大数据平台的元数据管理

曾经终败给现在 2022-03-01 16:06 240阅读 0赞

#### 概念解释 ####

1，大数据平台——是指服务于大数据计算或存储的平台，包括大数据的计算集群(hive、spark、flink、storm等等)和存储集群(如hadoop、hbase等等)。  
2，大数据平台涉及的元数据——由大数据作业的业务逻辑直接读写处理的业务数据，都不是元数据，除此之外的数据都是元数据。例如数据表的schema信息、任务之间的血缘关系、任务的权限映射关系、数据的业务属性、数据占用的磁盘空间等等。

#### 为什么要做元数据管理 ####

1，管理元数据的目的——有助于用户更高效地分析数据，有助于系统和业务的优化，有助于数据的安全管控，有助于数据生命周期的管理，有助于任务问题的排查，有助于数据质量的保证。  
2，怎样发挥元数据的价值——元数据信息通过服务的形式(例如REST接口)提供给上下游系统使用。

#### 哪些数据纳入元数据管理 ####

这个问题也就是元数据管理到底是管理什么。对大数据开发平台来说，常见的元数据包括以下6点：  
1，数据表的结构schema信息  
（1） SQL或者NoSQL中的表视图信息，例如MySQL中可以通过SHOW CREATE TABLE table\_name来获取表结构；hive中可以用HQL的SHOW PARTITIONS table\_name获取该表的分区信息  
（2） 表结构的变迁记录，例如mysql中的某表增/减了一个什么字段、修改了什么字段等信息  
2，数据占用的磁盘空间  
（1） 记录表数据占用的空间的大小以及增长趋势  
（2） 新增了几张表、删除了几张表、创建了多少个分区  
3，数据的读写记录  
（1） 记录修改表的是什么人，以及什么时候修改的  
（2） 记录哪些数据已经长时间没有被读取或更新了  
4，数据的权限归属  
（1） 哪些人有权限查阅数据  
（2） 哪些人有权限管理数据  
5，数据的血缘关系  
（1） 数据的上游和下游是哪里，也就是数据从哪来的、将会用到哪里去  
（2） 收集数据的血缘关系的作用——如果某数据有问题，可检查它的上游数据以便定位问题；也有助于理清处理这些数据的任务之间是如何互相依赖的  
6，数据的业务属性  
（1） 数据表做什么用的  
（2） 数据表中各个字段的业务含义、统计方式  
（3） 具体数据的业务部门归属  
（4） 每个数据表分别是由哪位开发者负责的  
（5） 脚本逻辑的变迁记录、变迁原因

#### 如何收集元数据 ####

上述元数据信息大部分需要人工录入，但是最好是整合到业务开发流程中，让它们成为业务开发的必须环节。比如说，在修改任务脚本时或修改表格schema时强制开发者填写。