的建設(shè)，是信息技術(shù)和計(jì)算機(jī)科學(xué)不斷發(fā)展和更迭進(jìn)程中必不可少的一環(huán)，它一方面需要兼顧已有系統(tǒng)的正常運(yùn)行，另一方面又要立足于未來(lái)，將數(shù)據(jù)應(yīng)用到新的技術(shù)中去，用新的技術(shù)和系統(tǒng)來(lái)保障企業(yè)的數(shù)據(jù)建設(shè)從信息化時(shí)代平穩(wěn)地邁向大數(shù)據(jù)時(shí)代，在這個(gè)過(guò)程中，要時(shí)刻重視數(shù)據(jù)治理的問(wèn)題，這樣才能保證數(shù)據(jù)湖的數(shù)據(jù)基石健康、穩(wěn)固。