火山引擎 DataLeap 构建Data Catalog系统的实践（二）：技术与产品概览

技术与产品概览

架构设计

 

元数据的接入

• 元数据接入支持T+1和近实时两种方式
• 上游系统：包括各类存储系统（比如Hive、 Clickhouse等）和业务系统（比如数据开发平台、数据质量平台等）
• 中间层：
  • ETL Bridge：T+1方式运行，通常是从外部系统拉取最新元数据，与当前Catalog系统的元数据做对比，并更新差异的部分
  • MQ：用于暂存各类元数据增量消息，供Catalog系统近实时消费
  • 与上游系统打交道的各类Clients，封装了操作底层资源的能力

核心服务层

系统的核心服务，根据职责的不同，细拆为以下子服务：

• Catalog Service：支持元数据的搜索、详情、修改等核心服务
• Ingestion Service：接受外部系统调用，写入元数据，或主动从MQ中消费增量元数据
• Resource Control Plane：通过各类Clients，与底层的存储或业务系统交互，操作底层资源，比如建库建表，能力可插拔
• Q&A Service：问答系统相关能力，支持对元数据的字段含义、使用场景等提问和回答，能力可插拔
• ML Service：负责封装与机器学习相关的能力，能力可插拔
• API Layer：以RESTful API的形式整合系统中的各类能力

存储层

针对不同场景，选用的不同的存储：

• Meta Store：存放全量元数据和血缘关系，当前使用的是HBase
• Index Store：存放用于加速查询，支持全文索引等场景的索引，当前使用的是ElasticSearch
• Model Store：存放推荐、打标等的算法模型信息，使用HDFS，当ML Service启用时使用

元数据的消费

• 数据的生产者和消费者，通过Data Catalog的前端与系统交互
• 下游在线服务可通过OpenAPI访问元数据，与系统交互
• Metadata Outputs Layer：提供除了API之外的另外一种下游消费方式
  • MQ：用于暂存各类元数据变更消息，格式由Catalog系统官方定义
  • Data warehouse：以数仓表的形式呈现的全量元数据

产品功能升级

 

产品能力上的升级迭代，大致分为以下几个阶段：

• 基础能力建设（2017-2019）：数据源主要是离线数仓Hive，支持了Hive相关库表创建、元数据搜索与详情展示、表之间血缘，以及将相关表组织成业务视角的数据专题等
• 中阶能力建设（2019-2020年中）：数据源扩展了Clickhouse与Kafka，支持了Hive列血缘，Q&A问答系统等
• 架构升级（2020年中-2021年初）：产品能力迭代放缓，基于新设计升级架构
• 能力提升与快速迭代（2021年至今）：数据源扩展为包含离线、近实时、业务等端到端系统，搜索和血缘能力有明显增强，探索机器学习能力，产品形态更成熟稳定。另外我们还具备了ToB售卖的能力。

点击跳转 

大数据研发治理套件-火山引擎

 了解更多