【数据治理】Atlas2.2.0基于HDP进行Hive的接入

前言

本文记录了在HDP3.1.5下，对接Atlas2.2.0的相关操作步骤和注意事项

正文

前提条件

• 确认脚本运行的服务器存在hive客户端配置文件，且路径为/etc/hive/conf/；
• 将atlas-application.properties配置文件拷贝到hive客户端配置路径；
• 确保脚本运行的服务器存在hadoop服务和依赖包，简而言之，要有客户端程序；

操作步骤

导入离线数据

针对已经在Hive中存在的数据，要使用离线脚本进行导入，该脚本在Atlas中已经包含：

./import-hive.sh 

设置Hive-Hook

如果使用的是Ambari，直接在Hive中进行设置或者修改hive-site.xml客户端配置：

  <property>
      <name>hive.exec.post.hooks</name>
      <value>org.apache.atlas.hive.hook.HiveHook</value>
  </property>
  <property>
      <name>atlas.cluster.name</name>
      <value>atlas</value>
  </property>

自定义atlas-application.properties配置：

# hive-hook相关的信息
atlas.hook.hive.keepAliveTime=10
atlas.hook.hive.maxThreads=5
atlas.hook.hive.minThreads=5
atlas.hook.hive.numRetries=3
atlas.hook.hive.queueSize=1000
atlas.hook.hive.synchronous=false
# 以下配置项保证和Server端一致
atlas.kafka.bootstrap.servers=172.18.2.11:6667,172.18.2.37:6667,172.18.2.19:6667
atlas.kafka.hook.group.id=atlas
atlas.kafka.zookeeper.connect=172.18.2.11:2181,172.18.2.37:2181,172.18.2.19:2181
atlas.kafka.zookeeper.connection.timeout.ms=200
atlas.kafka.zookeeper.session.timeout.ms=400
# 使用的kafkaTopic名称
atlas.notification.topics=ATLAS_HOOK,ATLAS_ENTITIES
# atlas对应的restapi地址
atlas.rest.address=http://172.18.0.25:21000
# 集群名称
atlas.cluster.name=dev

设置以后重启Hive服务，目前没有测试不重启是否能生效，估计是不能

测试SQL触发血缘变化

创建数据库

create database atlas_test;

创建数据表

create table `dept`(
`deptno` int,
`dname` varchar(14),
`loc` varchar(13)
) row format delimited fields terminated by '\t'
stored as textfile;

插入数据，测试血缘

# 插入原始数据
insert into dept values (10,'accounting','new york'),(20,'research','dallas'),(30,'sales','chicago'),(40,'operations','boston');
# 创建dept_two表，数据来自于dept
create table dept_two as select * from dept;
# 创建dept_three表，数据来自于dept_two
create table dept_three as select * from dept_two;
# 创建dept_four空表
CREATE TABLE `dept_four`(                         
  `deptno` int,                                    
  `dname` varchar(14),                             
  `loc` varchar(13))                               
ROW FORMAT SERDE                                   
  'org.apache.hadoop.hive.ql.io.orc.OrcSerde'      
STORED AS INPUTFORMAT                              
  'org.apache.hadoop.hive.ql.io.orc.OrcInputFormat'  
OUTPUTFORMAT                                       
  'org.apache.hadoop.hive.ql.io.orc.OrcOutputFormat' 
LOCATION                                           
  'hdfs://node-4.datasw:8020/warehouse/tablespace/managed/hive/atlas_test.db/dept_four' 
TBLPROPERTIES (                                    
  'bucketing_version'='2',                         
  'transactional'='true',                          
  'transactional_properties'='default',            
  'transient_lastDdlTime'='1667376408');
# 向dept_four表插入数据，数据来源于dept_three
insert into table dept_four select * from dept_three;
# 向dept_four表插入数据，数据来源于dept_two
insert into table dept_four select * from dept_two;

最终形成如下的血缘图：