搭建一套数据治理体系耗时耗力，但或者咱们没有必要从头开始搞本人的数据血统我的项目。本文分享如何用开源、古代的 DataOps、ETL、Dashboard、元数据、数据血统管理系统构建大数据治理基础设施。
元数据治理零碎
元数据治理 零碎是一个提供了所有数据在哪、格式化形式、生成、转换、依赖、出现和所属的 一站式视图。
元数据治理零碎是所有数据仓库、数据库、表、仪表板、ETL 作业等的 目录接口（catalog），有了它，咱们就不必在群里喊“大家好，我能够更改这个表的 schema 吗？”、“请问谁晓得我如何找到 table-view-foo-bar 的原始数据？”…一个成熟的数据治理计划中的元数据治理零碎，对数据团队来说十分必要。
而 数据血统 则是元数据治理零碎泛滥须要治理的元数据之一，例如，某些 Dashboard 是某一个 Table View 的上游，而这个 Table View 又是从另外两个上游表 JOIN 而来。显然，应该清晰地把握、治理这些信息，去构建一个可信、可控的零碎和数据品质管制体系。
数据治理的可行计划
数据治理方案设计
元数据和数据血统实质上非常适合采纳图数据建模、图数据库。因为数据治理波及的典型查问便是面向图关系的查问，像“查找指定组件（即表）的所有 n 度（深度）的数据血统”就是图查问语句 FIND ALL PATH 跑起来的事。从日常大家在论坛、微信群里探讨的查问和图建模来看，NebulaGraph 社区很多人在从零开始搭建数据血统零碎，而这些工作看起来大多是在反复造轮子，而且还是不容易造的轮子。
既然如此，前人种树后人乘凉，这里我决定搭建一个齐备、端到端（不只有元数据管理）的数据系统，供大家参考解决数据血统、数据治理问题。这个套数据系统会采纳市面上优良的开源我的项目，而图数据库这块还是采纳大家的老朋友——NebulaGraph。心愿对大家能有所启发，在此基础之上领有一个绝对欠缺的图模型，以及设计精美、开箱即用的元数据治理零碎。
上面，来看看元数据治理零碎的轮子都须要哪些性能组件：
-
元数据抽取
- 这部分须要从不同的数据栈拉 / 推数据，像是从数据库、数仓、Dashboard，甚至是 ETL Pipeline 和利用、服务中搞数据。
-
元数据存储
- 能够存在数据库、图数据库里，甚至存成超大的 JSON manifest 文件都行
-
元数据目录接口零碎 Catalog
- 提供 API / GUI 来读写元数据和数据血统零碎
下图是整个计划的简略示意图：
其中，下面的虚线框是元数据的起源与导入、上面的虚线框是元数据的存储与展现、发现。
开源技术栈
上面，介绍下数据治理零碎的每个局部。
数据库和数仓
为了解决和应用原始和两头数据，这里肯定波及至多一个数据库或者数仓。它能够是 Hive、Apache Delta、TiDB、Cassandra、MySQL 或 Postgres。
在这个参考我的项目中，咱们选一个简略、风行的 Postgres。
✓ 数据仓库：Postgres
数据运维 DataOps
咱们应该有某种 DataOps 的计划，让 Pipeline 和环境具备可重复性、可测试性和版本控制性。
在这里，咱们应用了 GitLab 创立的 Meltano。
Meltano 是一个 just-work 的 DataOps 平台，它能够用奇妙且优雅的形式将 Singer 作为 EL 和 dbt 作为 T 连接起来。此外，它还连贯到其余一些 dataInfra 实用程序，例如 Apache Superset 和 Apache Airflow 等。
至此，咱们又纳入了一个成员：
✓ GitOps：Meltano https://gitlab.com/meltano/meltano
ETL 工具
下面咱们提到过组合 Singer 与 Meltano 将来自许多不同数据源的数据 E（提取）和 L（加载）数据指标，并应用 dbt 作为 Transform 的平台。于是咱们失去：
✓ EL：Singer
✓ T: dbt
数据可视化
在数据之上创立 Dashboard、图表和表格失去数据的洞察是很合乎直觉的，相似大数据之上的 Excel 图标性能。
Apache Superset 是我很喜爱的开源数据可视化我的项目，我筹备用它来作为被治理治理的指标之一。同时，还会利用它实现可视化性能来实现元数据洞察。于是，
✓ Dashboard：Apache Superset
工作编排（DAG Job Orchestration）
在大多数状况下，咱们的 DataOps 作业、工作调演变成须要编排零碎的规模，咱们能够用 Apache Airflow 来负责这一块。
✓ DAG：Apache Airflow https://airflow.apache.org/
元数据治理
随着越来越多的组件和数据被引入数据基础设施，在数据库、表、数据建模（schema）、Dashboard、DAG（编排零碎中的有向无环图）、利用与服务的各个生命周期阶段中都将存着海量的元数据，须要对它们的管理员和团队进行协同治理、连贯和发现。
Linux Foundation Amundsen 是解决该问题的最佳我的项目之一。Amundsen 用图数据库为事实源（single source of truth）以减速多跳查问，Elasticsearch 为全文搜索引擎。它在顺滑地解决所有元数据及其血统之余，还提供了优雅的 UI 和 API。Amundsen 反对多种图数据库为后端，这里咱们用 NebulaGraph。
当初的技术栈：
✓ 数据发现：Linux Foundation Amundsen
✓ 全文搜寻：Elasticsearch
✓ 图数据库：NebulaGraph
好的，所有组件都齐正了，开始组装它们吧。
环境搭建与各组件初识
本次实际的我的项目计划已开源，你能够拜访 https://github.com/wey-gu/data-lineage-ref-solution 来取得对应的代码。
整个实际过程，我遵循了尽量洁净、激励共建的准则。我的项目预设在一个 unix-like 零碎上运行，且联网和装有 Docker-Compose。
这里，我将在 Ubuntu 20.04 LTS X86_64 上运行它，当然在其余发行版或 Linux 版本上应该也没有问题。
运行一个数仓、数据库
首先，装置 Postgres 作为咱们的数仓。
这个单行命令会创立一个应用 Docker 在后盾运行的 Postgres，过程敞开之后容器不会残留而是被清理掉（因为参数--rm）。
docker run --rm --name postgres \
-e POSTGRES_PASSWORD=lineage_ref \
-e POSTGRES_USER=lineage_ref \
-e POSTGRES_DB=warehouse -d \
-p 5432:5432 postgres咱们能够用 Postgres CLI 或 GUI 客户端来验证命令是否执行胜利。
DataOps 工具链部署
接下来，装置有机联合了 Singer 和 dbt 的 Meltano。
Meltano 帮忙咱们治理 ETL 工具（作为插件）及其所有配置和 pipeline。这些元信息位于 Meltano 配置及其零碎数据库中，其中配置是基于文件的（能够应用 GitOps 治理），它的默认零碎数据库是 SQLite。
装置 Meltano
应用 Meltano 的工作流是启动一个“meltano 我的项目”并开始将 E、L 和 T 增加到配置文件中。Meltano 我的项目的启动只须要一个 CLI 命令 meltano init yourprojectname。不过，在那之前，先用 Python 的包管理器 pip 或者 Docker 镜像装置 Meltano，像我示范的这样：
在 Python 虚拟环境中应用 pip 装置 Meltano：
mkdir .venv
# example in a debian flavor Linux distro
sudo apt-get install python3-dev python3-pip python3-venv python3-wheel -y
python3 -m venv .venv/meltano
source .venv/meltano/bin/activate
python3 -m pip install wheel
python3 -m pip install meltano
# init a project
mkdir meltano_projects && cd meltano_projects
# replace <yourprojectname> with your own one
touch .env
meltano init <yourprojectname>或者，用 Docker 容器装置 Meltano：
docker pull meltano/meltano:latest
docker run --rm meltano/meltano --version
# init a project
mkdir meltano_projects && cd meltano_projects
# replace <yourprojectname> with your own one
touch .env
docker run --rm -v "$(pwd)":/projects \
-w /projects --env-file .env \
meltano/meltano init <yourprojectname>除了通晓 meltano init 之外，最好把握 Meltano 局部命令，例如 meltano etl 示意 ETL 的执行，meltano invoke <plugin> 来调用插件命令。具体能够参考它的速查表 https://docs.meltano.com/reference/command-line-interface。
Meltano GUI 界面
Meltano 自带一个基于 Web 的 UI，执行 ui 子命令就能启动它：
meltano ui它默认会跑在 http://localhost:5000 上。
针对 Docker 的运行环境，在裸露 5000 端口的状况下运行容器即可。因为容器的默认命令曾经是 meltano ui，所以 run 的命令只需：
docker run -v "$(pwd)":/project \
-w /project \
-p 5000:5000 \
meltano/meltanoMeltano 我的项目示例
GitHub 用户 Pat Nadolny 在开源我的项目 singer_dbt_jaffle 中做了很好的示例。他采纳 dbt 的 Meltano 示例数据集，利用 Airflow 编排 ETL 工作。
不只这样，他还有利用 Superset 的例子，见 jaffle_superset。
前人种树咱们来吃果，依照 Pat Nadolny 的实际，咱们能够这样地运行数据管道（pipeline）：
- tap-CSV（Singer）从 CSV 文件中提取数据
- target-postgres（Singer）将数据加载到 Postgres
- dbt 将数据转换为聚合表或视图
留神，下面咱们曾经启动了 Postgres，能够跳过容器启动 Postgres 这步。
操作过程是：
git clone https://github.com/pnadolny13/meltano_example_implementations.git
cd meltano_example_implementations/meltano_projects/singer_dbt_jaffle/
meltano install
touch .env
echo PG_PASSWORD="lineage_ref" >> .env
echo PG_USERNAME="lineage_ref" >> .env
# Extract and Load(with Singer)
meltano run tap-csv target-postgres
# Trasnform(with dbt)
meltano run dbt:run
# Generate dbt docs
meltano invoke dbt docs generate
# Serve generated dbt docs
meltano invoke dbt docs to serve
# Then visit http://localhost:8080当初，咱们能够连贯到 Postgres 来查看加载和转换后的数据预览。如下所示，截图来自 VS Code 的 SQLTool。
payments 表里长这样子：
搭一个 BI Dashboard 零碎
当初，咱们的数据仓库有数据了。接下来，能够试着用下这些数据。
像仪表盘 Dashbaord 这样的 BI 工具能帮咱们从数据中取得有用的洞察。应用可视化工具 Apache Superset 能够很容易地创立和治理这些基于数据源的 Dashboard 和各式各样的图表。
本章的重点不在于 Apache Superset 自身，所以，咱们还是复用 Pat Nadolny 的 jaffle_superset 例子。
Bootstrap Meltano 和 Superset
创立一个装置了 Meltano 的 Python VENV：
mkdir .venv
python3 -m venv .venv/meltano
source .venv/meltano/bin/activate
python3 -m pip install wheel
python3 -m pip install meltano参考 Pat 的小抄，做一些轻微的调整：
克隆 repo，进入 jaffle_superset 我的项目：
git clone https://github.com/pnadolny13/meltano_example_implementations.git
cd meltano_example_implementations/meltano_projects/jaffle_superset/批改 meltano 配置文件，让 Superset 连贯到咱们创立的 Postgres：
vim meltano_projects/jaffle_superset/meltano.yml这里，我将主机名更改为“10.1.1.111”，这是我以后主机的 IP。如果你是 Windows 或者 macOS 上的 Docker Desktop，这里不要批改主机名，否则就要和我一样手动改成理论地址：
--- a/meltano_projects/jaffle_superset/meltano.yml
+++ b/meltano_projects/jaffle_superset/meltano.yml
@@ -71,7 +71,7 @@ plugins:
A list of database driver dependencies can be found here https://superset.apache.org/docs/databases/installing-database-drivers
config:
database_name: my_postgres
- sqlalchemy_uri: postgresql+psycopg2://${PG_USERNAME}:${PG_PASSWORD}@host.docker.internal:${PG_PORT}/${PG_DATABASE}
+ sqlalchemy_uri: postgresql+psycopg2://${PG_USERNAME}:${PG_PASSWORD}@10.1.1.168:${PG_PORT}/${PG_DATABASE}
tables:
- model.my_meltano_project.customers
- model.my_meltano_project.orders增加 Postgres 登录的信息到 .env 文件：
echo PG_USERNAME=lineage_ref >> .env
echo PG_PASSWORD=lineage_ref >> .env装置 Meltano 我的项目，运行 ETL 工作：
meltano install
meltano run tap-csv target-postgres dbt:run调用、启动 Superset，这里留神 ui 不是 meltano 的外部命令，而是一个配置进去的自定义行为（user-defined action）：
meltano invoke superset:ui在另一个命令行终端执行自定义的命令 load_datasources：
meltano invoke superset:load_datasources通过浏览器拜访 http://localhost:8088/ 就是 Superset 的图形界面了：
创立一个 Dashboard
当初，咱们站在 Meltano、Postgres 的肩膀上，用 ETL 数据建一个 Dashboard 吧：
点击 + DASHBOARD，填写仪表盘名称，再先后点击 SAVE 和 + CREATE A NEW CHART：
在新图表（Create a new chart）视图中，抉择图表类型和数据集。在这里，我抉择了 orders 表作为数据源和 Pie Chart 图表类型：
点击 CREATE NEW CHART 后，在图表定义视图中抉择“status”的“Query”为“DIMENSIONS”，“COUNT(amount)”为“METRIC”。至此，咱们就能够看到每个订单状态散布的饼图了。
点击 SAVE，零碎会询问应该将此图表增加到哪个 Dashboard。抉择后，单击 SAVE & GO TO DASHBOARD。
在 Dashboard 中，咱们能够看到所有的图表。这不，你能够看到我额定增加的、用来显示客户订单数量散布的图表：
点 ··· 能看到刷新率设置、下载渲染图等其余的性能。
当初，咱们有一个简略但典型的 HomeLAB 数据技术栈了，并且所有货色都是开源的！
设想一下，咱们在 CSV 中有 100 个数据集，在数据仓库中有 200 个表，并且有几个数据工程师在运行不同的我的项目，这些我的项目应用、生成不同的利用与服务、Dashbaord 和数据库。当有人想要查找、发现或者批改其中的一些表、数据集、Dashbaord 和管道，在沟通和工程方面可能都是十分不好治理的。
下面咱们提到，这个示例我的项目的 次要性能是元数据发现零碎。
元数据发现零碎
当初，须要咱们部署一个带有 NebulaGraph 和 Elasticsearch 的 Amundsen。有了 Amundsen，咱们能够在一个中央发现和治理整个数据栈中的所有元数据。
Amundsen 次要有两个局部组成：
-
元数据导入 Metadata Ingestion
- Amundsen Databuilder
-
元数据目录服务 Metadata Catalog
- Amundsen Frontend Service
- Amundsen Metadata Service
- Amundsen Search Service
它的工作原理是：利用 Databuilder 提取不同数据源的元数据，并将元数据长久化到 Metadata Service 和 Search Service 中，用户从 Frontend Service 或 Metadata Service 的 API 获取数据。
部署 Amundsen
元数据服务 Metadata Service
咱们用 docker-compose 部署一个 Amundsen 集群。因为 Amundsen 对 NebulaGraph 后端的反对 pr#1817 尚未合并，还不能用官网的代码。这里，先用我的 fork 版本。
先克隆蕴含所有子模块的 repo：
git clone -b amundsen_nebula_graph --recursive git@github.com:wey-gu/amundsen.git
cd amundsen启动所有目录服务 catalog services 及其后端存储：
docker-compose -f docker-amundsen-nebula.yml up因为这个 docker-compose 文件是供开发人员试玩、调试 Amundsen 用的，而不是给生产部署筹备的，它在启动的时候会从代码库构建镜像，第一次跑的时候启动会慢一些。
部署好了之后，咱们应用 Databuilder 将一些示例、虚构的数据加载存储里。
抓取元数据 Databuilder
Amundsen Databuilder 就像 Meltano 零碎一样，只不过是用在元数据的上的 ETL，它把元数据加载到 Metadata Service 和 Search Service 的后端存储：NebulaGraph 和 Elasticsearch 里。这里的 Databuilder 只是一个 Python 模块，所有的元数据 ETL 作业能够作为脚本运行，也能够用 Apache Airflow 等 DAG 平台进行编排。
装置 Amundsen Databuilder：
cd databuilder
python3 -m venv .venv
source .venv/bin/activate
python3 -m pip install wheel
python3 -m pip install -r requirements.txt
python3 setup.py install调用这个示例数据构建器 ETL 脚本来把示例的虚构数据导进去。
python3 example/scripts/sample_data_loader_nebula.py验证一下 Amundsen
在拜访 Amundsen 之前，咱们须要创立一个测试用户：
# run a container with curl attached to amundsenfrontend
docker run -it --rm --net container:amundsenfrontend nicolaka/netshoot
# Create a user with id test_user_id
curl -X PUT -v http://amundsenmetadata:5002/user \
-H "Content-Type: application/json" \
--data \
'{"user_id":"test_user_id","first_name":"test","last_name":"user","email":"test_user_id@mail.com"}'
exit而后咱们能够在 http://localhost:5000 查看 UI 并尝试搜寻 test，它应该会返回一些后果。
而后，能够单击并浏览在 sample_data_loader_nebula.py 期间加载到 Amundsen 的那些示例元数据。
此外，咱们还能够通过 NebulaGraph Studio 的地址 http://localhost:7001 拜访 NebulaGraph 里的这些数据。
下图显示了无关 Amundsen 组件的更多详细信息：
┌────────────────────────┐ ┌────────────────────────────────────────┐
│ Frontend:5000 │ │ Metadata Sources │
├────────────────────────┤ │ ┌────────┐ ┌─────────┐ ┌─────────────┐ │
│ Metaservice:5001 │ │ │ │ │ │ │ │ │
│ ┌──────────────┐ │ │ │ Foo DB │ │ Bar App │ │ X Dashboard │ │
┌────┼─┤ Nebula Proxy │ │ │ │ │ │ │ │ │ │
│ │ └──────────────┘ │ │ │ │ │ │ │ │ │
│ ├────────────────────────┤ │ └────────┘ └─────┬───┘ └─────────────┘ │
┌─┼────┤ Search searvice:5002 │ │ │ │
│ │ └────────────────────────┘ └──────────────────┼─────────────────────┘
│ │ ┌─────────────────────────────────────────────┼───────────────────────┐
│ │ │ │ │
│ │ │ Databuilder ┌───────────────────────────┘ │
│ │ │ │ │
│ │ │ ┌───────────────▼────────────────┐ ┌──────────────────────────────┐ │
│ │ ┌──┼─► Extractor of Sources ├─► nebula_search_data_extractor │ │
│ │ │ │ └───────────────┬────────────────┘ └──────────────┬───────────────┘ │
│ │ │ │ ┌───────────────▼────────────────┐ ┌──────────────▼───────────────┐ │
│ │ │ │ │ Loader filesystem_csv_nebula │ │ Loader Elastic FS loader │ │
│ │ │ │ └───────────────┬────────────────┘ └──────────────┬───────────────┘ │
│ │ │ │ ┌───────────────▼────────────────┐ ┌──────────────▼───────────────┐ │
│ │ │ │ │ Publisher nebula_csv_publisher │ │ Publisher Elasticsearch │ │
│ │ │ │ └───────────────┬────────────────┘ └──────────────┬───────────────┘ │
│ │ │ └─────────────────┼─────────────────────────────────┼─────────────────┘
│ │ └────────────────┐ │ │
│ │ ┌─────────────┼───►─────────────────────────┐ ┌─────▼─────┐
│ │ │ NebulaGraph │ │ │ │ │
│ └────┼─────┬───────┴───┼───────────┐ ┌─────┐ │ │ │
│ │ │ │ │ │MetaD│ │ │ │
│ │ ┌───▼──┐ ┌───▼──┐ ┌───▼──┐ └─────┘ │ │ │
│ ┌────┼─►GraphD│ │GraphD│ │GraphD│ │ │ │
│ │ │ └──────┘ └──────┘ └──────┘ ┌─────┐ │ │ │
│ │ │ :9669 │MetaD│ │ │ Elastic │
│ │ │ ┌────────┐ ┌────────┐ ┌────────┐ └─────┘ │ │ Search │
│ │ │ │ │ │ │ │ │ │ │ Cluster │
│ │ │ │StorageD│ │StorageD│ │StorageD│ ┌─────┐ │ │ :9200 │
│ │ │ │ │ │ │ │ │ │MetaD│ │ │ │
│ │ │ └────────┘ └────────┘ └────────┘ └─────┘ │ │ │
│ │ ├───────────────────────────────────────────┤ │ │
│ └────┤ Nebula Studio:7001 │ │ │
│ └───────────────────────────────────────────┘ └─────▲─────┘
└──────────────────────────────────────────────────────────┘穿针引线：元数据发现
设置好根本环境后，让咱们把所有货色穿起来。还记得咱们有 ELT 一些数据到 PostgreSQL 吗？
那么，咱们如何让 Amundsen 发现这些数据和 ETL 的元数据呢？
提取 Postgres 元数据
咱们从数据源开始：首先是 Postgres。
咱们为 Python3 装置 Postgres 客户端：
sudo apt-get install libpq-dev
pip3 install Psycopg2执行 Postgres 元数据 ETL
运行一个脚本来解析 Postgres 元数据：
export CREDENTIALS_POSTGRES_USER=lineage_ref
export CREDENTIALS_POSTGRES_PASSWORD=lineage_ref
export CREDENTIALS_POSTGRES_DATABASE=warehouse
python3 example/scripts/sample_postgres_loader_nebula.py咱们看看把 Postgres 元数据加载到 NebulaGraph 的示例脚本的代码，非常简单间接：
# part 1: PostgresMetadata --> CSV --> NebulaGraph
job = DefaultJob(
conf=job_config,
task=DefaultTask(extractor=PostgresMetadataExtractor(),
loader=FsNebulaCSVLoader()),
publisher=NebulaCsvPublisher())
...
# part 2: Metadata stored in NebulaGraph --> Elasticsearch
extractor = NebulaSearchDataExtractor()
task = SearchMetadatatoElasticasearchTask(extractor=extractor)
job = DefaultJob(conf=job_config, task=task)第一个工作门路是：PostgresMetadata --> CSV --> NebulaGraph
PostgresMetadataExtractor用于从 Postgres 中提取元数据，能够参考文档 https://www.amundsen.io/amundsen/databuilder/#postgresmetadataextractor。FsNebulaCSVLoader用于将提取的数据转为 CSV 文件NebulaCsvPublisher用于将元数据以 CSV 格局公布到 NebulaGraph
第二个工作门路是：Metadata stored in NebulaGraph --> Elasticsearch
NebulaSearchDataExtractor用于获取存储在 NebulaGraph 中的元数据SearchMetadatatoElasticasearchTask用于使 Elasticsearch 对元数据进行索引。
请留神，在生产环境中，咱们能够在脚本中或应用 Apache Airflow 等编排平台触发这些作业。
验证 Postgres 中元数据的获取
搜寻 payments 或者间接拜访 http://localhost:5000/table_detail/warehouse/postgres/public/payments，你能够看到咱们 Postgres 的元数据，比方：
像下面的屏幕截图一样，咱们能够轻松实现元数据管理操作，如：增加标签、所有者和形容。
提取 dbt 元数据
其实，咱们也能够从 dbt 自身提取元数据。
Amundsen DbtExtractor 会解析 catalog.json 或 manifest.json 文件并将元数据加载到 Amundsen 存储，这里当然指的是 NebulaGraph 和 Elasticsearch。
在下面的 Meltano 章节中，咱们曾经应用 meltano invoke dbt docs generate 生成了这个文件：
14:23:15 Done.
14:23:15 Building catalog
14:23:15 Catalog written to /home/ubuntu/ref-data-lineage/meltano_example_implementations/meltano_projects/singer_dbt_jaffle/.meltano/transformers/dbt/target/catalog.jsondbt 元数据 ETL 的执行
咱们试着解析示例 dbt 文件中的元数据吧：
$ ls -l example/sample_data/dbt/
total 184
-rw-rw-r-- 1 w w 5320 May 15 07:17 catalog.json
-rw-rw-r-- 1 w w 177163 May 15 07:17 manifest.json我写的这个示例的加载例子如下：
python3 example/scripts/sample_dbt_loader_nebula.py其中次要的代码如下：
# part 1: dbt manifest --> CSV --> NebulaGraph
job = DefaultJob(
conf=job_config,
task=DefaultTask(extractor=DbtExtractor(),
loader=FsNebulaCSVLoader()),
publisher=NebulaCsvPublisher())
...
# part 2: Metadata stored in NebulaGraph --> Elasticsearch
extractor = NebulaSearchDataExtractor()
task = SearchMetadatatoElasticasearchTask(extractor=extractor)
job = DefaultJob(conf=job_config, task=task)它和 Postgres 元数据 ETL 的惟一区别是 extractor=DbtExtractor()，它带有以下配置以获取无关 dbt 我的项目的以下信息：
- 数据库名称
- 目录_json
- manifest_json
job_config = ConfigFactory.from_dict({
'extractor.dbt.database_name': database_name,
'extractor.dbt.catalog_json': catalog_file_loc, # File
'extractor.dbt.manifest_json': json.dumps(manifest_data), # JSON Dumped objecy
'extractor.dbt.source_url': source_url})验证 dbt 抓取后果
搜寻 dbt_demo 或者间接拜访 http://localhost:5000/table_detail/dbt_demo/snowflake/public/raw_inventory_value，能够看到
这里给一个小提示，其实，咱们能够抉择启用 DEBUG log 级别去看已发送到 Elasticsearch 和 NebulaGraph 的内容。
- logging.basicConfig(level=logging.INFO)
+ logging.basicConfig(level=logging.DEBUG)或者，在 NebulaGraph Studio 中摸索导入的数据：
先点击 Start with Vertices，并填写顶点 vid：snowflake://dbt_demo.public/fact_warehouse_inventory
咱们能够看到顶点显示为粉红色的点。再让咱们批改下 Expand /”拓展“选项：
- 方向：双向
- 步数：单向、三步
并双击顶点（点），它将双向拓展 3 步：
像截图展现的那般，在可视化之后的图数据库中，这些元数据能够很容易被查看、剖析，并从中取得洞察。
而且，咱们在 NebulaGraph Studio 中看到的同 Amundsen 元数据服务的数据模型相响应：
最初，请记住咱们曾利用 dbt 来转换 Meltano 中的一些数据，并且清单文件门路是 .meltano/transformers/dbt/target/catalog.json，你能够尝试创立一个数据构建器作业来导入它。
提取 Superset 中的元数据
Amundsen 的 Superset Extractor 能够获取
- Dashboard 元数据抽取，见 apache_superset_metadata_extractor.py
- 图表元数据抽取，见 apache_superset_chart_extractor.py
- Superset 元素与数据源（表）的关系抽取，见 apache_superset_table_extractor.py
来，当初试试提取之前创立的 Superset Dashboard 的元数据。
Superset 元数据 ETL 的执行
下边执行的示例 Superset 提取脚本能够获取数据并将元数据加载到 NebulaGraph 和 Elasticsearch 中。
python3 sample_superset_data_loader_nebula.py如果咱们将日志记录级别设置为 DEBUG，咱们实际上能够看到这些两头的过程日志：
# fetching metadata from superset
DEBUG:urllib3.connectionpool:http://localhost:8088 "POST /api/v1/security/login HTTP/1.1" 200 280
INFO:databuilder.task.task:Running a task
DEBUG:urllib3.connectionpool:Starting new HTTP connection (1): localhost:8088
DEBUG:urllib3.connectionpool:http://localhost:8088 "GET /api/v1/dashboard?q=(page_size:20,page:0,order_direction:desc) HTTP/1.1" 308 374
DEBUG:urllib3.connectionpool:http://localhost:8088 "GET /api/v1/dashboard/?q=(page_size:20,page:0,order_direction:desc) HTTP/1.1" 200 1058
...
# insert Dashboard
DEBUG:databuilder.publisher.nebula_csv_publisher:Query: INSERT VERTEX `Dashboard` (`dashboard_url`, `name`, published_tag, publisher_last_updated_epoch_ms) VALUES "superset_dashboard://my_cluster.1/3":("http://localhost:8088/superset/dashboard/3/","my_dashboard","unique_tag",timestamp());
...
# insert a DASHBOARD_WITH_TABLE relationship/edge
INFO:databuilder.publisher.nebula_csv_publisher:Importing data in edge files: ['/tmp/amundsen/dashboard/relationships/Dashboard_Table_DASHBOARD_WITH_TABLE.csv']
DEBUG:databuilder.publisher.nebula_csv_publisher:Query:
INSERT edge `DASHBOARD_WITH_TABLE` (`END_LABEL`, `START_LABEL`, published_tag, publisher_last_updated_epoch_ms) VALUES "superset_dashboard://my_cluster.1/3"->"postgresql+psycopg2://my_cluster.warehouse/orders":("Table","Dashboard","unique_tag", timestamp()), "superset_dashboard://my_cluster.1/3"->"postgresql+psycopg2://my_cluster.warehouse/customers":("Table","Dashboard","unique_tag", timestamp());验证 Superset Dashboard 元数据
通过在 Amundsen 中搜寻它，咱们当初能够取得 Dashboard 信息。
咱们也能够从 NebulaGraph Studio 进行验证。
注：能够参阅 Dashboard 抓取指南中的 Amundsen Dashboard 图建模：
用 Superset 预览数据
Superset 能够用来预览表格数据，文档能够参考 https://www.amundsen.io/amundsen/frontend/docs/configuration/#preview-client，其中 /superset/sql_json/ 的 API 被 Amundsen Frontend Service 调用，获得预览信息。
开启数据血统信息
默认状况下，数据血统是敞开的，咱们能够通过以下形式启用它：
第一步，cd 到 Amundsen 代码仓库下，这也是咱们运行 docker-compose -f docker-amundsen-nebula.yml up 命令的中央：
cd amundsen第二步，批改 frontend 下的 TypeScript 配置
--- a/frontend/amundsen_application/static/js/config/config-default.ts
+++ b/frontend/amundsen_application/static/js/config/config-default.ts
tableLineage: {
- inAppListEnabled: false,
- inAppPageEnabled: false,
+ inAppListEnabled: true,
+ inAppPageEnabled: true,
externalEnabled: false,
iconPath: 'PATH_TO_ICON',
isBeta: false,第三步，从新构建 Docker 镜像，其中将重建前端图像。
docker-compose -f docker-amundsen-nebula.yml build第四步，从新运行 up -d 以确保前端用新的配置：
docker-compose -f docker-amundsen-nebula.yml up -d后果大略长这样子：
$ docker-compose -f docker-amundsen-nebula.yml up -d
...
Recreating amundsenfrontend ... done之后，咱们能够拜访 http://localhost:5000/lineage/table/gold/hive/test_schema/test_table1 看到 Lineage（beta） 血统按钮曾经显示进去了：
咱们能够点击 Downstream 查看该表的上游资源：
或者点击血统按钮查看血统的图表式：
也有用于血统查问的 API。
上面这个例子中，咱们用 cURL 调用下这个 API：
docker run -it --rm --net container:amundsenfrontend nicolaka/netshoot
curl "http://amundsenmetadata:5002/table/snowflake://dbt_demo.public/raw_inventory_value/lineage?depth=3&direction=both"下面的 API 调用是查问上游和上游方向的 linage，表 snowflake://dbt_demo.public/raw_inventory_value 的深度为 3。
后果应该是这样的：
{
"depth": 3,
"downstream_entities": [
{
"level": 2,
"usage": 0,
"key": "snowflake://dbt_demo.public/fact_daily_expenses",
"parent": "snowflake://dbt_demo.public/fact_warehouse_inventory",
"badges": [],
"source": "snowflake"
},
{
"level": 1,
"usage": 0,
"key": "snowflake://dbt_demo.public/fact_warehouse_inventory",
"parent": "snowflake://dbt_demo.public/raw_inventory_value",
"badges": [],
"source": "snowflake"
}
],
"key": "snowflake://dbt_demo.public/raw_inventory_value",
"direction": "both",
"upstream_entities": []}实际上，这个血统数据就是在咱们的 dbtExtractor 执行期间提取和加载的，其中 extractor .dbt.{DbtExtractor.EXTRACT_LINEAGE} 默认为 true，因而，创立了血统元数据并将其加载到了 Amundsen。
在 NebulaGraph 中洞察血统
应用图数据库作为元数据存储的两个长处是：
图查问自身是一个灵便的 DSL for lineage API，例如，这个查问帮忙咱们执行 Amundsen 元数据 API 的等价的查问：
MATCH p=(t:`Table`) -[:`HAS_UPSTREAM`|:`HAS_DOWNSTREAM` *1..3]->(x)
WHERE id(t) == "snowflake://dbt_demo.public/raw_inventory_value" RETURN p来，在 NebulaGraph Studio 或者 Explorer 的控制台中查问下：
渲染下这个后果：
提取数据血统
这些血统信息是须要咱们明确指定、获取的，获取的形式能够是本人写 Extractor，也能够是用已有的形式。比方：dbt 的 Extractor 和 Open Lineage 我的项目的 Amundsen Extractor。
通过 dbt
这个在方才曾经展现过了，dbt 的 Extractor 会从表级别获取血统同其余 dbt 中产生的元数据信息一起被拿到。
通过 Open Lineage
Amundsen 中的另一个开箱即用的血统 Extractor 是 OpenLineageTableLineageExtractor。
Open Lineage 是一个凋谢的框架，能够将不同起源的血统数据收集到一个中央，它能够将血统信息输入为 JSON 文件，参见文档 https://www.amundsen.io/amundsen/databuilder/#openlineagetablelineageextractor。
下边是它的 Amundsen Databuilder 例子：
dict_config = {
# ...
f'extractor.openlineage_tablelineage.{OpenLineageTableLineageExtractor.CLUSTER_NAME}': 'datalab',
f'extractor.openlineage_tablelineage.{OpenLineageTableLineageExtractor.OL_DATASET_NAMESPACE_OVERRIDE}': 'hive_table',
f'extractor.openlineage_tablelineage.{OpenLineageTableLineageExtractor.TABLE_LINEAGE_FILE_LOCATION}': 'input_dir/openlineage_nd.json',
}
...
task = DefaultTask(extractor=OpenLineageTableLineageExtractor(),
loader=FsNebulaCSVLoader())回顾
整套元数据治理 / 发现的计划思路如下：
- 将整个数据技术栈中的组件作为元数据源（从任何数据库、数仓，到 dbt、Airflow、Openlineage、Superset 等各级我的项目）
- 应用 Databuilder（作为脚本或 DAG）运行元数据 ETL，以应用 NebulaGraph 和 Elasticsearch 存储和索引
- 从前端 UI（应用 Superset 预览）或 API 去应用、生产、治理和发现元数据
- 通过查问和 UI 对 NebulaGraph，咱们能够取得更多的可能性、灵活性和数据、血统的洞察
波及到的开源
此参考我的项目中应用的所有我的项目都按字典程序在上面列出。
- Amundsen
- Apache Airflow
- Apache Superset
- dbt
- Elasticsearch
- meltano
- NebulaGraph
- Open Lineage
- Singer
谢谢你读完本文 (///▽///)
要来近距离体验一把图数据库吗？当初能够用用 NebulaGraph Cloud 来搭建本人的图数据系统哟，快来节俭大量的部署安装时间来搞定业务吧~ NebulaGraph 阿里云计算巢现 30 天收费应用中，点击链接来用用图数据库吧~
想看源码的小伙伴能够返回 GitHub 浏览、应用、(^з^)-☆ star 它 -> GitHub；和其余的 NebulaGraph 用户一起交换图数据库技术和利用技能，留下「你的名片」一起游玩呢~