如何轻松做数据治理？开源技术栈告诉你答案

　　搭建一套数据治理体系耗时耗力，但或许我们没有必要从头开始搞自己的数据血缘项目。本文分享如何用开源、现代的 DataOps、ETL、Dashboard、元数据、数据血缘管理系统构建大数据治理基础设施。 元数据治理系统
　　元数据治理 系统是一个提供了所有数据在哪、格式化方式、生成、转换、依赖、呈现和所属的 一站式视图 。
　　元数据治理系统是所有数据仓库、数据库、表、仪表板、ETL 作业等的 目录接口 （catalog），有了它，我们就不用在群里喊 ＂大家好，我可以更改这个表的 schema 吗？＂、 ＂请问谁知道我如何找到 table-view-foo-bar 的原始数据？＂… 一个成熟的数据治理方案中的元数据治理系统，对数据团队来说非常必要。
　　而 数据血缘 则是元数据治理系统众多需要管理的元数据之一，例如，某些 Dashboard 是某一个 Table View 的下游，而这个 Table View 又是从另外两个上游表 JOIN 而来。显然，应该清晰地掌握、管理这些信息，去构建一个可信、可控的系统和数据质量控制体系。 数据治理的可行方案数据治理方案设计
　　元数据和数据血缘本质上非常适合采用图数据建模、图数据库。因为数据治理涉及的典型查询便是面向图关系的查询，像 ＂查找指定组件（即表）的所有 n 度（深度）的数据血缘＂ 就是图查询语句  FIND ALL PATH   跑起来的事。从日常大家在论坛、微信群里讨论的查询和图建模来看，NebulaGraph 社区很多人在从零开始搭建数据血缘系统，而这些工作看起来大多是在重复造轮子，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完备、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缘、数据治理问题。这个套数据系统会采用市面上优秀的开源项目，而图数据库这块还是采用大家的老朋友 ——NebulaGraph。希望对大家能有所启发，在此基础之上拥有一个相对完善的图模型，以及设计精巧、开箱即用的元数据治理系统。
　　下面，来看看元数据治理系统的轮子都需要哪些功能组件： 元数据抽取这部分需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 和应用、服务中搞数据。 元数据存储可以存在数据库、图数据库里，甚至存成超大的 JSON manifest 文件都行 元数据目录接口系统 Catalog提供 API / GUI 来读写元数据和数据血缘系统
　　下图是整个方案的简单示意图：
　　其中，上面的虚线框是元数据的来源与导入、下面的虚线框是元数据的存储与展示、发现。
　　开源技术栈
　　下面，介绍下数据治理系统的每个部分。 数据库和数仓
　　为了处理和使用原始和中间数据，这里一定涉及至少一个数据库或者数仓。它可以是 Hive、Apache Delta、TiDB、Cassandra、MySQL 或 Postgres。
　　在这个参考项目中，我们选一个简单、流行的 Postgres。
　　✓ 数据仓库：Postgres 数据运维 DataOps
　　我们应该有某种 DataOps 的方案，让 Pipeline 和环境具有可重复性、可测试性和版本控制性。
　　在这里，我们使用了 GitLab 创建的 Meltano。
　　Meltano 是一个 just-work 的 DataOps 平台，它可以用巧妙且优雅的方式将 Singer 作为 EL 和 dbt 作为 T 连接起来。此外，它还连接到其他一些 dataInfra 实用程序，例如 Apache Superset 和 Apache Airflow 等。
　　至此，我们又纳入了一个成员：
　　✓ GitOps：Meltano https://gitlab.com/meltano/meltano ETL 工具
　　上面我们提到过组合 Singer 与 Meltano 将来自许多不同数据源的数据 E（提取）和 L（加载）数据目标，并使用 dbt 作为 Transform 的平台。于是我们得到：
　　✓ EL：Singer ✓ T: dbt 数据可视化
　　在数据之上创建 Dashboard、图表和表格得到数据的洞察是很符合直觉的，类似大数据之上的 Excel 图标功能。
　　Apache Superset 是我很喜欢的开源数据可视化项目，我准备用它来作为被治理管理的目标之一。同时，还会利用它实现可视化功能来完成元数据洞察。于是，
　　✓ Dashboard：Apache Superset 任务编排（DAG Job Orchestration）
　　在大多数情况下，我们的 DataOps 作业、任务会演变成需要编排系统的规模，我们可以用 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（编排系统中的有向无环图）、应用与服务的各个生命周期阶段中都将存着海量的元数据，需要对它们的管理员和团队进行协同管理、连接和发现。
　　Linux Foundation Amundsen 是解决该问题的最佳项目之一。 Amundsen 用图数据库为事实源（single source of truth）以加速多跳查询，Elasticsearch 为全文搜索引擎。它在顺滑地处理所有元数据及其血缘之余，还提供了优雅的 UI 和 API。 Amundsen 支持多种图数据库为后端，这里咱们用 NebulaGraph。
　　现在的技术栈：
　　✓ 数据发现：Linux Foundation Amundsen ✓ 全文搜索：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
　　本次实践的项目方案已开源，你可以访问 https://github.com/wey-gu/data-lineage-ref-solution 来获得对应的代码。
　　整个实践过程，我遵循了尽量干净、鼓励共建的原则。项目预设在一个 unix-like 系统上运行，且联网和装有 Docker-Compose。
　　这里，我将在 Ubuntu 20.04 LTS X86_64 上运行它，当然在其他发行版或 Linux 版本上应该也没有问题。 运行一个数仓、数据库
　　首先，安装 Postgres 作为我们的数仓。
　　这个单行命令会创建一个使用 Docker 在后台运行的 Postgres，进程关闭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
　　我们可以用 Postgres CLI 或 GUI 客户端来验证命令是否执行成功。 DataOps 工具链部署
　　接下来，安装有机结合了 Singer 和 dbt 的 Meltano。
　　Meltano 帮助我们管理 ETL 工具（作为插件）及其所有配置和 pipeline。这些元信息位于 Meltano 配置及其系统数据库中，其中配置是基于文件的（可以使用 GitOps 管理），它的默认系统数据库是 SQLite。 安装 Meltano
　　使用 Meltano 的工作流是启动一个 ＂meltano 项目＂ 并开始将 E、L 和 T 添加到配置文件中。Meltano 项目的启动只需要一个 CLI 命令  meltano init yourprojectname  。不过，在那之前，先用 Python 的包管理器 pip 或者 Docker 镜像安装 Meltano，像我示范的这样：
　　在 Python 虚拟环境中使用 pip 安装 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  with your own one touch .env meltano init 
　　或者，用 Docker 容器安装 Meltano： docker pull meltano/meltano:latest docker run --rm meltano/meltano --version  # init a project mkdir meltano_projects && cd meltano_projects  # replace  with your own one touch .env docker run --rm -v ＂$(pwd)＂:/projects               -w /projects --env-file .env               meltano/meltano init 
　　除了知晓  meltano init   之外，最好掌握 Meltano 部分命令，例如  meltano etl   表示 ETL 的执行， meltano invoke    来调用插件命令。详细可以参考它的速查表 https://docs.meltano.com/reference/command-line-interface。 Meltano GUI 界面
　　Meltano 自带一个基于 Web 的 UI，执行  ui   子命令就能启动它： meltano ui
　　它默认会跑在  http://localhost:5000   上。
　　针对 Docker 的运行环境，在暴露 5000 端口的情况下运行容器即可。由于容器的默认命令已经是  meltano ui  ，所以  run   的命令只需： docker run -v ＂$(pwd)＂:/project               -w /project               -p 5000:5000               meltano/meltano Meltano 项目示例
　　GitHub 用户 Pat Nadolny 在开源项目 singer_dbt_jaffle 中做了很好的示例。他采用 dbt 的 Meltano 示例数据集，利用 Airflow 编排 ETL 任务。
　　不只这样，他还有利用 Superset 的例子，见 jaffle_superset。
　　前人种树我们来吃果，按照 Pat Nadolny 的实践，我们可以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
　　注意，上面我们已经启动了 Postgres，可以跳过容器启动 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
　　现在，我们可以连接到 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 系统
　　现在，我们的数据仓库有数据了。接下来，可以试着用下这些数据。
　　像仪表盘 Dashbaord 这样的 BI 工具能帮我们从数据中获得有用的洞察。使用可视化工具 Apache Superset 可以很容易地创建和管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 本身，所以，咱们还是复用 Pat Nadolny 的 jaffle_superset 例子。 Bootstrap Meltano 和 Superset
　　创建一个安装了 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，做一些细微的调整：
　　克隆 repo，进入  jaffle_superset   项目： git clone https://github.com/pnadolny13/meltano_example_implementations.git cd meltano_example_implementations/meltano_projects/jaffle_superset/
　　修改 meltano 配置文件，让 Superset 连接到我们创建的 Postgres： vim meltano_projects/jaffle_superset/meltano.yml
　　这里，我将主机名更改为 ＂10.1.1.111＂，这是我当前主机的 IP。如果你是 Windows 或者 macOS 上的 Docker Desktop，这里不要修改主机名，否则就要和我一样手动改成实际地址： --- 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
　　添加 Postgres 登录的信息到  .env   文件： echo PG_USERNAME=lineage_ref >> .env echo PG_PASSWORD=lineage_ref >> .env
　　安装 Meltano 项目，运行 ETL 任务： meltano install meltano run tap-csv target-postgres dbt:run
　　调用、启动 Superset，这里注意  ui   不是 meltano 的内部命令，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
　　通过浏览器访问  http://localhost:8088/   就是 Superset 的图形界面了：
　　创建一个 Dashboard
　　现在，我们站在 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，选择图表类型和数据集。在这里，我选择了  orders   表作为数据源和  Pie Chart   图表类型：
　　点击  CREATE NEW CHART   后，在图表定义视图中选择 ＂status＂ 的 ＂Query＂ 为 ＂DIMENSIONS＂，＂COUNT (amount)＂ 为 ＂METRIC＂。至此，咱们就可以看到每个订单状态分布的饼图了。
　　点击  SAVE  ，系统会询问应该将此图表添加到哪个 Dashboard。选择后，单击  SAVE & GO TO DASHBOARD  。
　　在 Dashboard 中，我们可以看到所有的图表。这不，你可以看到我额外添加的、用来显示客户订单数量分布的图表：
　　点  ···   能看到刷新率设置、下载渲染图等其他的功能。
　　现在，我们有一个简单但典型的 HomeLAB 数据技术栈了，并且所有东西都是开源的！
　　想象一下，我们在 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项目，这些项目使用、生成不同的应用与服务、Dashbaord 和数据库。当有人想要查找、发现或者修改其中的一些表、数据集、Dashbaord 和管道，在沟通和工程方面可能都是非常不好管理的。
　　上面我们提到，这个示例项目的 主要功能是元数据发现系统 。 元数据发现系统
　　现在，需要我们部署一个带有 NebulaGraph 和 Elasticsearch 的 Amundsen。有了 Amundsen，我们可以在一个地方发现和管理整个数据栈中的所有元数据。
　　Amundsen 主要有两个部分组成： 元数据导入 Metadata IngestionAmundsen Databuilder 元数据目录服务 Metadata CatalogAmundsen Frontend ServiceAmundsen Metadata ServiceAmundsen Search Service
　　它的工作原理是：利用  Databuilder   提取不同数据源的元数据，并将元数据持久化到  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
　　我们用 docker-compose 部署一个 Amundsen 集群。由于 Amundsen 对 NebulaGraph 后端的支持 pr#1817 尚未合并，还不能用官方的代码。这里，先用我的 fork 版本。
　　先克隆包含所有子模块的 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
　　由于这个 docker-compose 文件是供开发人员试玩、调试 Amundsen 用的，而不是给生产部署准备的，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，我们使用 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 系统一样，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 作业可以作为脚本运行，也可以用 Apache Airflow 等 DAG 平台进行编排。
　　安装 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 脚本来把示例的虚拟数据导进去。 python3 example/scripts/sample_data_loader_nebula.py 验证一下 Amundsen
　　在访问 Amundsen 之前，我们需要创建一个测试用户： # 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
　　然后我们可以在  http://localhost:5000   查看 UI 并尝试搜索  test  ，它应该会返回一些结果。
　　然后，可以单击并浏览在  sample_data_loader_nebula.py   期间加载到 Amundsen 的那些示例元数据。
　　此外，我们还可以通过 NebulaGraph Studio 的地址  http://localhost:7001   访问 NebulaGraph 里的这些数据。
　　下图显示了有关 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
　　设置好基本环境后，让我们把所有东西穿起来。还记得我们有 ELT 一些数据到 PostgreSQL 吗？
　　那么，我们如何让 Amundsen 发现这些数据和 ETL 的元数据呢？ 提取 Postgres 元数据
　　我们从数据源开始：首先是 Postgres。
　　我们为 Python3 安装 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
　　我们看看把 Postgres 元数据加载到 NebulaGraph 的示例脚本的代码，非常简单直接： # 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)
　　第一个工作路径是： PostgresMetadata --> CSV --> NebulaGraph  PostgresMetadataExtractor   用于从 Postgres 中提取元数据，可以参考文档 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 格式发布到 NebulaGraph
　　第二个工作路径是： 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。
　　请注意，在生产环境中，我们可以在脚本中或使用 Apache Airflow 等编排平台触发这些作业。 验证 Postgres 中元数据的获取
　　搜索  payments   或者直接访问  http://localhost:5000/table_detail/warehouse/postgres/public/payments  ，你可以看到我们 Postgres 的元数据，比如：
　　像上面的屏幕截图一样，我们可以轻松完成元数据管理操作，如：添加标签、所有者和描述。 提取 dbt 元数据
　　其实，我们也可以从 dbt 本身提取元数据。
　　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。
　　在上面的 Meltano 章节中，我们已经使用  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.json dbt 元数据 ETL 的执行
　　我们试着解析示例 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
　　其中主要的代码如下： # 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 的唯一区别是  extractor=DbtExtractor()  ，它带有以下配置以获取有关 dbt 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 抓取结果
　　搜索  dbt_demo   或者直接访问  http://localhost:5000/table_detail/dbt_demo/snowflake/public/raw_inventory_value  ，可以看到
　　这里给一个小提示，其实，我们可以选择启用 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 中探索导入的数据：
　　先点击  Start with Vertices  ，并填写顶点 vid： snowflake://dbt_demo.public/fact_warehouse_inventory
　　我们可以看到顶点显示为粉红色的点。再让我们修改下  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：
　　像截图展示的那般，在可视化之后的图数据库中，这些元数据可以很容易被查看、分析，并从中获得洞察。
　　而且，我们在 NebulaGraph Studio 中看到的同 Amundsen 元数据服务的数据模型相呼应：
　　最后，请记住我们曾利用 dbt 来转换 Meltano 中的一些数据，并且清单文件路径是  .meltano/transformers/dbt/target/catalog.json  ，你可以尝试创建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 可以获取 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，现在试试提取之前创建的 Superset Dashboard 的元数据。 Superset 元数据 ETL 的执行
　　下边执行的示例 Superset 提取脚本可以获取数据并将元数据加载到 NebulaGraph 和 Elasticsearch 中。 python3 sample_superset_data_loader_nebula.py
　　如果我们将日志记录级别设置为  DEBUG  ，我们实际上可以看到这些中间的过程日志： # 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 中搜索它，我们现在可以获得 Dashboard 信息。
　　我们也可以从 NebulaGraph Studio 进行验证。
　　注：可以参阅 Dashboard 抓取指南中的 Amundsen Dashboard 图建模：
　　用 Superset 预览数据
　　Superset 可以用来预览表格数据，文档可以参考 https://www.amundsen.io/amundsen/frontend/docs/configuration/#preview-client，其中  /superset/sql_json/   的 API 被  Amundsen Frontend Service   调用，取得预览信息。
　　开启数据血缘信息
　　默认情况下，数据血缘是关闭的，我们可以通过以下方式启用它：
　　第一步， cd   到 Amundsen 代码仓库下，这也是我们运行  docker-compose -f docker-amundsen-nebula.yml up   命令的地方： cd amundsen
　　第二步，修改 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，重新构建 Docker 镜像，其中将重建前端图像。 docker-compose -f docker-amundsen-nebula.yml build
　　第四步，重新运行  up -d   以确保前端用新的配置： docker-compose -f docker-amundsen-nebula.yml up -d
　　结果大概长这样子： $ docker-compose -f docker-amundsen-nebula.yml up -d ... Recreating amundsenfrontend           ... done
　　之后，我们可以访问  http://localhost:5000/lineage/table/gold/hive/test_schema/test_table1   看到  Lineage （beta）   血缘按钮已经显示出来了：
　　我们可以点击  Downstream   查看该表的下游资源：
　　或者点击血缘按钮查看血缘的图表式：
　　也有用于血缘查询的 API。
　　下面这个例子中，我们用 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＂
　　上面的 API 调用是查询上游和下游方向的 linage，表  snowflake://dbt_demo.public/raw_inventory_value   的深度为 3。
　　结果应该是这样的： {     ＂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，这个血缘数据就是在我们的 dbtExtractor 执行期间提取和加载的，其中  extractor .dbt.{DbtExtractor.EXTRACT_LINEAGE}   默认为  true  ，因此，创建了血缘元数据并将其加载到了 Amundsen。 在 NebulaGraph 中洞察血缘
　　使用图数据库作为元数据存储的两个优点是：
　　图查询本身是一个灵活的 DSL for lineage API ，例如，这个查询帮助我们执行 Amundsen 元数据 API 的等价的查询： 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 的控制台中查询下：
　　渲染下这个结果：
　　提取数据血缘
　　这些血缘信息是需要我们明确指定、获取的，获取的方式可以是自己写 Extractor，也可以是用已有的方式。比如：dbt 的 Extractor 和 Open Lineage 项目的 Amundsen Extractor。 通过 dbt
　　这个在刚才已经展示过了，dbt 的 Extractor 会从表级别获取血缘同其他 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缘 Extractor 是 OpenLineageTableLineageExtractor。
　　Open Lineage 是一个开放的框架，可以将不同来源的血统数据收集到一个地方，它可以将血统信息输出为 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 / 发现的方案思路如下： 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 等各级项目） 使用 Databuilder（作为脚本或 DAG）运行元数据 ETL，以使用 NebulaGraph 和 Elasticsearch 存储和索引 从前端 UI（使用 Superset 预览）或 API 去使用、消费、管理和发现元数据 通过查询和 UI 对 NebulaGraph，我们可以获得更多的可能性、灵活性和数据、血缘的洞察
　　涉及到的开源
　　此参考项目中使用的所有项目都按字典顺序在下面列出。 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？现在可以用用 NebulaGraph Cloud 来搭建自己的图数据系统哟，快来节省大量的部署安装时间来搞定业务吧~ NebulaGraph 阿里云计算巢现 30 天免费使用中~
　　想看源码的小伙伴可以前往 GitHub 阅读、使用、(^з^)-☆ star 它 -> GitHub：https://github.com/vesoft-inc/nebula