《数据资产管理核心技术与应用》是清华大学出版社出版的一本图书，全书共分10章，第1章主要让读者认识数据资产，了解数据资产相干的基础概念，以及数据资产的发展情况。第2～8章主要介绍大数据期间数据资产管理所涉及的核心技术，内容包罗元数据的收罗与存储、数据血缘、数据质量、数据监控与告警、数据服务、数据权限与安全、数据资产管理架构等。第9～10章主要从实战的角度介绍数据资产管理技术的应用实践，包罗怎样对元数据举行管理以发挥出数据资产的更大潜力，以及怎样对数据举行建模以挖掘出数据中更大的价值。
图书介绍：数据资产管理核心技术与应用
本日主要是给各人分享一下第三章的内容：
第三章的标题为数据血缘
内容思维导图如下：
1、获取数据血缘的技术实现
1.1、怎样从Hive中获取数据血缘
Hive 是典型的数据仓库的代表，也是大数据中离线数据分层模型设计的代表，并且支持HQL的数据处理和盘算，所以Hive为了方便用户做数据跟踪，在底层设计时，其实就思量到了数据血缘跟踪这个问题。Hive 自身的血缘在其源码中主要通过org.apache.hadoop.hive.ql.hooks.LineageLogger.java 来输出，org.apache.hadoop.hive.ql.hooks.LineageLogger.java代码中主要处理的过程如下图所示，血缘主要通过edges（DAG图的流向）和vertices（DAG图的节点）来举行输出。《数据资产管理核心技术与应用》读书条记
在org.apache.hadoop.hive.ql.hooks.LineageLogger.java的源码中界说了其支持的4种SQL操作类型，分别为QUERY（查询）、CREATETABLE_AS_SELECT（将Select 查询创建为一张表）、ALTERVIEW_AS（修改视图）、CREATEVIEW（创建视图）。
org.apache.hadoop.hive.ql.hooks.LineageLogger.java在分析和生成edges（DAG图的流向）和vertices（DAG图的节点）信息时，会判断QueryPlan（查询计划）的类型是否是支持的4种SQL操作类型中的一种，假如不是的话，就不会分析和生成edges和vertices。
org.apache.hadoop.hive.ql.hooks.Hook.java是Hive提供的Hook（钩子）功能，用于在Hive 任务实行前大概实行后，注入自界说的的操作代码。
具体的代码实现，可以直接参考纸质书，这里不再赘述。
1.2、 从Spark 实行计划中获取数据血缘
Spark底层生成实行计划以及处理实行计划的过程如下图所示。
从图中可以看到，
1、 实行SQL语句大概Data Frame时，会老师成一个Unresolved Logical Plan，就是没有做过任那边理和分析的逻辑实行计划，仅仅会从SQL语法的角度做一些基础性的校验。
2、 之后通过获取Catalog的数据，对需要实行的SQL语句做表名、列名的进一步分析校验，从而生成一个可以直接运行的逻辑实行计划。
3、 但是Spark底层会有个优化器来生成一个最优的实行操作方式，从而生成一个优化后的最佳逻辑实行计划。
4、 将最终确定下来的逻辑实行计划转换为物理实行计划，转换为最终的代码举行实行。
Spark的实行计划其实就是数据处理的过程计划，会将SQL语句大概DataFrame 做分析，并且结合Catalog一起，生成最终数据转换和处理的代码。所以可以从Spark的实行计划中，获取到数据的转换逻辑，从而分析到数据的血缘。但是spark的实行计划都是在spark底层内部自动处理的，怎样获取到每次Spark任务的实行计划的信息呢？其实在Spark底层有一套Listener的架构设计，可以通过Spark Listener 来获取到spark 底层很多实行的数据信息。
在spark的源码中，以Scala的形式提供了一个org.apache.spark.sql.util.QueryExecutionListener trait （类似Java 语言的接口），来作为Spark SQL等任务实行的监听器。在org.apache.spark.sql.util.QueryExecutionListener 中提供了如下表所示的两个方法。《数据资产管理核心技术与应用》读书条记
方法名
| 描述
| def onSuccess(funcName: String, qe: QueryExecution, durationNs: Long): Unit
| 实行成功时，调用的方法，其中包罗了实行计划参数，这里的实行计划可以是逻辑计划大概物理计划
| def onFailure(funcName: String, qe: QueryExecution, exception: Exception): Unit
| 实行失败时，调用的方法，其中同样也包罗了实行计划参数，这里的实行计划可以是逻辑计划大概物理计划
|
因此可以借用QueryExecutionListener 来主动让Spark在实行任务时，将实行计划信息推送到自己的体系大概数据库中，然后再做进一步的分析，如下图
具体的代码实现，由于代码较多，请参考纸质书。
1.3、 从Spark SQL语句中获取数据血缘
在Spark任务处理中，通过SQL语句来实现离线的ETL 数据处理是其在大数据中最常见的应用方式，如下图所示针对这种应用场景，可以直接通过获取Spark 中运行的SQL语句，然后通过分析SQL语句，并且结合Catalog，来分析出SQL 语句中包含的输入表和输出表的数据血缘关系。《数据资产管理核心技术与应用》读书条记
有了通过SQL语句来分析血缘的思绪后，需要解决的问题就是怎么自动抓取到Spark中运行的SQL语句。在上面的叙述中，有提到过Spark 有Listener的机制，org.apache.spark.sql.util.QueryExecutionListener只是Listener中的一种，可以通过Listener的方式自动获取到Spark的相干实行信息。在Spark中提供了org.apache.spark.scheduler.SparkListener这个底层抽象类来供上层代码监听Spark在整个生命实行周期中的相干事件消息，如下图所示。
获取Spark 实行的SQL 语句的整体流程总结如下图
具体的代码实现，由于代码较多，请参考纸质书。
1.4、 从Flink中获取数据血缘
FlinkSQL 在底层实行时，大概包含了如下的5个步骤，其底层实行过程和SparkSQL非常的类似。
- 第一步：对即将实行的SQL语句做语法分析，此时会通过Apache Calcite 将SQL语句直接转换为AST (Abstract Syntax Tree的简写，翻译过来就是抽象语法树），也就是Calcite 中的SqlNode节点树。Calcite是一个开源的SQL分析工具，Flink在底层技术实现时，集成了Calcite作为其底层的SQL语句分析器， Calcite的Github 地址为https://github.com/apache/calcite/，相干的更多介绍可以参考官方文档网址：https://calcite.apache.org/docs/。
- 第二步：根据查询到的元数据对SQL语句中的语法举行校验，通过第一步中获取到的SqlNode节点树中的信息来获取SQL语句中包含的表、字段、函数等信息，然后通过和元数据举行比对来判断SQL语句中包含的表、字段等信息在元数据中是否存在。
- 第三步：通过结合元数据信息对SqlNode节点树的进一步分析得到关系表达式树，生成初步的逻辑实行计划。
- 第四步：对第三步生成的逻辑实行计划举行进一步优化得到最优的逻辑实行计划，这一步得到结果还是关系表达式树。
- 第五步：将逻辑实行计划变化为物理实行计划，提交给Flink 集群举行实行。《数据资产管理核心技术与应用》读书条记
具体的代码实现，由于代码较多，请参考纸质书。
1.5、 从数据任务的编排体系中获取数据血缘
数据任务的编排体系通常是对差别的数据节点类型的任务举行前后运行顺序以及依赖关系的编排，如下图所示。
具体的代码实现，由于代码较多，请参考纸质书。
2、数据血缘的存储模型与展示设计
从架构设计的角度来看，血缘数据存储需要注意如下几点:《数据资产管理核心技术与应用》读书条记
- 可扩展性：支持对数据血缘的源端举行扩展，比如当前只需要支持 Hive、Spark实行计划、Spark SQL等，但是未来可能会新增其他数据血缘来源。假如出现新的数据血缘来源时，要做到对现有的设计不做改动便可支持。
- 可跟踪性：需要记录数据血缘的变更记录，方便将来做追踪，比如数据血缘出现变更时，需要将其变更的过程记录下来，而不是在数据血缘发生变化后，直接替换现有的已经收罗入库的数据血缘关系。
- 可维护性：支持手动维护，比如支持人工维护数据血缘大概数据血缘收罗错误时，支持人工修改。
数据血缘的收罗和处理的过程通常如下图所示，实时获取原始数据，然后发送到类似Kafka如许的消息队列中，然后对原始数据举行分析，生成血缘数据，然后入库保存。
在血缘数据分析入库后，就可以对数据血缘做展示了，关于数据血缘的展示设计参考如下图所示，一样平常需要注意如下几点：
- 支持表级血缘，默认展示表级血缘关系，选择单个表时，还可以点击查看该表的上游血缘大概卑鄙血缘。
- 详情中支持字段级血缘展示，点击图中表的字段详情时，可以继续睁开表现字段级的血缘关系。
- 血缘关系中，支持点击查看血缘的分析来源，比如SparkSQL语句、Spark实行计划等。
从下图可以看到表与表之间以及字段与字段之间的血缘关系展示。当某一张表发生变更时，很轻易的就知道对卑鄙大概上游的哪些表和字段产生影响，从而可以加快很多问题的处理和定位。在使用某张表的数据时，也能追溯到该表的原始数据表以及经过了哪些中心表的处理，数据的链路变得非常清晰，对数据的使用者来说，产生了极大的帮助。《数据资产管理核心技术与应用》读书条记
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。 |
