数据治理方案技术调研 Atlas VS Datahub VS Amundsen

数据治理意义重大，传统的数据治理采用文档的形式进行管理，已经无法满足大数据下的数据治理需要。而适合于Hadoop大数据生态体系的数据治理就非常的重要了。

 

大数据下的数据治理作为很多企业的一个巨大的难题，能找到的数据的解决方案并不多，但是好在近几年，很多公司已经进行了尝试并开源了出来，本文将详细分析这些数据发现平台，在国外已经有了十几种的实现方案。

数据发现平台可以解决的问题

为什么需要一个数据发现平台？

在数据治理过程中，经常会遇到这些问题：数据都存在哪？该如何使用这些数据？数据是做什么的？数据是如何创建的？数据是如何更新的？

。。。。。

数据发现平台的目的就是为了解决上面的问题，帮助更好的查找，理解和使用数据。

比如Facebook的Nemo就使用了全文检索技术，这样可以快速的搜索到目标数据。

用户浏览数据表时，如何快速的理解数据？一般的方式是把列名，数据类型，描述显示出来，如果用户有权限，还可以预览数据。

下面是Amundsen的数据列展示功能。

数据ETL是一个大问题，特别是如何把这些展示出来更是非常难，其实数据的ETL是可以用数据的流向图表示的，很多平台都支持这种功能，比如 Databook，还有Metcat。

Amundsen就和数据调度平台Airflow有着非常好的结合。

数据发现平台对比

下面一张表 对比一下各大平台对于上述功能的支持情况

	搜索	推荐	表描述	数据预览	列统计	占用指标	权限	排名	数据血统	改变通知	开源	文档	支持数据源
Amundsen (Lyft)	✔	✔	✔	✔	✔		✔	✔	Todo		✔	✔	Hive, Redshift, Druid, RDBMS, Presto, Snowflake, etc.
Datahub (LinkedIn)	✔		✔				✔	✔	✔		✔	✔	Hive, Kafka, RDBMS
Metacat (Netflix)	✔		✔		✔	✔		Todo		Todo	✔		Hive, RDS, Teradata, Redshift, S3, Cassandra
Atlas (Apache)	✔		✔						✔	✔	✔	✔	HBase, Hive, Sqoop, Kafka, Storm
Marquez (Wework）	✔		✔						✔		✔		S3, Kafka
Databook (Uber)	✔		✔	✔	✔				✔				Hive, Vertica, MySQL, Postgress, Cassandra
Dataportal (Airbnb)	✔		✔		✔		✔	✔					Unknown
Data Access Layer (Twitter)	✔		✔						✔				HDFS, Vertica, MySQL
Lexikon (Spotify)	✔	✔	✔				✔	✔					Unknown

这里介绍一下五个开源的解决方案

DataHub (LinkedIn）

LinkedIn开源出来的，原来叫做WhereHows 。经过一段时间的发展datahub于2020年2月在Github开源

https://github.com/linkedin/datahub

可以说是一个非常充满活力的项目，有着表结构，搜索，数据血统等功能，还有用户和组等功能。

官方也提供了文档。开源版本支持Hive，Kafka和关系数据库中的元数据。

所以Datahub的使用率还是非常高的。

Amundsen (Lyft）

Lyft 于2019年4月开发了Amundsen，并与10月开源。

https://github.com/amundsen-io/amundsen

Amundsen提供了搜索与排名的功能，帮助更好的查找数据表。

支持的数据源非常丰富，支持hive ，druid等超过15个数据源，而且还提供与任务调度airflow的融合，并提供了与superset等BI工具的集成方式。

而数据血统的功能也正在开发之中。

Metacat（Netflix）

Netflix在2018年6月开源了Metacat。

Metacat支持Hive，Teradata，Redshift，S3，Cassandra和RDS的集成。

不过虽然Metacat开源，但是官方没有提供文档，资料也很少。

Marquez (WeWork）

Wework于2018年10月开源了Marquez

Marquez也对Airflow有着很好的支持。

可以看到Marquez还在持续的更新中，保持关注。

Apache Atlas（Hortonworks）

作为数据治理计划的一部分，Atlas于2015年7月开始在Hortonworks进行孵化。

Atlas 1.0于2018年6月发布，当前版本是2.1。

Atlas的主要目标是数据治理，支持与HBase，Hive和Kafka的集成。

github地址

https://github.com/apache/atlas

丰富的文档

如何选择

首先说一下笔者的选择，虽然对datahub和amundsen非常的感兴趣，最后还是选择了Atlas。

开源，文档的丰富程度，功能，这些在上文表格中都做了详细的对比，如何选择还是要考虑实际情况。

开源的有五家：Amundsen Datahub Metacat Marquez Atlas

有文档的有三家：Amundsen Datahub Atlas

搜索功能较强 ：Amundsen

有数据血统功能：Datahub Atlas

考虑到项目的周期，实施性等情况，还是建议大家从Atlas入门，打开数据治理的探索之路。

当然也有公司同时采用了Atlas和Amundsen，Atlas处理元数据管理，利用Amundsen强大的数据搜索能力来做数据搜索，这也是一种不错的选择。

欢迎大家关注 “实时流式计算”

未来， “实时流式计算” 将推出Atlas 2.1 部署与实践 系列文章，推开数据治理之门。