元数据管理-技术元数据解决方案

概念

元数据是描述企业数据相关的数据，指在IT系统建设过程中所产生的有关数据定义，目标定义，转换规则等相关的关键数据，包括对数据的业务、结构、定义、存储、安全等各方面对数据的描述
元数据是数仓建设环节中不可缺少的一部分(尤其是在数据治理环节)，是数据管理、数据内容、数据应用的基础。通过元数据可以打通数据源、数据仓库、数据应用、记录了数据流向的完整链路。它可以说是企业的数据地图，可以直接反映了企业中有什么样的数据，这些数据是如何存放的，以及数据之间的关系是如何的。

分类

参考Kimball的数仓模型理论，可以把元数据分为三类：
1.技术元数据，比如表结构、字段定义、文件存储等信息
2.业务元数据，比如业务定义、业务术语、业务规则、业务指标等
3.管理元数据，比如数据所有者、数据质量定责、数据安全等级等

链路

整个元数据链路分为元数据采集、元数据管理、元数据应用。 基于获取到的元数据可以实现血缘关系、权限的监控、全局监控数据完整生命周期等等。
最后通过这些功能实现一般会形成产品化，比较常见的就是数据地图、数据检索和数据质量分析。

技术元数据

目前大多数公司的数仓建设是基于Hive进行的，而Hive又是依托于Hadoop为引擎做存储计算，当然Hive元数据默认是存储在Derby数据库中的，不过在生产环境下一般都是改为mysql存储。本篇先为大家介绍一下技术元数据相关内容，以及结合笔者实际工作中使用到的场景进行结合讲解。
首先大家先看一下整体的ER模型图(这里主要是想告诉大家涉及到表非常多，大家可以自行连接元数据库进行查看)，不过这里只讲解几个比较常用的

应用场景

刚才简单提及到了元数据的相关应用，比如血缘关系、权限的监控、全局监控数据完整生命周期等等。
这里笔者给出公司目前基于元数据所实现的一些功能，例如数据质量监控、数据地图等。因涉及到隐私安全问题，笔者给出一些截图供读者参考，主要是一些质控、元数据信息管理的功能

关于数据质量这块，后面会有单独的篇幅文章进行讲解，主要涉及到一些质控规则的内容

需求背景

这里给出一个笔者正在做的一个需求并结合元数据进行讲解，以此来简述在日常工作中是如何使用元数据来帮助我们提升效率的。
早期公司使用ELK采集日志并入仓，但随着业务规模扩张以及数据量的暴涨，ELK这套体系显得过于笨重，且日志出入口比较复杂，为了统一采集入口，规范日志流程，提升日志数据质量，现将日志采集由logstash迁移至日志中心，由于采集的数据直接写入到了ods层，基于数据可靠性以及用户无感知的原则，在正式切换新老程序之前，需要比对数据一致(这里对原始ods表复制了一个新表，来存储新采集流程的数据)。
那么这里就有了两个问题
如何对新老表进行比对来验证两个表数据一致呢？
由于ods层的表不止一两张，如何快速的比对呢？

需求开发

基于上面的两个问题，笔者这里给出目前的解决方案，可能不是最优解，如果读者有好的解决方案可以随时交流
针对第一个问题，当两个表的数据量一致，且每个字段值也一致，那么才说明是两个表是一致的

1. 对于数据量，其实就是通过count计算
2. 对于每个字段的值比较，不可能人肉去比对，笔者这里是将所有字段做了一个拼接，然后取md5值，最后对md5值作比较

针对第二个问题，当对大量表做比对的时候，人肉方式是不可能的，否则绝对加班到昏天暗地，只能通过自动化脚本来实现。
笔者将需要比对的表进行手动配置到一个文件，然后通过读取元数据的方式来自动完成拼接比对 那么具体的流程如下：

1. 读取配置文件，获取新老表(即原表和新迁移后的表)
2. 根据表名读取元数据获取所有的字段进行拼接(这里需要保证字段的顺序,而且需要注意元数据的更新情况)，然后取md5值
3. 然后就是sql拼接了，执行sql得到最后的比对结果，笔者这里是采用邮件发送的方式（整个耗时大概不到十分钟就完成了）
   这里给出读取元数据的部分代码

 1select 
 2  distinct concat('{{',concat_ws(',',collect_list(concat('"',tab_name,'":"',concat_column,'"'))),'}}') as result
 3from 
 4(
 5  select 
 6    distinct concat_ws('.',schema_name,table_name) as tab_name,
 7     concat(
 8      'md5(concat(',
 9        concat_ws(
10          ',',
11          sort_array(
12            collect_set(
13                        case when type_name='boolean' then concat('coalesce(',column_name,',false)') else concat('coalesce(',column_name,",'-99')") end
14                       ) over(partition by concat_ws('.',schema_name,table_name))
15                    )
16                 )
17        ,'))'
18      )  as concat_column 
19  from 
20  (
21    select 
22      t.name as schema_name,
23      t1.tbl_name as table_name,
24      t4.column_name,
25      t4.type_name
26    from dbs t
27    join tbls t1
28    on t.db_id = t1.db_id and t.date_id = '2020-09-26' and t1.date_id = '2020-09-26'
29    left join partitions t2
30    on t1.tbl_id = t2.tbl_id and t2.date_id = '2020-09-26'
31    left join sds t3
32    on t2.sd_id = t3.sd_id and t3.date_id = '2020-09-26'
33    left join (select * from columns_v2 where date_id='2020-09-26') t4
34    on t3.cd_id= t4.cd_id
35    where t.name='wedw_ods' and t1.tbl_name in ('tab_name') 
36    group by t.name ,t1.tbl_name,t4.column_name,t4.type_name
37  )t
38)res

元数据库表

存储Hive版本的元数据表(VERSION)

VER_ID	SCHEMA_VERSION	VERSION_COMMENT
ID主键	Hive版本	版本说明
1	2.3.0	Hive release version 2.3.0

注意：该表不存在时，将无法进入cli模式

Hive数据库相关的元数据表(DBS,DATABASE_PARAMS)
DBS：存储Hive中所有数据库基本信息

该表的DB_ID字段也是 FUNC_RU、FUNCS、DB_PRIVS、DATABASE_PARAMS、以及TBLS的外键

元数据字段	说明	示例
DB_ID	数据库ID	1
DESC	数据库描述	Default Hive database
DB_LOCATION_URI	数据库HDFS路径	hdfs://emr-cluster/user/hive/warehouse
NAME	数据库名	default
OWNER_NAME	数据库所有者用户名	public
OWNER_TYPE	数据库名	role

DATABASE_PARAMS：存储数据库的相关参数

元数据字段	说明	示例数据
DB_ID	数据库ID	1
PARAM_KEY	参数名	Default
PARAM_VALUE	参数值	Default

DB_PRIVS：存储数据库的授权信息

元数据字段	说明	示例
DB_GRANT_ID	授权ID	UUID
CREATE_TIME	授权时间	2020-11-11
DB_ID	数据库ID	1
GRANT_OPTION	授权选项	default
GRANTOR	授权执行用户	default
GRANTOR_TYPE	授权者类型	default
PRINCIPAL_NAME	被授权用户	default
PRINCIPAL_TYPE	被授权用户类型	default
DB_PRIV	权限	default
AUTHORIZER	授权人	热忱

Hive表和视图相关的元数据表
TBLS:该表存储HIve表、视图、索引表的基本信息

元数据字段	说明	示例
TBL_ID	表ID	3
CREATE_TIME	创建时间	2020-11-11
DB_ID	数据库ID	1
LAST_ACCESS_TIME	上次访问时间	0
OWNER	所有者	hadoop
RETENTION	保留字段	0
SD_ID	序列化配置信息	3
PRINCIPAL_TYPE	被授权用户类型	default
TBL_NAME	表名	t_dsp_mart_bankcard_location
TBL_TYPE	表类型	MANAGED_TABLE
VIEW_EXPANDED_TEXT	视图的详细HQL语句	NULL
VIEW_ORIGINAL_TEXT	视图的原始HQL语句	NULL
IS_REWRITE_ENABLED	是否开启重写	true

TABLE_PARAMS:该表存储表/视图的属性信息
元数据字段 说明 示例
TBL_ID 表ID 3
PARAM_KEY 属性名 transient_lastDdlTime
PARAM_VALUE 属性值 1542359066
TBL_PRIVS:存储表/视图的授权信息
元数据字段 说明 示例
TBL_GRANT_ID 授权ID 14
CREATE_TIME 授权时间 1542359066
GRANT_OPTION
1
GRANTOR 授权执行用户 hadoop
GRANTOR_TYPE 授权者类型 USER
PRINCIPAL_NAME 被授权用户 hadoop
PRINCIPAL_TYPE 被授权用户类型 USER
TBL_PRIV 权限 INSERT
TBL_ID 表ID 3
Hive文件存储信息相关的元数据表
SDS:保存文件存储的基本信息
元数据字段 说明 示例
SD_ID 存储信息ID 3
CD_ID 字段信息ID 3
INPUT_FORMAT 文件输入格式 org.apache.hadoop.mapred.TextInputFormat
IS_COMPRESSED 是否压缩
IS_STOREDASSUBDIRECTORIES 是否以子目录存储
LOCATION HDFS路径 hdfs://emr-cluster/user/hive/warehouse/dspdb.db/t_dsp_mart_bankcard_location
NUM_BUCKETS 分桶数量 -1
OUTPUT_FORMAT 文件输出格式 org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat
SERDE_ID 序列化类ID 3
SD_PARAMS:存储Hive存储的属性信息
元数据字段 说明 示例
SD_ID 存储配置ID
PARAM_KEY 存储属性名
PARAM_VALUE 存储属性值
SERDES:存储序列化使用的类信息
元数据字段 说明 示例
SERDE_ID 序列化类配置ID 3
NAME 序列化类别名 NULL
SLIB 序列化类 org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe
SERDE_PARAMS:存储序列化的一些属性、格式信息
元数据字段 说明 示例
SERDE_ID 序列化类配置ID 3
PARAM_KEY 属性名 field.delim
PARAM_VALUE 属性值
Hive表字段相关的元数据表
COLUMNS_V2:存储表对应的字段信息
元数据字段 说明 示例
CD_ID 字段信息ID 3
COMMENT 字段注释 NULL
COLUMN_NAME 字段名 bankcode
TYPE_NAME 字段类型 string
INTEGER_IDX 字段顺序 2
Hive表分区相关的元数据表
PARTITIONS:存储表分区的基本信息
元数据字段 说明 示例
PART_ID 分区ID 2
CREATE_TIME 分区创建时间 1542697377
LAST_ACCESS_TIME 最后一次访问时间 0
PART_NAME 分区名 dt=2018-11-19
SD_ID 分区存储ID 47
TBL_ID 表ID 30
PARTITION_KEY_VALS:存储分区字段值
元数据字段 说明 示例
PART_ID 分区ID 2
PART_KEY_VAL 分区字段值 2018-11-19
INTEGER_IDX 分区字段值顺序 0
PARTITION_PARAMS:存储分区的属性信息
元数据字段 说明 示例
PART_ID 分区ID 2
PARAM_KEY 分区属性名 numFiles
PARAM_VALUE 分区属性值 12