在使用数据过程中，您可利用数据探查功能，对一张数据表进行全量探查，一键生成探查报告，展示探查后列的统计分布结果，如下：

• 各个字段空值、0值的占比。
• 唯一键重复情况。
• 一些重要字段的枚举值、均值、分位数等分布的情况。

探查作为所有数据工作的基础，可帮助您了解数据全貌、发现潜在问题、理解数据分布，从而更好的使用数据。

1 前提条件

• 已具备数据表的读取权限，才可对其进行探查。申请权限的相关操作说明请参见权限申请。
• EMR 引擎上传 Spark Jar 包后才能正常使用。若没有上传，当选择相应 EMR 引擎时，系统会弹窗提示您上传，详细操作说明请参见配置Hive模板规则。

  说明

  • 具备 EMR 引擎的根目录读写权限的账号才能执行上传操作，主账号默认具备该权限。
  • 在数据监控、数据探查或数据对比页面选择 EMR 引擎实例后，系统都会进行 Spark Jar 的扫描，可通过任一入口进行上传，上传成功一次即可。

2 创建探查

1. 登录 DataLeap 控制台。

2. 选择数据质量 > 数据探查 > 创建探查，进入创建探查页面。
   

3. 设置探查信息。

   1. 选择探查对象。
      选择您需要探查的数据源，包含引擎、库、表及探查分区等信息。
   2. 设置探查指标。
   3. 设置高级参数。
      创建探查的相关参数说明如下表所示。其中名称前带 * 的参数为必填参数，名称前未带 * 的参数为可选参数。

   参数	说明
   选择探查对象
   *数据源类型	探查对象的数据源类型，支持 Hive、ByteHouse 企业版、ByteHouse 云数仓版、EMR_SERVERLESS_STARROCKS 三个选项，下拉可选。
   *引擎	要使用的引擎实例，提供 EMR、LAS 和 EMR_SERVERLESS_SPARK 三种引擎选项，下拉可选。 当选择 EMR 时，可从下拉列表中选择一个运行中的实例。 当选择 LAS 时，实例默认为 default。 当选择 EMR_SERVERLESS_SPARK 时，实例选项默认为 default。 当数据源类型选择 Hive 时，需设置该参数。 说明 EMR支持快捷模式和安全模式两类集群，集群访问模式的相关配置说明请参见绑定 EMR 集群。 快捷模式：选择监控对象时不会进行鉴权，可选择监控集群下所有数据表。 安全模式：选择监控对象时会进行数据鉴权，若无该表的读取权限，则无法创建相应的监控规则。
   *数据源/引擎	要使用的数据源/引擎。 当数据源类型选择 Bytehouse 企业版时，下拉可选 BHCE 引擎及一个运行中的引擎实例。 当数据源类型选择 EMR_SERVERLESS_STARROCKS 时，下拉可选已绑定的实例。绑定实例相关操作请参见绑定 EMR Serverless StarRocks 实例。 当数据源类型选择 Bytehouse 云数仓版时，默认为default，下拉可选。 当数据源类型选择 Bytehouse 企业版、Bytehouse 云数仓版或 EMR_SERVERLESS_STARROCKS 时，需设置该参数。
   *库名	要探查的数据库名称，下拉可选已创建的数据库。
   *表名	所选数据库下要探查的数据表名称，下拉可选已创建的数据表。
   负责人	数据表的负责人，选择表名后自动显示。
   *探查分区	数据表的分区字段。一级分区必填，可通过以下方式设置： 输入设置，分区取值无需填写引号。 例如，可填写date=20201016/hour=10/app=数据质量，无需填写date='20201016'/hour='10'/app='数据质量'。 从下拉列表中选择推荐的分区表达式，并可根据需要进行编辑。 说明 当数据表为分区表时，选择表名后才显示该参数。
   探查设置
   主键重复值	若需要探查，则需要指定主键，可选择多个。
   字段探查	包含各字段NULL值、0值、数值分布、枚举值等指标。可以在详细设置中进行更改，未勾选的探查项不会展示在探查报告中。 NULL值：默认对所有字段探查NULL值。 0值：默认对所有数值类字段探查0值。 枚举值：默认对所有字段探查枚举值，若无需求，可移除勾选。 数值分布：默认对所有数值类字段探查数值分布，包含Min/Max/Mean/Sum/分位数/标准差。 空字符串：默认对所有字段探查没有字符的字符串""，若无需求，可移除勾选。
   *计算组	ByteHouse 中的计算资源集群，下拉可选已在 ByteHouse 云数仓版控制台创建的计算组。 说明 仅可选择开启了自动启停或处于开启状态的计算组。 当数据源类型选择 ByteHouse 云数仓版时，需设置该参数。
   高级参数设置
   描述	支持对探查报告进行简单描述，方便探查报告的浏览者理解探查信息。
   运行参数	支持Set高级参数，便于调控探查运行状况。
   过滤条件	支持输入语法逻辑与 SQL 一致的条件语句，如type=‘***’，无需输入‘where’。

4. 点击确定按钮，完成创建，进入探查结果页面。

3 创建定期探查

对于需要经常查看数据的表，可以通过配置定期探查来自动更新探查报告，从而减少报告查看的等待时间。

1. 登录 DataLeap 控制台。

2. 选择数据质量 > 数据探查 > 创建定期探查，进入创建定期探查页面。
   

3. 设置探查信息后，单击确定按钮，完成定期探查创建。
   创建定期探查的相关参数说明如下表所示。

   参数	说明
   选择探查对象
   *数据源类型	探查对象的数据源类型，支持 Hive、ByteHouse 企业版、Bytehouse 云数仓版、EMR_SERVERLESS_STARROCKS 三个选项，下拉可选。
   *引擎	要使用的引擎实例，提供 EMR、LAS 和 EMR_SERVERLESS_SPARK 三种引擎选项，下拉可选。 当选择 EMR 时，可从下拉列表中选择一个运行中的实例。 当选择 LAS 时，实例默认为 default。 当选择 EMR_SERVERLESS_SPARK 时，实例选项默认为 default。 当数据源类型选择 Hive 时，需设置该参数。 说明 EMR支持快捷模式和安全模式两类集群，集群访问模式的相关配置说明请参见绑定 EMR 集群。 快捷模式：选择监控对象时不会进行鉴权，可选择监控集群下所有数据表。 安全模式：选择监控对象时会进行数据鉴权，若无该表的读取权限，则无法创建相应的监控规则。
   *数据源/引擎	要使用的数据源/引擎。 当数据源类型选择 Bytehouse 企业版时，下拉可选 BHCE 引擎及一个运行中的引擎实例。 当数据源类型选择 EMR_SERVERLESS_STARROCKS 时，下拉可选已绑定的实例。绑定实例相关操作请参见绑定 EMR Serverless StarRocks 实例。 当数据源类型选择 Bytehouse 云数仓版时，默认为default，下拉可选。 当数据源类型选择 Bytehouse 企业版、Bytehouse 云数仓版或 EMR_SERVERLESS_STARROCKS 时，需设置该参数。
   *库名	要探查的数据库名称，下拉可选已创建的数据库。
   *表名	所选数据库下要探查的数据表名称，下拉可选已创建的数据表，支持选择多个。
   *探查分区	数据表的分区字段，选择表名后自动显示。 一级分区必填，可通过以下方式设置： 输入设置，分区取值无需填写引号。 例如，可填写date=20201016/hour=10/app=数据质量，无需填写date='20201016'/hour='10'/app='数据质量'。 从下拉列表中选择推荐的分区表达式，并可根据需要进行编辑。 说明 当选择多个表名时，有相同分区名称的表会显示在同一行，并进行统一配置。 仅 Hive、Bytehouse 企业版、Bytehouse 云数仓版三种类型的表展示该参数。
   探查设置
   主键重复值	若需要探查，则需要指定主键，可选择多个。
   字段探查	包含各字段NULL值、0值、数值分布、枚举值等指标。可以在详细设置中进行更改，未勾选的探查项不会展示在探查报告中。 NULL值：默认对所有字段探查NULL值。 0值：默认对所有数值类字段探查0值。 枚举值：默认对所有字段探查枚举值，若无需求，可移除勾选。 数值分布：默认对所有数值类字段探查数值分布，包含Min/Max/Mean/Sum/分位数/标准差。 空字符串：默认对所有字段探查没有字符的字符串""，若无需求，可移除勾选。 说明 默认探查所有字段，不支持筛选字段。
   *计算组	ByteHouse 中的计算资源集群，下拉可选已在 ByteHouse 云数仓版控制台创建的计算组。 说明 仅可选择开启了自动启停或处于开启状态的计算组。 当数据源类型选择 ByteHouse 云数仓版时，需设置该参数。
   定时执行设置
   *执行方式	定期探查的执行方式，仅支持定时调度选项，即按照设定的调度时间定期探查。
   *执行频率	定期探查的执行频率，仅支持天级选项。
   *执行时间	定期探查的执行时间，仅支持设置为北京时间的每天 X 点，精确到分钟。
   高级参数设置
   描述	支持对探查报告进行简单描述，方便探查报告的浏览者理解探查信息。
   运行参数	支持Set高级参数，便于调控探查运行状况。
   过滤条件	支持输入语法逻辑与 SQL 一致的条件语句，如type=‘***’，无需输入‘where’。

4 管理探查结果

数据探查创建成功后，可以执行查看探查报告、搜索探查结果、查看运行日志等操作，步骤如下：

1. 登录 DataLeap 控制台。
2. 选择数据质量 > 数据探查 > 探查结果，进入探查结果页面。
3. 在数据源类型和对应引擎下拉列表中，选择要查看的引擎和对应的实例。
4. 点击探查结果列表前的折叠图标或点击全部展开按钮，展开列表信息。
   
5. 可执行以下操作：
   • 设置搜索信息，快速查找符合条件的探查结果列表。
   • 管理定期探查
     • 单击列表中某条数据操作列的编辑定时探查按钮，可以编辑该数据的定期探查信息。
     • 勾选一条或多条数据后，单击关闭定期探查按钮，二次确认后可以批量关闭定期探查。
     • 勾选一条或多条数据后，单击开启定期探查按钮，二次确认后可以批量开启定期探查。

     说明

     相关数据创建定期探查后，才可执行以上管理操作。

   • 点击列表中某条探查信息操作列的探查报告按钮，进入探查报告页面，查看数据探查结果。
     内容包括该分区的表行数、字段数、表大小、存储格式、填写的探查描述信息等，并统计字段探查信息的总结。字段详情如下：
     • NULL值：统计该字段中，出现NULL的个数和占比。
     • 0值：统计该字段中，出现0的个数和占比。仅支持数值类字段。
     • 枚举值：统计该字段中的枚举值，按占比从大到小排序。点击更多按钮，可查看所有枚举值，最多展示前100个。
     • 数值统计：统计该字段中分位数、均值、标准差、SUM，统计前会过滤掉NULL值。其中，分位数可选择 查看10% - 90%分位数 或 查看25%/50%/75%分位数。仅支持数值类字段。
       

     说明

     • 创建的数据探查运行成功后，才可以查看探查报告。
     • 当探查报告中表行数为 0 时，字段详情无相关数据可展示，建议您重新探查或检查表数据情况。
   • 点击列表中某条探查信息操作列的分享按钮，可以复制该报告地址，并分享给他人。
   • 点击列表中某条探查信息操作列的复制按钮，可以复制并修改其探查信息，快速创建新的探查。
   • 点击列表中某条探查信息操作列的 ... > 运行日志按钮，可以查看该探查的运行日志。
   • 点击列表中某条运行中的探查信息操作列的 ... > 终止按钮，可以终止该探查。
   • 点击列表中某条探查信息操作列的 ... > 重跑按钮，可以重跑该探查任务。