【DataHub】LinkedIn DataHub学习笔记

前言

随着数字化转型的工作推进，数据治理的工作已经被越来越多的公司提上了日程。作为新一代的元数据管理平台， Datahub在近一年的时间里发展迅猛，大有取代老牌元数据管理工具Atlas之势。

数据治理与元数据管理

在大数据研发中，原始数据就有着非常多的数据库，数据表。而经过数据的聚合以后，又会有很多的维度表。我们缺乏对数据资产的管理。事实上，有很多公司都提供了开源的解决方案来解决上述问题，这也就是数据发现与元数据管理工具。

元数据管理：

元数据一般来说是数据的数据。具体来说，就是对动态数据的一种静态信息描述。元数据管理是为了对数据资产进行有效的组织。它使用元数据来帮助管理他们的数据。它还可以帮助数据专业人员收集、组织、访问和丰富元数据，以支持数据治理。
常用的元数据：
在数据流处理中，我们首先需要定义不同阶段的数据实体，所以有了模式元数据。接着我们需要定义数据实体之间的处理逻辑，叫做etl数据处理，接着有了数据实体的关系元数据。对于这些数据处理的逻辑形式，需要调度器来物理化执行，所以有了调度元数据。数据处理完成之后，需要发布报表，就有了报表元数据。对于整体系统中，会涉及不同的用户实体，就有了用户元数据。
当然，这些是企业数据平台最常见的元数据类型，其它的大大小小的信息还是有很多。所以，元数据系统的建立，是企业级的信息化建设过程。
数据分类模型之“元数据、引用数据、主数据、业务数据…

数据资产：

可能是 Oracle 数据库中的一张表。在现代企业中，我们拥有一系列令人眼花缭乱的不同类型的数据资产。可能是关系数据库或 NoSQL 存储中的表、实时流数据、 AI 系统中的功能、指标平台中的指标，数据可视化工具中的仪表板。

元数据管理应具备的功能：

• 搜索和发现：数据表、字段、标签、使用信息
• 访问控制：访问控制组、用户、策略
• 数据血缘：管道执行、查询
• 合规性：数据隐私/合规性注释类型的分类
• 数据管理：数据源配置、摄取配置、保留配置、数据清除策略
• AI 可解释性、再现性：特征定义、模型定义、训练运行执行、问题陈述
• 数据操作：管道执行、处理的数据分区、数据统计
• 数据质量：数据质量规则定义、规则执行结果、数据统计

DataHub 的技术栈：

DataHub包括了四块，metadata, gms, etl, datahub。整个系统构建采用了gradle。
medata定义模型。metadata这里面使用了两种数据格式。一种是外部接入格式avro，非常实用。另一种是内部改进的pdsc格式，外面用得很少。
gms基于模型生成服务。gms使用了内部的rest.li，又是内部搞的一套restful框架，也还比较好用，但是应用面比较窄。
etl进行模型数据加工。etl则是采用了linkedin家最擅长的kafka schema registry及kafka streams。
datahub提供基于gms的元数据应用展现。datahub包括了应用后台服务以及前台展示，后台服务采用的是play framework，前台服务采用的是ember.js + typescript。

DataHub安装过程（服务器上安装）：

安装参考：
官网 DataHub Quickstart Guide
DataHub安装配置详细过程
一站式元数据治理平台——Datahub入门宝典
Datahub安装配置—————附带详细步骤

yum -y install gcc

yum -y install docker

# 启动docker
sudo systemctl start docker
# 测试是否正确安装
sudo docker run hello-world

#dockerCompose【docker的服务编排工具,主要是用来构建多个服务】
curl -L "https://github.com/docker/compose/releases/download/1.27.4/docker-compose-$(uname -s)-$(uname -m)" -o /usr/local/bin/docker-compose

chmod +x /usr/local/bin/docker-compose

# 然后启动docker
# 守护进程重启
sudo systemctl daemon-reload
# 重启docker服务
sudo systemctl restart docker
# 然后检查启动
docker container ls

yum install libffi-devel -y
yum install zlib* -y

因为我原来有python环境，跳过了安装python：

pip3 install toml

Docker 镜像加速

{
  "registry-mirrors": ["http://hub-mirror.c.163.com"]
}

cd /opt
yum -y install git
git --version
git clone git://github.com/linkedin/datahub.git
cd /opt/datahub/docker
source ./quickstart.sh

在执行上面命令的时候，我是自己下载完把项目放到服务器上的，git clone失败了。在执行最后一条命令时，因为太慢了，所以可以提前配置docker加速。

python3 -m pip install --upgrade pip wheel setuptools -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com
python3 -m pip uninstall datahub acryl-datahub || true  # sanity check - ok if it fails
python3 -m pip install --upgrade acryl-datahub -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com
python3 -m datahub version

在上面安装过程中还发现我本地原来好像mysql端口冲突了，所以我把服务先停了，后来修改了端口号为3307，不会和docker 中的冲突。

Docker push 报错：received unexpected HTTP status: 500 Internal Server Error :（我这样解决）：

setenforce 0
sed -i 's#SELINUX=enforcing#SELINUX=disabled#g' /etc/selinux/config 
egrep '^SELINUX=' /etc/selinux/config 

如果source ./quickstart.sh执行成功，就可以访问datahub了，是 ip:9002
检查安装的插件情况，Datahub是插件式的安装方式。可以检查数据源获取插件Source，转换插件transformer，获取插件Sink。

 python3 -m datahub check plugins

本人自己摄入数据源的yml成功的：（命令行执行成功，界面执行均失败）
我遇到了oracle摄入失败的解决方法：

oracle:

source:
  type: "oracle"
  config:
    username: "system"
    password: "Admin134"
    database: "prod"
    host_port: "172.16.5.90"

mysql:

source:
  type: "mysql"
  config:
    username: "root"
    password: "123456"
    database: "mysql"
    host_port: "localhost:3307"
sink:
  type: "datahub-rest"
  config:
    server: 'http://localhost:8080'

未完待续