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。

更多Flink，Kafka等实时大数据分析相关技术博文，科技资讯，欢迎关注实时流式计算 公众号后台回复 “电子书” 下载300页Flink实战电子书

​