更多技术交流、求职机会,欢迎关注字节跳动数据平台微信公众号,回复【1】进入官方交流群
Data Catalog 产品,通过汇总技术和业务元数据,解决大数据生产者组织梳理数据、数据消费者找数和理解数的业务场景,并服务于数据开发和数据治理的产品体系。本文介绍了火山引擎 DataLeap 套件下Data Catalog系统的构建和迭代过程,概要介绍核心设计以及部分关键实现。
元数据与Data Catalog
元数据,一般指描述数据的数据,对数据及信息资源的描述性信息。在当前大数据的上下文里,通常又可细分为技术元数据和业务元数据。
Data Catalog,是一种元数据管理的服务,会收集技术元数据,并在其基础上提供更丰富的业务上下文与语义,通常支持元数据编目、查找、详情浏览等功能。
元数据是Data Catalog系统的基础,而Data Catalog使元数据更好的发挥业务价值。
Data Catalog的业务价值
火山引擎 DataLeap 套件下Data Catalog系统主要服务于两类用户的两种核心场景。
对于数据生产者来说,他们利用Data Catalog系统来组织、梳理自己负责的各类元数据。生产者大部分是大数据开发的同学。通常,生产者会将某一批相关的元数据以目录等形式编排到一起,方便维护。另外,生产者会持续的在技术元数据的基础上,丰富业务相关的属性,比如打业务标签,添加应用场景描述,字段解释等。
对于数据消费者来说,他们通过Data Catalog查找和理解他们需要的数据。在用户数量和角色上看,消费者远多于生产者,涵盖了数据分析师、产品、运营等多种角色的同学。通常,消费者会通过关键字检索,或者目录浏览,来查找解决自己业务场景的数据,并浏览详情介绍,字段描述,产出关系等,进一步的理解和信任数据。
另外,Data Catalog系统中的各类元数据,也会向上服务于数据开发、数据治理两大类产品体系。
在大数据领域,各类计算和存储系统百花齐放,概念和原理又千差万别,对于元数据的采集、组织、理解、信任等,都带来了很大挑战。因此,做好一个Data Catalog产品,本身是一个门槛低、上限高的工作,需要有一个持续打磨提升的过程。
旧版本痛点
字节跳动Data Catalog产品早期为能较快解决Hive的元数据收集与检索工作,是基于LinkedIn Wherehows进行二次改造 。Wherehows架构相对简单,采用Backend + ETL的模式。初期版本,主要利用Wherehows的存储设计和ETL框架,自研实现前后端的功能模块。
随着字节跳动业务的快速发展, 公司内各类存储引擎不断引入,数据生产者和消费者的痛点都日益明显。之前系统的设计问题,也到了需要解决的阶段。具体来说:
-
用户层面痛点:
- 数据生产者: 多引擎环境下,没有便捷、友好的数据组织形式,来一站式的管理各类存储、计算引擎的技术与业务元数据
- 数据消费者: 各种引擎之间找数难,元数据的业务解释零散造成理解数难,难以信任
-
技术痛点:
- 扩展性:新接入一类元数据时,整套系统伤筋动骨,开发成本月级别
- 可维护性:经过一段时间的修修补补,整个系统显的很脆弱,研发人员不敢随便改动;存储依赖重,同时使用了MySQL、ElasticSearch、图数据库等系统存储元数据,维护成本很高;接入一种元数据会增加2~3个ETL任务,运维成本直线上升
新版本目标
基于上述痛点,火山引擎 DataLeap 研发人员重新设计实现Data Catalog系统,希望能达成如下目标:
- 产品能力上,帮助数据生产者方便快捷组织元数据,数据消费者更好的找数和理解数
- 系统能力上,将接入新型元数据的成本从月级别降低为星期甚至天级别,架构精简,单人业余时间可运维
业界产品调研
站在巨人的肩膀上,动手之前火山引擎 DataLeap 研发人员针对业界主流DataCatalog产品做了产品功能和技术调研。因各个系统都在频繁迭代,数据仅供参考。
产品分类 | 产品名称 | 支持元数据种类 | 重要产品功能 | 机器学习能力 | 获取信息途径 | 特点分析 |
---|---|---|---|---|---|---|
独角兽 | C** | 40+ | 搜索、血缘、标签、评价与打分、认证、问答、Connector市场等 | 有 | demo和文档 | 功能丰富,成熟度高,产品设计上有诸多可借鉴之处 |
A** | 60+ | 搜索、血缘、标签、问答、Connector市场等 | 有 | demo和文档 | 功能较丰富,成熟度较高,产品能力可做参考 | |
开源 | A** A** | 10+ | 搜索、血缘、标签等 | 无 | 源码和文档 | 离线相关数据源支持较好,类型系统和存储系统设计巧妙,但产品侧能力弱。近期迭代较缓慢 |
L** D** | 40+ | 搜索、血缘、标签、统计大盘等 | 无 | 源码和文档 | 发展较快,背后商业化公司支持力度大,有在线demo环境可随时体验,功能简单直接 | |
商业化 | A** P** | 30+ | 搜索、血缘、标签、统计大盘等 | 无 | 产品体验和文档 | 功能较简单,与其公有云结合紧密,部分功能有借鉴意义 |
升级思路
根据调研结论,结合字节已有业务特点,火山引擎 DataLeap 研发人员敲定了以下发展思路:
- 对于搜索、血缘这类核心能力,做深做强,对齐业界领先水平
- 对于各产品间特色功能,挑选适合字节业务特点的做融合
- 技术体系上,存储和模型能力基于Apache Atlas改造,应用层支持从旧版本平滑迁移