数据治理是一种组织和管理数据资源的过程,旨在确保数据的质量、安全性、可靠性、可访问性和合规性,以支持企业决策和运营需求。
数据治理涉及制定和执行数据管理策略、规则和流程,包括数据分类、数据质量管理、数据安全和隐私保护、数据共享和访问控制、数据存储和备份等方面。
数据治理通常需要跨部门合作,包括IT、业务和法务等部门,以确保数据资源在整个企业中的有效管理和利用。数据治理对于企业决策的准确性和效率至关重要,可以提高数据价值、减少风险和遵守法规要求。
Apache Atlas 是一组可伸缩和可扩展的核心基础治理服务——使企业能够有效且高效地满足其在 Hadoop 中的合规性要求,并允许与整个企业数据生态系统集成。
Atlas 为组织提供开放的元数据管理和治理功能,以构建其数据资产的目录,对这些资产进行分类和治理,并为数据科学家、分析师和数据治理团队提供围绕这些数据资产的协作能力。
元数据类型和实例
分类
expiry_date
属性血统
搜索/发现
安全和数据屏蔽
底层:
Atlas 的最底层是通过 HBase 与 Solr 完成对 Atlas 组件的元数据存储。
Core 核心层:
Ingest / Export:Ingest 组件允许将元数据添加到 Atlas。同样,Export 组件公开 Atlas 检测到的元数据更改,并将其作为事件引发。消费者可以使用这些更改事件来实时响应元数据更改。
Type System 类型系统:Atlas 允许用户为他们想要管理的元数据对象定义模型。该模型由称为“类型”的定义组成。称为“实体”的“类型”实例代表了被管理的实际元数据对象。类型系统是一个允许用户定义和管理类型和实体的组件。开箱即用的 Atlas 管理的所有元数据对象(例如 Hive 表)都使用类型建模并表示为实体。
Graph Engine 图引擎:在内部,Atlas 使用图模型持久化它管理的元数据对象。这种方法提供了极大的灵活性,并能够有效地处理元数据对象之间的丰富关系。图形引擎组件负责 Atlas 类型系统的类型和实体之间的转换,以及底层图形持久化模型。除了管理图形对象外,图形引擎还为元数据对象创建适当的索引,以便可以有效地搜索它们。Atlas 使用 JanusGraph 来存储元数据对象。
Integration 消息传递层:
用户可以使用以下两种方法管理 Atlas 中的元数据。
Messaging 消息传递:用户可以选择使用基于 Kafka 的消息传递接口与 Atlas 集成。这对于将元数据对象与 Atlas 通信以及使用来自 Atlas 的元数据更改事件都非常有用,可以使用这些事件构建应用程序。如果希望使用与 Atlas 的耦合更松散的集成以实现更好的可伸缩性、可靠性等,则消息传递接口特别有用。Atlas 使用 Apache Kafka 作为通知服务器,用于挂钩和元数据通知事件的下游消费者之间的通信。事件由钩子和 Atlas 写入不同的 Kafka 主题。
API:Atlas 的所有功能都通过 REST API 公开给最终用户,该 API 允许创建、更新和删除类型和实体。它也是查询和发现 Atlas 管理的类型和实体的主要机制。
Metadata sources 元数据源层:
Atlas 支持与开箱即用的许多元数据源集成。目前,Atlas 支持从以下来源获取和管理元数据:
集成意味着两件事:Atlas 本地定义元数据模型来表示这些组件的对象。Atlas 提供了一些组件来从这些组件中摄取元数据对象(在某些情况下以实时或批处理模式)。
Apps 应用层:
Atlas 管理的元数据被各种应用程序使用,以满足许多治理用例。
Atlas Admin UI:该组件是一个基于 Web 的应用程序,允许数据管理员和科学家发现和注释元数据。这里最重要的是搜索界面和类似 SQL 的查询语言,可用于查询 Atlas 管理的元数据类型和对象。管理 UI 使用 Atlas 的 REST API 来构建其功能。
基于标签的策略:Apache Ranger是 Hadoop 生态系统的高级安全管理解决方案,与各种 Hadoop 组件广泛集成。通过与 Atlas 集成,Ranger 允许安全管理员定义元数据驱动的安全策略以实现有效治理。Ranger 是 Atlas 通知的元数据更改事件的消费者。
从 Atlas 的架构中,我们可以看出其涉及的大数据组件很多,例如:HBase、Solr、Hadoop、Kafka、Hive 等等,在正式搭建 Atlas 之前,我们需要先确保这些相关的组件都已经搭建完毕,且能够正常启动运行。
架构搭建计划如下:
服务名称 | 子服务 | hadoop104服务器 | hadoop105服务器 | hadoop106服务器 |
---|---|---|---|---|
Java | JDK | √ | √ | √ |
HDFS | NameNode | √ | ||
HDFS | DataNode | √ | √ | √ |
HDFS | SecondaryNameNode | √ | ||
Yarn | Resourcemanager | √ | ||
Yarn | NodeManager | √ | √ | √ |
HistoryServer | JobHistoryServer | √ | ||
Zookeeper | QuorumPeerMain | √ | √ | √ |
Kafka | Kafka | √ | √ | √ |
HBase | HMaster | √ | ||
HBase | HRegionServer | √ | √ | √ |
Solr | Jar | √ | √ | √ |
Hive | Hive | √ | ||
MySQL | MySQL | √ | ||
Atlas | Atlas | √ |
参考我的这篇博客:Hadoop 完全分布式搭建(超详细)
启动服务后,相关节点运行如下图所示:
参考我的这篇博客:Hive 搭建(将 MySQL 作为元数据库)
启动服务后,相关组件运行如下图所示:
参考我的这篇博客:HBase 分布式搭建
启动服务后,相关节点运行如下图所示:
参考我的这篇博客:Kafka 搭建
启动服务后,相关节点运行如下图所示:
参考我的这篇博客:大数据之 Solr 集群搭建
选择任意一台主机地址,访问 Solr 的默认端口 8983
,成功启动如下图所示:
tar -zxvf apache-atlas-2.1.0-server.tar.gz -C /opt/module/
# 修改名称
cd /opt/module
mv apache-atlas-2.1.0/ atlas
使用命令 vi /etc/profile
编辑环境变量文件,添加如下参数:
#ATLAS_HOME
export ATLAS_HOME=/opt/module/atlas
export PATH=$PATH:$ATLAS_HOME/bin
相关路径注意修改成自己的,然后通过 source /etc/profile
使环境生效。
Atlas 的底层是通过 HBase 去存储元数据的。
修改 Atlas 安装目录下的 conf/atlas-application.properties
配置文件,为 HBase 设置 Zookeeper 的连接地址。
atlas.graph.storage.hostname=hadoop104:2181,hadoop105:2181,hadoop106:2181
修改 Atlas 安装目录下的 atlas-env.sh
环境配置文件,设置 HBase 的目录。
export HBASE_CONF_DIR=/opt/module/hbase-2.0.5/conf
修改 Atlas 安装目录下的 conf/atlas-application.properties
配置文件,为 Solr 设置 Zookeeper 的连接地址。
atlas.graph.index.search.solr.zookeeper-url=hadoop104:2181,hadoop105:2181,hadoop106:2181
创建 Solr 集合,因为在 Atlas 中是通过 Solr 来负责存储图形数据索引信息的,所以需要创建点、线(边缘)以及全文(图)索引。
# 创建点索引,设置 3 个分片以及两个副本
sudo -i -u solr solr create -c vertex_index -d /opt/module/atlas/conf/solr -shards 3 -replicationFactor 2
# 创建线(边缘)索引,设置 3 个分片以及两个副本
sudo -i -u solr solr create -c edge_index -d /opt/module/atlas/conf/solr -shards 3 -replicationFactor 2
# 创建全文(图)索引,设置 3 个分片以及两个副本
sudo -i -u solr solr create -c fulltext_index -d /opt/module/atlas/conf/solr -shards 3 -replicationFactor 2
创建完成后,我们可以在 Solr 的 WEB 界面中查看索引结构,如下所示:
修改 Atlas 安装目录下的 conf/atlas-application.properties
配置文件,为 Kafka 设置相关参数。
# 是否开启 atlas 的通知嵌入
atlas.notification.embedded=false
# 指定 kafka 的 data 目录
atlas.kafka.data=/opt/module/kafka/data
# 指定 kafka 的 zookeeper 连接地址
atlas.kafka.zookeeper.connect=hadoop104:2181,hadoop105:2181,hadoop106:2181/kafka
# 指定 kafka 的连接地址
atlas.kafka.bootstrap.servers=hadoop104:9092,hadoop105:9092,hadoop106:9092
修改 Atlas 安装目录下的 conf/atlas-application.properties
配置文件。
# 设置 atlas 的默认 WEB 访问地址
atlas.rest.address=http://hadoop104:21000
# 每次启动 atlas 是否都进行初始化
atlas.server.run.setup.on.start=false
# 为 atlas 绑定 zookeeper 地址
atlas.audit.hbase.zookeeper.quorum=hadoop104:2181,hadoop105:2181,hadoop106:2181
修改 Atlas 安装目录下的 conf/atlas-application.properties
配置文件,在该文件末尾添加如下参数:
######### Hive Configuration ########
# 是否开启 hive 的自动同步测试
atlas.hook.hive.synchronous=false
# 重试次数
atlas.hook.hive.numRetries=3
# 最大队列大小
atlas.hook.hive.queueSize=10000
# 集群名称
atlas.cluster.name=primary
修改 Hive 的配置文件 hive-site.xml
,配置钩子属性,如下所示:
<property>
<name>hive.exec.post.hooksname>
<value>org.apache.atlas.hive.hook.HiveHookvalue>
property>
安装 Hive 的 Atlas 钩子程序。
tar -zxvf apache-atlas-2.1.0-hive-hook.tar.gz -C /opt/module/
复制 Hive 钩子程序的文件夹到 Atlas 目录下。
cd /opt/module/apache-atlas-hive-hook-2.1.0
cp -r ./* /opt/module/atlas/
接下来需要修改 Hive 的环境变量 hive-env.sh
配置文件。
cd $HIVE_HOME/conf/
# 复制模板文件并改名
cp hive-env.sh.template hive-env.sh
# 然后编辑复制的文件,在其中添加如下参数,指定 Hive 的 hook 目录
export HIVE_AUX_JARS_PATH=/opt/module/atlas/hook/hive
最后将 Atlas 配置文件目录下的 atlas-application.properties
文件拷贝到 Hive 中的 conf
目录下。
cp /opt/module/atlas/conf/atlas-application.properties $HIVE_HOME/conf/
Atlas 集群 Hive 完成。
从 Atlas 的设计架构中就可以看出,它的运行依附了许多组件,所以,在启动 Atlas 之前,我们需要先启动如下组件:
上述组件启动后,相关服务节点如下所示:
然后最终再启动 Atlas 服务。
# 启动 atlas
atlas_start.py
# 停止 atlas
atlas_stop.py
首次启动需要大概五分钟左右,启动期间会频繁打印 .
符号,启动成功后,会出现如下提示:
并且使用 jps
命令,可以查看到 Atlas 进程:
但启动成功后,我们发现,还是无法访问 Atlas 的 WEB 界面,如下所示:
这是由于 Atlas 还在做初始化工作,还需要再耐心等待三四分钟,然后再次刷新,就看到了 Atlas 的登录界面:
登录进入之后,Atlas 的基本界面如下所示:
我们可以通过 Atlas 提供的 Hive 钩子程序来直接进行首次元数据的同步,但在这之前,我们需要在 Hive 中创建一个表来进行模拟数据。
首先,我们进入 MySQL 中修改 Hive 的元数据库相关字段字符编码格式为 utf8
,修改完成后,无需重启 MySQL 和 Hive 就能生效。
这一步的目的是避免后面在 Atlas 中查看中文字符时出现乱码情况。
# 切换到 Hive 的元数据库中
use metastore;
# 修改字段注释字符集
alter table COLUMNS_V2 modify column COMMENT varchar(256) character set utf8;
#修改表注释字符集
alter table TABLE_PARAMS modify column PARAM_VALUE varchar(4000) character set utf8;
# 修改分区表参数,以支持分区键能够用中文表示
alter table PARTITION_PARAMS modify column PARAM_VALUE varchar(4000) character set utf8;
alter table PARTITION_KEYS modify column PKEY_COMMENT varchar(4000) character set utf8;
# 修改索引注解
alter table INDEX_PARAMS modify column PARAM_VALUE varchar(4000) character set utf8;
然后修改 Hive 的配置文件 hive-site.xml
,设置 JDBC 的连接参数,如下所示:
<property>
<name>javax.jdo.option.ConnectionURLname>
<value>jdbc:mysql://hadoop104:3306/metastore?useSSL=false&useUnicode=true&characterEncoding=UTF-8value>
property>
进入 Hive 中,创建测试表。
drop table if exists student;
create table student(
id int comment '学号',
name string comment '姓名',
age int comment '年龄',
sex string comment '性别')
row format delimited fields terminated by '\t';
# 插入一些模拟数据
insert into student values(1,"张三",20,"男"),(2,"李四",20,"男"),(3,"王五",21,"男"),(4,"张梅",20,"女"),(5,"王甜甜",21,"女");
插入后数据如下所示:
字符编码显示正常:
下面我们就可以通过运行 Atlas 提供的 Hive 钩子程序来进行首次元数据的导入了。
# 进入 Atlas 的安装目录
cd /opt/module/atlas
# 进入我们拷贝来的 Hive 的 hook-bin 目录
cd /hook-bin
直接运行该脚本文件 import-hive.sh
。
运行后会提示输入 Atlas 的账号与密码,默认都是 admin
。
导入完成后会出现 Hive Meta Data imported successfully!!!
提示,表示导入成功。
导入的时长和元数据量大小有关,后续 Hive 的元数据 Atlas 都会自动更新同步,无需再次执行该钩子程序。
我们打开 Atlas 的 WEB 界面,查看导入的元数据资产信息,点击右上角的统计标志。
然后就会发现我们的数据资产,显然我们的元数据已经首次同步完成了。
模拟创建两张表。
CREATE TABLE dwd_order_info (
`id` STRING COMMENT '订单号',
`final_amount` DECIMAL(16,2) COMMENT '订单最终金额',
`order_status` STRING COMMENT '订单状态',
`user_id` STRING COMMENT '用户 id',
`payment_way` STRING COMMENT '支付方式',
`delivery_address` STRING COMMENT '送货地址',
`out_trade_no` STRING COMMENT '支付流水号',
`create_time` STRING COMMENT '创建时间',
`operate_time` STRING COMMENT '操作时间',
`expire_time` STRING COMMENT '过期时间',
`tracking_no` STRING COMMENT '物流单编号',
`province_id` STRING COMMENT '省份 ID',
`activity_reduce_amount` DECIMAL(16,2) COMMENT '活动减免金额',
`coupon_reduce_amount` DECIMAL(16,2) COMMENT '优惠券减免金额',
`original_amount` DECIMAL(16,2) COMMENT '订单原价金额',
`feight_fee` DECIMAL(16,2) COMMENT '运费',
`feight_fee_reduce` DECIMAL(16,2) COMMENT '运费减免'
) COMMENT '订单表'
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';
CREATE TABLE dim_base_province (
`id` STRING COMMENT '编号',
`name` STRING COMMENT '省份名称',
`region_id` STRING COMMENT '地区 ID',
`area_code` STRING COMMENT '地区编码',
`iso_code` STRING COMMENT 'ISO-3166 编码,供可视化使用',
`iso_3166_2` STRING COMMENT 'IOS-3166-2 编码,供可视化使用'
) COMMENT '省份表'
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';
模拟数据下载:数据治理-模拟数据下载
数据导入:
load data local inpath '/opt/software/base_province.txt' into table dwd_order_info;
load data local inpath '/opt/software/order_info.txt' into table dim_base_province;
下面来建立一张需求表,用于保存订单表与地区表的合并分析结果。
CREATE TABLE `ads_order_by_province` (
`dt` STRING COMMENT '统计日期',
`province_id` STRING COMMENT '省份 id',
`province_name` STRING COMMENT '省份名称',
`area_code` STRING COMMENT '地区编码',
`iso_code` STRING COMMENT '国际标准地区编码',
`iso_code_3166_2` STRING COMMENT '国际标准地区编码',
`order_count` BIGINT COMMENT '订单数',
`order_amount` DECIMAL(16,2) COMMENT '订单金额'
) COMMENT '各省份订单统计'
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';
执行需求,统计各个省份的订单量以及金额:
insert into table ads_order_by_province
select
'2021-08-30' dt,
bp.id,
bp.name,
bp.area_code,
bp.iso_code,
bp.iso_3166_2,
count(*) order_count,
sum(oi.final_amount) order_amount
from
dwd_order_info oi
left join
dim_base_province bp
on
oi.province_id=bp.id
group by bp.id,bp.name,bp.area_code,bp.iso_code,bp.iso_3166_2;
运行完成后,我们进入 Atlas 查看表的血缘关系:
所以说呢,Atlas 就是做这么一个事情,通过对数据仓库的监控,生成十分详细的血缘依赖图,能够对你执行的操作进行增量同步,数据资产清晰可见,适合在大型项目中使用,部署过程有点繁琐。