转载本文需注明出处:微信公众号EAWorld,违者必究。
引言:
元数据采集是元数据产品的核心部分,如何提升采集效率是需要仔细斟酌的事情,既要保持稳定性也要保持跟上主流技术的发展趋势。元数据产品从最初集中式WEB应用系统到现在流行的分布式、微服务这种系统架构,原有元数据采集效率已不能满足应用的需求了。
目录:
1.元数据采集原理
2.分布式采集策略
3.分布式采集策略的应用
1.元数据采集原理
我们要想采集元数据首先得明白,什么是元数据,元数据都存在哪里,为什么采集元数据?
元数据MetaData通俗的解释是用来描述数据的数据,实际来看,除了业务逻辑直接读写处理的那些业务数据,所有其它用来维持整个系统运转所需的信息/数据都可以叫作元数据。比如数据库的Schema、Table、Column信息,任务的血缘关系,用户和脚本/任务的权限映射关系信息等等。
以大数据平台为例,元数据贯穿大数据平台数据流动的全过程,主要包括数据源元数据、数据加工处理过程元数据、数据主题库专题库元数据、服务层元数据、应用层元数据等。
数据治理关键就是收集信息,很明显,没有数据就无从分析,也就无法有效的对平台的数据链路进行管理和改进。所以元数据管理平台很重要的一个功能就是信息的收集,至于收集哪些信息,取决于业务的需求和我们需要解决的目标问题。
如何采集元数据?
元数据采集是指获取数据生命周期中的元数据,对元数据进行组织,然后将元数据写入数据库中的过程。
不同来源的元数据获取获取方式也不大相同,在采集方式上有使用包括数据库直连、接口、日志文件等技术手段,对结构化数据的数据字典、非结构化数据的元数据信息、业务指标、代码、数据加工过程等元数据信息进行自动化和手动采集,元数据采集完成后,被组织成符合CWM模型的结构,存储在关系型数据库中。
2.分布式采集架构
现在人们对元数据管理工具采集的元数据时效性越来越高,我们元数据管理工具会管理很多来源的元数据,配置很多采集任务定时去采集,如何高效的完成采集任务,影响着元数据管理工具存储的元数据时效性。我们原先采集任务策略是单一采集程序串行执行采集任务,这样的策略采集效率是很低的,为了提高采集效率,我们就采用多个采集程序并发执行采集任务。
常见的元数据管理工具架构是传统的集中式WEB应用架构,所有的功能模块都集中在一个应用程序中。
3.分布式采集架构的应用
我们在某一证券公司做数据治理时,发现该客户的网络架构比较复杂,它的网络架构大概分为三层业务系统层、数据采集层和数据存储层。
业务系统分布业务系统层的不同地域,比如A业务系统在北京,B业务系统在上海,C业务系统在广州等。我们要想访问个各个业务系统的数据库只能通过数据采集层的代理IP去访问,不同地域的业务系统代理的IP地址网段也是不同的,数据采集层各个网段之间不能连通,数据存储层是可以和数据采集层的所有网段直接连通的。
我们现在元数据的架构是分为应用程序和采集服务两部分,应用程序和采集程序是一对一的关系,针对这种网络情况,我们要对元数据产品的架构做调整。
一、将元数据的应用程序与采集服务改为一对多模式,这样我们得需要一个采集服务管理模块,可以对采集服务的信息(IP,端口)进行维护(增删改),采集的目标数据源与采集程序服务进行映射,一个目标数据源可以配置主备采集服务,主采集服务发生故障后,可以通过备采集服务继续采集工作。
采集服务管理模块要考虑易操作性和适用性,如:查看采集服务运行情况、设置默认采集服务等等。
二、元数据采集任务调整为并行执行,现在采集元数据步骤为获取元数据>入临时表>与正式表比对,更新元数据ID,得到元数据的变更信息>将元数据和变更信息入正式表。
采集任务调整为并行执行的主要的难点是如何取消临时表,因为临时表在元数据存储数据库中只有一份,只有等待当前采集任务执行完毕,清空临时表后,才能执行下一次采集任务。
临时表的作用是:
更新元数据ID和找出新增、修改和删除的元数据,采集元数据时,都会给每一个元数据生成随机的UUID当作元数据ID,与正式表作比对时,如果某一元数据之前已经入库,需要将该元数据的临时表里的ID更新成正式表里的ID。
取消临时表的举措:
1、我们选择将元数据编码+元数据类型+元数据父级路径这三项数据进行MD5加密生成的字符串作为元数据的ID,这样元数据的ID也就固定了,不需要和正式表里做比对了。
2、通过元数据ID去正式表里查询就可得出哪些元数据是新增和删除的。
我们将元数据的所有属性值进行MD5加密生成的字符串作为元数据的属性ID,这样通 过比对元数据的属性ID就可得知该元数据是否修改了。
这样我们就可以取消临时表,在采集服务程序中就可以将元数据和正式表数据作比对,得到变化的元数据,将元数据记录直接写入到数据库中的正式表,元数据采集任务也就可以并行执行了。
我们在数据采集层各个网段都部署采集服务,这样就实现了高并发元数据采集,这种分布式采集策略优点是:
1、采集元数据效率快
2、可以并行执行采集任务
3、可以适应复杂网络环境的元数据采集。
精选提问:
问1:请问如何提高元数据采集的效率,减少对第三方系统的影响?
答:主要有两个方面,1、提高采集效率,减少占用第三方系统的时间,2、选择在第三方系统空闲时间进行采集。
问2:通过元数据ID去正式表里查询就可得出哪些元数据是新增和删除的。删除的元数据,是不是一次采集的全部数据都得在内存中?如果一次采集的数据,内存装不下呢?另外就是,使用数据库事务肯定是不行的了,那如果数据写到一半,因为一些原因出异常了,这数据的一致性是怎么考虑的?
答:采集元数据时可以分批次抽取数据,例如采集某一数据库,可以先采集一部分Schema,入库之后,再采集另一部分,这样可以解决内存的溢出问题。写入数据时,一次采集会在数据库里创建一个临时表(temporary table),先将数据写入到临时表,然后在复制临时表数据到正式表,这样可以保证数据的一致性。
问3:元数据采集过程中和之后,在安全方面应该考虑哪些?
答:采集过程遵循最小权限原则,例如采集数据库元数据时给用户设置最小权限,在使用元数据管理工具时,给不同的用户赋不同的查看、修改、删除等权限。
问4:元数据在金融领域实用哪些场景?
答:金融领域这块主要是监管报送数据来源分析,保证数据来源的准确性。
问5:元数据采集、安全传输、综合应用、版本维护这些在普元的元数据方案中如何体现的?
答:元数据采集是通过分布式采集来实现的,通过部署采集端实现不同来源元数据的采集。传输过程目前是通过数据库jdbc访问方式实现,给用户设置最小权限,保证数据采集过程安全。综合应用中提供了影响分析、数据地图应用场景,版本管理是对元数据版本的管理,是综合运用的一块内容。
问6:元数据是描述数据的数据,元数据的质量如何保障,对于采集到的元数据如何提升挖掘分析能力,也就是元数据的关联分析都有哪些模型?
答:元数据的质量是通过管理+技术的手段来保证的。管理方面要制定元数据的标准,从元数据的完整性、准确性、时效性等不同维度来制定管理的规范。技术方面要提供功能支撑。
问7:元数据分布式采集中,元数据的版本如何管理?元数据存储都有哪些数据库,对于元数据分布式采集和存储,一般支持的数据库有哪些元数据版本管理?
答:你说版本管理应该是元数据变更后的历史信息管理吧,采集时通过元数据ID比对,刷选出新增或删除的元数据,比对属性ID,筛选出修改的元数据,把变更信息记录数据库中。元数据存储库常见的有MySql和Oracle。
问8:元数据采集的核心是什么呢?
答:元数据采集的核心是扩展性和采集的准确性,元数据管理涉及到不同来源和不同类型的数据,要有良好的扩展性,还要保证采集的准确性,如果采集准确性都不能保证,管理员就不能做出有效的决策。
问9:元数据编码+元数据类型+元数据父级路径能详细解释下如何定义,为什么这3个能确定唯一一次变动吗?
答:元数据编码是同类型元数据的区分标识, 元数据类型是标识该元数据是什么类型,元数据父级路径指的元数据所有父级元数据ID组成的字符串,还有一个元数据属性ID,该元数据的所有属性生成的ID,这四个字段能确定元数据是否有变更。
问10:元数据设计时,是否需要带有版本信息;元数据存储时,采用什么方式,便于高效索引或者比对?
答:1、元数据设计时,需要有变更信息表,专门存放元数据的变更历史信息。2、元数据存储时,要有唯一ID和元数据属性ID,这样比对是比较高效的。
问11:正式表md5值是预先就生成好了,然后在采集时直接做调用对比?程序计算md5的效率如何?对程序性能影响大吗?
答:1、MD5值是采集时生成的,然后和元数据存储库里的MD5值比对,得出变更的元数据。2、生成MD5值的效率很快,对采集性能影响不大。
推荐阅读
一文读懂微服务监控之分布式追踪
分布式架构中数据一致性常见的几个问题
区块链技术的本质是分布式数据库
关于作者:追风,普元高级软件工程师,参与普元Metacube7GA设计及研发;有银行、证券等行业数据治理实施的经验。互联网技术爱好者,热衷于研究各种优秀的开源代码,致力于成为一名有腔调的工程师。
关于EAWorld:微服务,DevOps,数据治理,移动架构原创技术分享。长按二维码关注!
在看点这里
