数据治理方案技术调研 Atlas VS Datahub VS Amundsen
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。
热门文章推荐
开源数据质量解决方案——Apache Griffin入门宝典
数据质量管理工具预研——Griffin VS Deequ VS Great expectations VS Qualitis
5000字详解数据治理如何入门（附国际数据治理认证考试-CDMP学习群）
大数据流动：大数据、实时计算、数据治理，数据可视化实践类自媒体。定期发布数据治理，元数据管理落地技术实践文章，分享数据治理实践落地相关技术与资料。
提供大数据入门，数据治理，Superset，Atlas，Datahub等学习交流群。
大数据流动，对大数据技术学习永不止步。
