元数据管理开源解决方案(饿了么实践之路)

大数据挑战

饿了么元数据管理实践之路

Challenge

多种执行、存储引擎,分钟、小时、天级的任务调度,怎样梳理数据的时间线变化?

任务、表、列、指标等数据,如何进行检索、复用、清理、热度Top计算?

怎样对表、列、指标等进行权限控制,任务治理以及上下游依赖影响分析?

元数据定义、价值

元数据打通数据源、数据仓库、数据应用,记录了数据从产生到消费的完整链路。元数据包含静态的表、列、分区信息(也就是MetaStore);动态的任务、表依赖映射关系;数据仓库的模型定义、数据生命周期;以及ETL任务调度信息、输入输出等

元数据是数据管理、数据内容、数据应用的基础。例如可以利用元数据构建任务、表、列、用户之间的数据图谱;构建任务DAG依赖关系,编排任务执行序列;构建任务画像,进行任务质量治理;数据分析时,使用数据图谱进行字典检索;根据表名查看表详情,以及每张表的来源、去向,每个字段的加工逻辑;提供个人或BU的资产管理、计算资源消耗概览等

开源解决方案

饿了么元数据管理实践之路

WhereHows

WhereHows是LinkedIn开源的元数据治理方案。Azkaban调度器抓取job执行日志,也就是Hadoop的JobHistory,Log Parser后保存DB,并提供REST查询。WhereHows太重,需要部署Azkaban等调度器,以及只支持表血缘,功能局限

饿了么元数据管理实践之路

Atlas

Atlas是Apache开源的元数据治理方案。Hook执行中采集数据(比如HiveHook),发送Kafka,消费Kafka数据,生成Relation关系保存图数据库Titan,并提供REST接口查询功能,支持表血缘,列级支持不完善

饿了么元数据系统架构

饿了么元数据管理实践之路

架构

  • DB保存任务的sql数据、任务基础信息、执行引擎上下文信息
  • Extract循环抽取sql并解析成表、列级血缘Lineage
  • DataSet包含Lineage关系数据+任务信息+引擎上下文
  • 将DataSet数据集保存到Neo4j,并提供关系查询;保存ES,提供表、字段等信息检索

SQL埋点、采集

饿了么元数据管理实践之路

SQL埋点

饿了么的sql数据,以执行中采集为主+保存前submit为辅。因为任务的sql可能包含一些时间变量,比如dt、hour,以及任务可能是天调度、小时调度。执行中采集sql实时性更高,也更容易处理

EDW是饿了么的调度系统,类比开源的AirFlow。调度系统执行任务,并将任务相关的信息,比如appId、jobId、owner、sql等信息存入DB

计算引擎实现相关的监听接口,比如Hive实现ExecuteWithHookContext接口;Spark实现SparkListener接口;Presto实现EventListener接口。将计算引擎相关的上下文Context、元数据MetaData、统计Statistics等信息存入DB

SQL解析

饿了么元数据管理实践之路

SQL Parse

解析sql的方案,以hive为例。先定义词法规则和语法规则文件,然后使用Antlr实现sql的词法和语法解析,生成AST语法树,遍历AST语法树完成后续操作

但对于SELECT *、CTAS等操作,直接遍历AST,不去获取Schema信息来检查表名、列名,就无法判定sql的正确性,导致数据污染

综上所述,饿了么的SQL解析方案,直接参考Hive的底层源码实现。上面的图片是个简单示例,先经过SemanticAnalyzerFactory类进行语法分析,再根据Schema生成执行计划QueryPlan。关于表、列的血缘,可以从LineageInfo、LineageLogger类中获得解决方案

当然,你需要针对部分类型sql设置HiveConf,比如“开启动态分区非严格模式”。对于CTAS类型,需要设置Context。UDF函数需要修改部分hive源码,避免UDF Registry检查

饿了么元数据管理实践之路

Operation

饿了么解析血缘的sql支持的操作有:Query(包含select\insert into\insert overwrite)、CreateTable、CreateTableAsSelect、DropTable、CreateView、AlterView。基本覆盖饿了么生产环境99%+的sql语法

栗子

create table temp.lineage_test as select coalesce(name, count(id)) lineage_name from default.dual group by id, name

举个栗子,根据上面的sql,分别产生表、列血缘结构。input是表、列输入值,output是表、列输出值,operation代表操作类型。比如表A+B通过insert,生成表C,则延展成A insert C; B insert C

列式也一样
input: name, operation: coalesce(name, count(id)), output: lineage_name;
input: id, operation: coalesce(name, count(id)), output: lineage_name

表血缘结构

饿了么元数据管理实践之路

Table Lineage

列血缘结构

饿了么元数据管理实践之路

Column Lineage

图存储

饿了么元数据管理实践之路

Gremlin

有了input、operation、output关系,将input、output保存为图节点,operation保存为图边。图数据库选用Gremlin+Neo4j。Gremlin是图语言,存储实现方案比较多,Cypher查询不太直观,且只能Neo4j使用。社区版Neo4j只能单机跑,我们正在测试OrientDB

饿了么部分使用场景

下面是饿了么在元数据应用上的部分场景:

饿了么元数据管理实践之路

MetaStore

静态的Hive MetaStore表,比如DBS、TBLS、SDS、COLUMNS_V2、TABLE_PARAMS、PARTITIONS,保存表、字段、分区、Owner等基础信息,便于表、字段的信息检索功能

饿了么元数据管理实践之路

LineageInfo

提供动态的表依赖血缘关系查询。节点是表基础信息,节点之间的边是Operation信息,同时附加任务执行Id、执行时间等属性。列血缘结构展示等同表血缘结构

饿了么元数据管理实践之路

Job DAG

根据SQL的input、output构建表的依赖关系,进一步构建任务的DAG依赖结构。可以对任务进行DAG调度,重新编排任务执行序列

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 726419713@qq.com 举报,一经查实,本站将立刻删除。