拥抱开源 - 云上元数据管理

上期我们讲述的是实现数据工程师梦想的一个小目标《梦想成真，只差一步》，里面提到了要实现数据超市的管理，数据工程师需要使用合适的工具将数据进行整理、组合、分类后上架，然后业务分析师和数据科学家就可以使用了。

在整个数据工程师的工作流程中，需要自始至终的进行数据治理：我们需要将每种类型的数据进行清晰的标识以及分类，以利于其它角色的用户进行查找以及使用；我们需要将每种数据的使用范围进行管理以及监控，以使得数据被合理、合法的使用；我们还要管理数据的生存周期以及质量溯源，以利于数据质量可以被监管，无用数据被清除...... 因此本文中我们将着重介绍上图中标红框的部分，介绍实现我们梦想的工具Open Metadata Services - 开源组件Apache Atlas。

这个模块还在Apache的孵化中，最新的版本是8月16号发布的0.7版本。详细文档可以查看以下链接：http://atlas.incubator.apache.org/

Atlas 最早由HortonWorks实现，用来管理Hadoop项目里面的元数据，进而设计为数据治理的框架。后来开源出来给Apache社区进行孵化，目前得到Aetna，Merck，Target，SAS等公司的支持进行发展演进，IBM现在也积极贡献功能，拿来为我所用。(其在HortonWorks公司的介绍材料链接： https://zh.hortonworks.com/apache/atlas/#section_1 ) 从其诞生历史看，该框架天生就支持横向海量扩展，具备良好的集成能力，非常适合在云上使用。以下是其架构图：

Apache网站介绍它的主要功能有：

1、数据分类 ；

2、集中审计 ；

3、搜索及溯源 ；

4、安全及策略引擎 ；

它的最核心部分Core就是类型管理系统 Type System ， 用户可以把数据资产进行类型定义，然后使用Ingest/Export 的模块进行元数据的导入、修改、删除等管理。和外界的接口可以通过Rest API或使用Kafaka进行消息交换。数据对象存放在按照图的模式进行管理的Titan图数据库中，具体Titan又把元数据存放在HBase中，索引存放在Solr中。这样用户可以非常便捷和直观的通过层次图进行浏览信息，可以按照文字进行精确的查找。

如上图，我们将数据资产分成了五类，分别是：Pipeline、Data Set、Report、Model、Notebook，具体存储的属性是红色框部分，描述了以上五种数据资产的详细信息：例如它是哪类型业务，数据质量如何，归在哪个项目里面，具体评级如何、用户访问权限如何等等......

有了这个Open Data Services服务后，我们是否觉得又离梦想近了一步？更详细的使用我们将在未来文章分享。

IBM对开源社区一直采取大力拥抱以及不遗余力地进行支持的态度：

IBM基于Cloud Foundry 打造了世界最大的PaaS平台BlueMix，在上面部署了大量开源的云数据服务业务 - 例如Cloudant源于CouchDB，DataWorks Forge构建在Spark平台之上。现在我们将Atlas开源元数据管理部署到我们的云数据治理中，通过实际使用来促进该项目的大力发展。我们有理由相信，未来IBM 将把开源的魔力继续发扬光大！

更多大数据与分析相关行业资讯、解决方案、案例、教程等请点击查看>>>