搭建一套数据治理体系耗时耗力,但或许我们没有必要从头开始搞自己的数据血缘项目。本文分享如何用开源、现代的 DataOps、ETL、Dashboard、元数据、数据血缘管理系统构建大数据治理基础设施。
元数据治理系统
元数据治理系统是一个提供了所有数据在哪、格式化方式、生成、转换、依赖、呈现和所属的一站式视图。
元数据治理系统是所有数据仓库、数据库、表、仪表板、ETL 作业等的目录接口(catalog),有了它,我们就不用在群里喊 “大家好,我可以更改这个表的 schema 吗?”、 “请问谁知道我如何找到 table-view-foo-bar 的原始数据?”… 一个成熟的数据治理方案中的元数据治理系统,对数据团队来说非常必要。
而数据血缘则是元数据治理系统众多需要管理的元数据之一,例如,某些 Dashboard 是某一个 Table View 的下游,而这个 Table View 又是从另外两个上游表 JOIN 而来。显然,应该清晰地掌握、管理这些信息,去构建一个可信、可控的系统和数据质量控制体系。
数据治理的可行方案数据治理方案设计
元数据和数据血缘本质上非常适合采用图数据建模、图数据库。因为数据治理涉及的典型查询便是面向图关系的查询,像 “查找指定组件(即表)的所有 n 度(深度)的数据血缘” 就是图查询语句 FIND ALL PATH 跑起来的事。从日常大家在论坛、微信群里讨论的查询和图建模来看,NebulaGraph 社区很多人在从零开始搭建数据血缘系统,而这些工作看起来大多是在重复造轮子,而且还是不容易造的轮子。
既然如此,前人种树后人乘凉,这里我决定搭建一个完备、端到端(不只有元数据管理)的数据系统,供大家参考解决数据血缘、数据治理问题。这个套数据系统会采用市面上优秀的开源项目,而图数据库这块还是采用大家的老朋友 ——NebulaGraph。希望对大家能有所启发,在此基础之上拥有一个相对完善的图模型,以及设计精巧、开箱即用的元数据治理系统。
下面,来看看元数据治理系统的轮子都需要哪些功能组件:
下图是整个方案的简单示意图:
其中,上面的虚线框是元数据的来源与导入、下面的虚线框是元数据的存储与展示、发现。
开源技术栈
下面,介绍下数据治理系统的每个部分。
数据库和数仓
为了处理和使用原始和中间数据,这里一定涉及至少一个数据库或者数仓。它可以是 Hive、Apache Delta、TiDB、Cassandra、MySQL 或 Postgres。
在这个参考项目中,我们选一个简单、流行的 Postgres。
✓ 数据仓库:Postgres
数据运维 DataOps
我们应该有某种 DataOps 的方案,让 Pipeline 和环境具有可重复性、可测试性和版本控制性。
在这里,我们使用了 GitLab 创建的 Meltano。
Meltano 是一个 just-work 的 DataOps 平台,它可以用巧妙且优雅的方式将 Singer 作为 EL 和 dbt 作为 T 连接起来。此外,它还连接到其他一些 datAInfra 实用程序,例如 Apache Superset 和 Apache Airflow 等。
至此,我们又纳入了一个成员:
✓ GitOps:Meltano https://gitlab.com/meltano/meltano
ETL 工具
上面我们提到过组合 Singer 与 Meltano 将来自许多不同数据源的数据 E(提取)和 L(加载)数据目标,并使用 dbt 作为 Transform 的平台。于是我们得到:
✓ EL:Singer ✓ T: dbt
数据可视化
在数据之上创建 Dashboard、图表和表格得到数据的洞察是很符合直觉的,类似大数据之上的 Excel 图标功能。
Apache Superset 是我很喜欢的开源数据可视化项目,我准备用它来作为被治理管理的目标之一。同时,还会利用它实现可视化功能来完成元数据洞察。于是,
✓ Dashboard:Apache Superset
任务编排(DAG Job Orchestration)
在大多数情况下,我们的 DataOps 作业、任务会演变成需要编排系统的规模,我们可以用 Apache Airflow 来负责这一块。
✓ DAG:Apache Airflow https://airflow.apache.org/
元数据治理
随着越来越多的组件和数据被引入数据基础设施,在数据库、表、数据建模(schema)、Dashboard、DAG(编排系统中的有向无环图)、应用与服务的各个生命周期阶段中都将存着海量的元数据,需要对它们的管理员和团队进行协同管理、连接和发现。
linux Foundation Amundsen 是解决该问题的最佳项目之一。 Amundsen 用图数据库为事实源(single source of truth)以加速多跳查询,Elasticsearch 为全文搜索引擎。它在顺滑地处理所有元数据及其血缘之余,还提供了优雅的 UI 和 API。 Amundsen 支持多种图数据库为后端,这里咱们用 NebulaGraph。
现在的技术栈:
✓ 数据发现:Linux Foundation Amundsen ✓ 全文搜索:Elasticsearch ✓ 图数据库:NebulaGraph
好的,所有组件都齐正了,开始组装它们吧。
环境搭建与各组件初识
本次实践的项目方案已开源,你可以访问 https://Github.com/wey-gu/data-lineage-ref-solution 来获得对应的代码。
整个实践过程,我遵循了尽量干净、鼓励共建的原则。项目预设在一个 unix-like 系统上运行,且联网和装有 Docker-Compose。
这里,我将在 Ubuntu 20.04 LTS X86_64 上运行它,当然在其他发行版或 Linux 版本上应该也没有问题。
运行一个数仓、数据库
首先,安装 Postgres 作为我们的数仓。
这个单行命令会创建一个使用 Docker 在后台运行的 Postgres,进程关闭之后容器不会残留而是被清理掉(因为参数 --rm)。
docker run --rm --name postgres -e POSTGRES_PASSword=lineage_ref -e POSTGRES_USER=lineage_ref -e POSTGRES_DB=warehouse -d -p 5432:5432 postgres
我们可以用 Postgres CLI 或 GUI 客户端来验证命令是否执行成功。
DataOps 工具链部署
接下来,安装有机结合了 Singer 和 dbt 的 Meltano。
Meltano 帮助我们管理 ETL 工具(作为插件)及其所有配置和 pipeline。这些元信息位于 Meltano 配置及其系统数据库中,其中配置是基于文件的(可以使用 GitOps 管理),它的默认系统数据库是 SQLite。
安装 Meltano
使用 Meltano 的工作流是启动一个 “meltano 项目” 并开始将 E、L 和 T 添加到配置文件中。Meltano 项目的启动只需要一个 CLI 命令 meltano init yourprojectname。不过,在那之前,先用 Python/ target=_blank class=infotextkey>Python 的包管理器 pip 或者 Docker 镜像安装 Meltano,像我示范的这样:
在 Python 虚拟环境中使用 pip 安装 Meltano:
mkdir .venv# example in a debian flavor Linux distrosudo apt-get install python3-dev python3-pip python3-venv python3-wheel -ypython3 -m venv .venv/meltanosource .venv/meltano/bin/activatepython3 -m pip install wheelpython3 -m pip install meltano# init a projectmkdir meltano_projects && cd meltano_projects# replace with your own .NETouch .envmeltano init
或者,用 Docker 容器安装 Meltano:
docker pull meltano/meltano:latestdocker run --rm meltano/meltano --version# init a projectmkdir meltano_projects && cd meltano_projects# replace with your own onetouch .envdocker run --rm -v "$(pwd)":/projects -w /projects --env-file .env meltano/meltano init
除了知晓 meltano init 之外,最好掌握 Meltano 部分命令,例如 meltano etl 表示 ETL 的执行,meltano invoke 来调用插件命令。详细可以参考它的速查表 https://docs.meltano.com/reference/command-line-interface。
Meltano Gui 界面
Meltano 自带一个基于 Web 的 UI,执行 ui 子命令就能启动它:
meltano ui
它默认会跑在 http://localhost:5000 上。
针对 Docker 的运行环境,在暴露 5000 端口的情况下运行容器即可。由于容器的默认命令已经是 meltano ui,所以 run 的命令只需:
docker run -v "$(pwd)":/project -w /project -p 5000:5000 meltano/meltano
Meltano 项目示例
gitHub 用户 Pat Nadolny 在开源项目 singer_dbt_jaffle 中做了很好的示例。他采用 dbt 的 Meltano 示例数据集,利用 Airflow 编排 ETL 任务。
不只这样,他还有利用 Superset 的例子,见 jaffle_superset。
前人种树我们来吃果,按照 Pat Nadolny 的实践,我们可以这样地运行数据管道(pipeline):
注意,上面我们已经启动了 Postgres,可以跳过容器启动 Postgres 这步。
操作过程是:
git clone https://github.com/pnadolny13/meltano_example_implementations.gitcd meltano_example_implementations/meltano_projects/singer_dbt_jaffle/meltano installtouch .envecho PG_PASSWORD="lineage_ref" >> .envecho PG_USERNAME="lineage_ref" >> .env# Extract and Load(with Singer)meltano run tap-CSV target-postgres# Trasnform(with dbt)meltano run dbt:run# Generate dbt docsmeltano invoke dbt docs generate# Serve generated dbt docsmeltano invoke dbt docs to serve# Then visit http://localhost:8080
现在,我们可以连接到 Postgres 来查看加载和转换后的数据预览。如下所示,截图来自 VS Code 的 SQLTool。
payments 表里长这样子:
搭一个 BI Dashboard 系统
现在,我们的数据仓库有数据了。接下来,可以试着用下这些数据。
像仪表盘 Dashbaord 这样的 BI 工具能帮我们从数据中获得有用的洞察。使用可视化工具 Apache Superset 可以很容易地创建和管理这些基于数据源的 Dashboard 和各式各样的图表。
本章的重点不在于 Apache Superset 本身,所以,咱们还是复用 Pat Nadolny 的 jaffle_superset 例子。
Bootstrap Meltano 和 Superset
创建一个安装了 Meltano 的 Python VENV:
mkdir .venvpython3 -m venv .venv/meltanosource .venv/meltano/bin/activatepython3 -m pip install wheelpython3 -m pip install meltano
参考 Pat 的小抄,做一些细微的调整:
克隆 repo,进入 jaffle_superset 项目:
git clone https://github.com/pnadolny13/meltano_example_implementations.gitcd meltano_example_implementations/meltano_projects/jaffle_superset/
修改 meltano 配置文件,让 Superset 连接到我们创建的 Postgres:
vim meltano_projects/jaffle_superset/meltano.yml
这里,我将主机名更改为 “10.1.1.111”,这是我当前主机的 IP。如果你是 windows 或者 macOS 上的 Docker Desktop,这里不要修改主机名,否则就要和我一样手动改成实际地址:
--- a/meltano_projects/jaffle_superset/meltano.yml+++ b/meltano_projects/jaffle_superset/meltano.yml plugins:A list of database driver dependencies can be found here https://superset.apache.org/docs/databases/installing-database-driversconfig:database_name: my_postgres- sqlalchemy_uri: postgresql+psycopg2://${PG_USERNAME}:${PG_PASSWORD}@host.docker.internal:${PG_PORT}/${PG_DATABASE}+ sqlalchemy_uri: postgresql+psycopg2://${PG_USERNAME}:${PG_PASSWORD}@10.1.1.168:${PG_PORT}/${PG_DATABASE}tables:- model.my_meltano_project.customers- model.my_meltano_project.orders
添加 Postgres 登录的信息到 .env 文件:
echo PG_USERNAME=lineage_ref >> .envecho PG_PASSWORD=lineage_ref >> .env
安装 Meltano 项目,运行 ETL 任务:
meltano installmeltano run tap-csv target-postgres dbt:run
调用、启动 Superset,这里注意 ui 不是 meltano 的内部命令,而是一个配置进去的自定义行为(user-defined action):
meltano invoke superset:ui
在另一个命令行终端执行自定义的命令 load_datasources:
meltano invoke superset:load_datasources
通过浏览器访问 http://localhost:8088/ 就是 Superset 的图形界面了:
创建一个 Dashboard
现在,我们站在 Meltano、Postgres 的肩膀上,用 ETL 数据建一个 Dashboard 吧:
点击 + DASHBOARD,填写仪表盘名称,再先后点击 SAVE 和 + CREATE A NEW CHART:
在新图表(Create a new chart)视图中,选择图表类型和数据集。在这里,我选择了 orders 表作为数据源和 Pie Chart 图表类型:
点击 CREATE NEW CHART 后,在图表定义视图中选择 “status” 的 “Query” 为 “DIMENSIONS”,“COUNT (amount)” 为 “METRIC”。至此,咱们就可以看到每个订单状态分布的饼图了。
点击 SAVE,系统会询问应该将此图表添加到哪个 Dashboard。选择后,单击 SAVE & GO TO DASHBOARD。
在 Dashboard 中,我们可以看到所有的图表。这不,你可以看到我额外添加的、用来显示客户订单数量分布的图表:
点 ··· 能看到刷新率设置、下载渲染图等其他的功能。
现在,我们有一个简单但典型的 HomeLAB 数据技术栈了,并且所有东西都是开源的!
想象一下,我们在 CSV 中有 100 个数据集,在数据仓库中有 200 个表,并且有几个数据工程师在运行不同的项目,这些项目使用、生成不同的应用与服务、Dashbaord 和数据库。当有人想要查找、发现或者修改其中的一些表、数据集、Dashbaord 和管道,在沟通和工程方面可能都是非常不好管理的。
上面我们提到,这个示例项目的主要功能是元数据发现系统。
元数据发现系统
现在,需要我们部署一个带有 NebulaGraph 和 Elasticsearch 的 Amundsen。有了 Amundsen,我们可以在一个地方发现和管理整个数据栈中的所有元数据。
Amundsen 主要有两个部分组成:
它的工作原理是:利用 Databuilder 提取不同数据源的元数据,并将元数据持久化到 Metadata Service 和 Search Service 中,用户从 Frontend Service 或 Metadata Service 的 API 获取数据。
部署 Amundsen元数据服务 Metadata Service
我们用 docker-compose 部署一个 Amundsen 集群。由于 Amundsen 对 NebulaGraph 后端的支持 pr#1817 尚未合并,还不能用官方的代码。这里,先用我的 fork 版本。
先克隆包含所有子模块的 repo:
git clone -b amundsen_nebula_graph --recursive git@github.com:wey-gu/amundsen.gitcd amundsen
启动所有目录服务 catalog services 及其后端存储:
docker-compose -f docker-amundsen-nebula.yml up
由于这个 docker-compose 文件是供开发人员试玩、调试 Amundsen 用的,而不是给生产部署准备的,它在启动的时候会从代码库构建镜像,第一次跑的时候启动会慢一些。
部署好了之后,我们使用 Databuilder 将一些示例、虚构的数据加载存储里。
抓取元数据 Databuilder
Amundsen Databuilder 就像 Meltano 系统一样,只不过是用在元数据的上的 ETL ,它把元数据加载到 Metadata Service 和 Search Service 的后端存储:NebulaGraph 和 Elasticsearch 里。这里的 Databuilder 只是一个 Python 模块,所有的元数据 ETL 作业可以作为脚本运行,也可以用 Apache Airflow 等 DAG 平台进行编排。
安装 Amundsen Databuilder:
cd databuilderpython3 -m venv .venvsource .venv/bin/activatepython3 -m pip install wheelpython3 -m pip install -r requirements.txtpython3 setup.py install
调用这个示例数据构建器 ETL 脚本来把示例的虚拟数据导进去。
python3 example/scripts/sample_data_loader_nebula.py
验证一下 Amundsen
在访问 Amundsen 之前,我们需要创建一个测试用户:
# run a container with curl attached to amundsenfrontenddocker run -it --rm --net container:amundsenfrontend nicolaka/netshoot# Create a user with id test_user_idcurl -X PUT -v http://amundsenmetadata:5002/user -H "Content-Type: Application/json" --data '{"user_id":"test_user_id","first_name":"test","last_name":"user", "email":"test_user_id@mail.com"}'exit
然后我们可以在 http://localhost:5000 查看 UI 并尝试搜索 test,它应该会返回一些结果。
然后,可以单击并浏览在 sample_data_loader_nebula.py 期间加载到 Amundsen 的那些示例元数据。
此外,我们还可以通过 NebulaGraph Studio 的地址 http://localhost:7001 访问 NebulaGraph 里的这些数据。
下图显示了有关 Amundsen 组件的更多详细信息:
┌────────────────────────┐ ┌────────────────────────────────────────┐│ Frontend:5000 │ │ Metadata Sources │├────────────────────────┤ │ ┌────────┐ ┌─────────┐ ┌─────────────┐ ││ Metaservice:5001 │ │ │ │ │ │ │ │ ││ ┌──────────────┐ │ │ │ Foo DB │ │ Bar App │ │ X Dashboard │ │┌────┼─┤ Nebula Proxy │ │ │ │ │ │ │ │ │ ││ │ └──────────────┘ │ │ │ │ │ │ │ │ ││ ├────────────────────────┤ │ └────────┘ └─────┬───┘ └─────────────┘ │┌─┼────┤ Search searvice:5002 │ │ │ ││ │ └────────────────────────┘ └──────────────────┼─────────────────────┘│ │ ┌─────────────────────────────────────────────┼───────────────────────┐│ │ │ │ ││ │ │ Databuilder ┌───────────────────────────┘ ││ │ │ │ ││ │ │ ┌───────────────▼────────────────┐ ┌──────────────────────────────┐ ││ │ ┌──┼─► Extractor of Sources ├─► nebula_search_data_extractor │ ││ │ │ │ └───────────────┬────────────────┘ └──────────────┬───────────────┘ ││ │ │ │ ┌───────────────▼────────────────┐ ┌──────────────▼───────────────┐ ││ │ │ │ │ Loader filesystem_csv_nebula │ │ Loader Elastic FS loader │ ││ │ │ │ └───────────────┬────────────────┘ └──────────────┬───────────────┘ ││ │ │ │ ┌───────────────▼────────────────┐ ┌──────────────▼───────────────┐ ││ │ │ │ │ Publisher nebula_csv_publisher │ │ Publisher Elasticsearch │ ││ │ │ │ └───────────────┬────────────────┘ └──────────────┬───────────────┘ ││ │ │ └─────────────────┼─────────────────────────────────┼─────────────────┘│ │ └────────────────┐ │ ││ │ ┌─────────────┼───►─────────────────────────┐ ┌─────▼─────┐│ │ │ NebulaGraph │ │ │ │ ││ └────┼─────┬───────┴───┼───────────┐ ┌─────┐ │ │ ││ │ │ │ │ │MetaD│ │ │ ││ │ ┌───▼──┐ ┌───▼──┐ ┌───▼──┐ └─────┘ │ │ ││ ┌────┼─►GraphD│ │GraphD│ │GraphD│ │ │ ││ │ │ └──────┘ └──────┘ └──────┘ ┌─────┐ │ │ ││ │ │ :9669 │MetaD│ │ │ Elastic ││ │ │ ┌────────┐ ┌────────┐ ┌────────┐ └─────┘ │ │ Search ││ │ │ │ │ │ │ │ │ │ │ Cluster ││ │ │ │StorageD│ │StorageD│ │StorageD│ ┌─────┐ │ │ :9200 ││ │ │ │ │ │ │ │ │ │MetaD│ │ │ ││ │ │ └────────┘ └────────┘ └────────┘ └─────┘ │ │ ││ │ ├───────────────────────────────────────────┤ │ ││ └────┤ Nebula Studio:7001 │ │ ││ └───────────────────────────────────────────┘ └─────▲─────┘└──────────────────────────────────────────────────────────┘
穿针引线:元数据发现
设置好基本环境后,让我们把所有东西穿起来。还记得我们有 ELT 一些数据到 PostgreSQL 吗?
那么,我们如何让 Amundsen 发现这些数据和 ETL 的元数据呢?
提取 Postgres 元数据
我们从数据源开始:首先是 Postgres。
我们为 Python3 安装 Postgres 客户端:
sudo apt-get install libpq-devpip3 install Psycopg2
执行 Postgres 元数据 ETL
运行一个脚本来解析 Postgres 元数据:
export CREDENTIALS_POSTGRES_USER=lineage_refexport CREDENTIALS_POSTGRES_PASSWORD=lineage_refexport CREDENTIALS_POSTGRES_DATABASE=warehousepython3 example/scripts/sample_postgres_loader_nebula.py
我们看看把 Postgres 元数据加载到 NebulaGraph 的示例脚本的代码,非常简单直接:
# part 1: PostgresMetadata --> CSV --> NebulaGraphjob = DefaultJob(conf=job_config,task=DefaultTask(extractor=PostgresMetadataExtractor(),loader=FsNebulaCSVLoader()),publisher=NebulaCsvPublisher())# part 2: Metadata stored in NebulaGraph --> Elasticsearchextractor = NebulaSearchDataExtractor()task = SearchMetadatatoElasticasearchTask(extractor=extractor)job = DefaultJob(conf=job_config, task=task)
第一个工作路径是:PostgresMetadata --> CSV --> NebulaGraph
第二个工作路径是:Metadata stored in NebulaGraph --> Elasticsearch
请注意,在生产环境中,我们可以在脚本中或使用 Apache Airflow 等编排平台触发这些作业。
验证 Postgres 中元数据的获取
搜索 payments 或者直接访问 http://localhost:5000/table_detail/warehouse/postgres/public/payments,你可以看到我们 Postgres 的元数据,比如:
像上面的屏幕截图一样,我们可以轻松完成元数据管理操作,如:添加标签、所有者和描述。
提取 dbt 元数据
其实,我们也可以从 dbt 本身提取元数据。
Amundsen DbtExtractor 会解析 catalog.json 或 manifest.json 文件并将元数据加载到 Amundsen 存储,这里当然指的是 NebulaGraph 和 Elasticsearch。
在上面的 Meltano 章节中,我们已经使用 meltano invoke dbt docs generate 生成了这个文件:
14:23:15 Done.14:23:15 Building catalog14:23:15 Catalog written to /home/ubuntu/ref-data-lineage/meltano_example_implementations/meltano_projects/singer_dbt_jaffle/.meltano/transformers/dbt/target/catalog.json
dbt 元数据 ETL 的执行
我们试着解析示例 dbt 文件中的元数据吧:
$ ls -l example/sample_data/dbt/total 184-rw-rw-r-- 1 w w 5320 May 15 07:17 catalog.json-rw-rw-r-- 1 w w 177163 May 15 07:17 manifest.json
我写的这个示例的加载例子如下:
python3 example/scripts/sample_dbt_loader_nebula.py
其中主要的代码如下:
# part 1: dbt manifest --> CSV --> NebulaGraphjob = DefaultJob(conf=job_config,task=DefaultTask(extractor=DbtExtractor(),loader=FsNebulaCSVLoader()),publisher=NebulaCsvPublisher())# part 2: Metadata stored in NebulaGraph --> Elasticsearchextractor = NebulaSearchDataExtractor()task = SearchMetadatatoElasticasearchTask(extractor=extractor)job = DefaultJob(conf=job_config, task=task)
它和 Postgres 元数据 ETL 的唯一区别是 extractor=DbtExtractor(),它带有以下配置以获取有关 dbt 项目的以下信息:
job_config = ConfigFactory.from_dict({'extractor.dbt.database_name': database_name,'extractor.dbt.catalog_json': catalog_file_loc, # File'extractor.dbt.manifest_json': json.dumps(manifest_data), # JSON Dumped objecy'extractor.dbt.source_url': source_url})
验证 dbt 抓取结果
搜索 dbt_demo 或者直接访问 http://localhost:5000/table_detail/dbt_demo/snowflake/public/raw_inventory_value,可以看到
这里给一个小提示,其实,我们可以选择启用 DEBUG log 级别去看已发送到 Elasticsearch 和 NebulaGraph 的内容。
- logging.basicConfig(level=logging.INFO)+ logging.basicConfig(level=logging.DEBUG)
或者,在 NebulaGraph Studio 中探索导入的数据:
先点击 Start with Vertices,并填写顶点 vid:snowflake://dbt_demo.public/fact_warehouse_inventory
我们可以看到顶点显示为粉红色的点。再让我们修改下 Expand / ” 拓展 “选项:
并双击顶点(点),它将双向拓展 3 步:
像截图展示的那般,在可视化之后的图数据库中,这些元数据可以很容易被查看、分析,并从中获得洞察。
而且,我们在 NebulaGraph Studio 中看到的同 Amundsen 元数据服务的数据模型相呼应:
最后,请记住我们曾利用 dbt 来转换 Meltano 中的一些数据,并且清单文件路径是 .meltano/transformers/dbt/target/catalog.json,你可以尝试创建一个数据构建器作业来导入它。
提取 Superset 中的元数据
Amundsen 的 Superset Extractor 可以获取
来,现在试试提取之前创建的 Superset Dashboard 的元数据。
Superset 元数据 ETL 的执行
下边执行的示例 Superset 提取脚本可以获取数据并将元数据加载到 NebulaGraph 和 Elasticsearch 中。
python3 sample_superset_data_loader_nebula.py
如果我们将日志记录级别设置为 DEBUG,我们实际上可以看到这些中间的过程日志:
# fetching metadata from supersetDEBUG:urllib3.connectionpool:http://localhost:8088 "POST /api/v1/security/login HTTP/1.1" 200 280INFO:databuilder.task.task:Running a taskDEBUG:urllib3.connectionpool:Starting new HTTP connection (1): localhost:8088DEBUG:urllib3.connectionpool:http://localhost:8088 "GET /api/v1/dashboard?q=(page_size:20,page:0,order_direction:desc) HTTP/1.1" 308 374DEBUG:urllib3.connectionpool:http://localhost:8088 "GET /api/v1/dashboard/?q=(page_size:20,page:0,order_direction:desc) HTTP/1.1" 200 1058# insert DashboardDEBUG:databuilder.publisher.nebula_csv_publisher:Query: INSERT VERTEX `Dashboard` (`dashboard_url`, `name`, published_tag, publisher_last_updated_epoch_ms) VALUES "superset_dashboard://my_cluster.1/3":("http://localhost:8088/superset/dashboard/3/","my_dashboard","unique_tag",timestamp());# insert a DASHBOARD_WITH_TABLE relationship/edgeINFO:databuilder.publisher.nebula_csv_publisher:Importing data in edge files: ['/tmp/amundsen/dashboard/relationships/Dashboard_Table_DASHBOARD_WITH_TABLE.csv']DEBUG:databuilder.publisher.nebula_csv_publisher:Query:INSERT edge `DASHBOARD_WITH_TABLE` (`END_LABEL`, `START_LABEL`, published_tag, publisher_last_updated_epoch_ms) VALUES "superset_dashboard://my_cluster.1/3"->"postgresql+psycopg2://my_cluster.warehouse/orders":("Table","Dashboard","unique_tag", timestamp()), "superset_dashboard://my_cluster.1/3"->"postgresql+psycopg2://my_cluster.warehouse/customers":("Table","Dashboard","unique_tag", timestamp());
验证 Superset Dashboard 元数据
通过在 Amundsen 中搜索它,我们现在可以获得 Dashboard 信息。
我们也可以从 NebulaGraph Studio 进行验证。
注:可以参阅 Dashboard 抓取指南中的 Amundsen Dashboard 图建模:
用 Superset 预览数据
Superset 可以用来预览表格数据,文档可以参考 https://www.amundsen.io/amundsen/frontend/docs/configuration/#preview-client,其中 /superset/sql_json/ 的 API 被 Amundsen Frontend Service 调用,取得预览信息。
开启数据血缘信息
默认情况下,数据血缘是关闭的,我们可以通过以下方式启用它:
第一步,cd 到 Amundsen 代码仓库下,这也是我们运行 docker-compose -f docker-amundsen-nebula.yml up 命令的地方:
cd amundsen
第二步,修改 frontend 下的 TypeScript 配置
--- a/frontend/amundsen_application/static/js/config/config-default.ts+++ b/frontend/amundsen_application/static/js/config/config-default.tstableLineage: {- inAppListEnabled: false,- inAppPageEnabled: false,+ inAppListEnabled: true,+ inAppPageEnabled: true,externalEnabled: false,iconPath: 'PATH_TO_ICON',isBeta: false,
第三步,重新构建 Docker 镜像,其中将重建前端图像。
docker-compose -f docker-amundsen-nebula.yml build
第四步,重新运行 up -d 以确保前端用新的配置:
docker-compose -f docker-amundsen-nebula.yml up -d
结果大概长这样子:
$ docker-compose -f docker-amundsen-nebula.yml up -dRecreating amundsenfrontend ... done
之后,我们可以访问 http://localhost:5000/lineage/table/gold/hive/test_schema/test_table1 看到 Lineage (beta) 血缘按钮已经显示出来了:
我们可以点击 Downstream 查看该表的下游资源:
或者点击血缘按钮查看血缘的图表式:
也有用于血缘查询的 API。
下面这个例子中,我们用 cURL 调用下这个 API:
docker run -it --rm --net container:amundsenfrontend nicolaka/netshootcurl "http://amundsenmetadata:5002/table/snowflake://dbt_demo.public/raw_inventory_value/lineage?depth=3&direction=both"
上面的 API 调用是查询上游和下游方向的 linage,表 snowflake://dbt_demo.public/raw_inventory_value 的深度为 3。
结果应该是这样的:
"depth": 3,"downstream_entities": ["level": 2,"usage": 0,"key": "snowflake://dbt_demo.public/fact_daily_expenses","parent": "snowflake://dbt_demo.public/fact_warehouse_inventory","badges": [],"source": "snowflake"},"level": 1,"usage": 0,"key": "snowflake://dbt_demo.public/fact_warehouse_inventory","parent": "snowflake://dbt_demo.public/raw_inventory_value","badges": [],"source": "snowflake"],"key": "snowflake://dbt_demo.public/raw_inventory_value","direction": "both","upstream_entities": []
实际上,这个血缘数据就是在我们的 dbtExtractor 执行期间提取和加载的,其中 extractor .dbt.{DbtExtractor.EXTRACT_LINEAGE} 默认为 true,因此,创建了血缘元数据并将其加载到了 Amundsen。
在 NebulaGraph 中洞察血缘
使用图数据库作为元数据存储的两个优点是:
图查询本身是一个灵活的 DSL for lineage API,例如,这个查询帮助我们执行 Amundsen 元数据 API 的等价的查询:
MATCH p=(t:`Table`) -[:`HAS_UPSTREAM`|:`HAS_DOWNSTREAM` *1..3]->(x)WHERE id(t) == "snowflake://dbt_demo.public/raw_inventory_value" RETURN p
来,在 NebulaGraph Studio 或者 Explorer 的控制台中查询下:
渲染下这个结果:
提取数据血缘
这些血缘信息是需要我们明确指定、获取的,获取的方式可以是自己写 Extractor,也可以是用已有的方式。比如:dbt 的 Extractor 和 Open Lineage 项目的 Amundsen Extractor。
通过 dbt
这个在刚才已经展示过了,dbt 的 Extractor 会从表级别获取血缘同其他 dbt 中产生的元数据信息一起被拿到。
通过 Open Lineage
Amundsen 中的另一个开箱即用的血缘 Extractor 是 OpenLineageTableLineageExtractor。
Open Lineage 是一个开放的框架,可以将不同来源的血统数据收集到一个地方,它可以将血统信息输出为 JSON 文件,参见文档 https://www.amundsen.io/amundsen/databuilder/#openlineagetablelineageextractor。
下边是它的 Amundsen Databuilder 例子:
dict_config = {f'extractor.openlineage_tablelineage.{OpenLineageTableLineageExtractor.CLUSTER_NAME}': 'datalab',f'extractor.openlineage_tablelineage.{OpenLineageTableLineageExtractor.OL_DATASET_NAMESPACE_OVERRIDE}': 'hive_table',f'extractor.openlineage_tablelineage.{OpenLineageTableLineageExtractor.TABLE_LINEAGE_FILE_LOCATION}': 'input_dir/openlineage_nd.json',task = DefaultTask(extractor=OpenLineageTableLineageExtractor(),loader=FsNebulaCSVLoader())
回顾
整套元数据治理 / 发现的方案思路如下:
涉及到的开源
此参考项目中使用的所有项目都按字典顺序在下面列出。
谢谢你读完本文(///▽///)
要来近距离体验一把图数据库吗?现在可以用用 NebulaGraph Cloud 来搭建自己的图数据系统哟,快来节省大量的部署安装时间来搞定业务吧~ NebulaGraph 阿里云计算巢现 30 天免费使用中~
想看源码的小伙伴可以前往 GitHub 阅读、使用、(^з^)-☆ star 它 -> GitHub:https://github.com/vesoft-inc/nebula