一、背景

大数据挑战

大数据时代，饿了么面临数据管理、数据使用、数据问题等多重挑战。具体可以参考下图：

数据问题：多种执行、存储引擎，分钟、小时、天级的任务调度，怎样梳理数据的时间线变化?

数据使用：任务、表、列、指标等数据，如何进行检索、复用、清理、热度Top计算?

数据管理：怎样对表、列、指标等进行权限控制、任务治理以及上下游依赖影响分析?

元数据定义与价值

元数据打通数据源、数据仓库、数据应用，记录了数据从产生到消费的完整链路。它包含静态的表、列、分区信息(也就是MetaStore);动态的任务、表依赖映射关系;数据仓库的模型定义、数据生命周期;以及ETL任务调度信息、输入输出等。

元数据是数据管理、数据内容、数据应用的基础。例如可以利用元数据构建任务、表、列、用户之间的数据图谱;构建任务DAG依赖关系，编排任务执行序列;构建任务画像，进行任务质量治理;数据分析时，使用数据图谱进行字典检索;根据表名查看表详情，以及每张表的来源、去向，每个字段的加工逻辑;提供个人或BU的资产管理、计算资源消耗概览等。

开源解决方案

WhereHows是LinkedIn开源的元数据治理方案。Azkaban调度器抓取job执行日志，也就是Hadoop的JobHistory，Log Parser后保存DB，并提供REST查询。WhereHows太重，需要部署Azkaban等调度器，以及只支持表血缘，功能局限。

Atlas是Apache开源的元数据治理方案。Hook执行中采集数据(比如HiveHook)，发送Kafka，消费Kafka数据，生成Relation关系保存图数据库Titan，并提供REST接口查询功能，支持表血缘，列级支持不完善。

二、饿了么元数据系统架构

DB保存任务的SQL数据、任务基础信息、执行引擎上下文信息;

Extract循环抽取SQL并解析成表、列级血缘Lineage;

DataSet包含Lineage关系数据+任务信息+引擎上下文;

将DataSet数据集保存到Neo4j，并提供关系查询;保存ES，提供表、字段等信息检索。

SQL埋点与采集

饿了么的SQL数据，以执行中采集为主+保存前submit为辅。因为任务的SQL可能包含一些时间变量，比如dt、hour，以及任务可能是天调度、小时调度。执行中采集SQL实时性更高，也更容易处理。

EDW是饿了么的调度系统，类比开源的AirFlow。调度系统执行任务，并将任务相关的信息，比如appId、jobId、owner、SQL等信息存入DB。

计算引擎实现相关的监听接口，比如Hive实现Execute With Hook Context接口;Spark实现Spark Listener接口;Presto实现Event Listener接口。将计算引擎相关的上下文Context、元数据MetaData、统计Statistics等信息存入DB。

SQL解析

解析SQL的方案，以Hive为例。先定义词法规则和语法规则文件，然后使用Antlr实现SQL的词法和语法解析，生成AST语法树，遍历AST语法树完成后续操作。

但对于SELECT *、CTAS等操作，直接遍历AST，不去获取Schema信息来检查表名、列名，就无法判定SQL的正确性，导致数据污染。

综上所述，饿了么的SQL解析方案，直接参考Hive的底层源码实现。

以本土做简单示例，先经过Semantic Analyzer Factory类进行语法分析，再根据Schema生成执行计划QueryPlan。关于表、列的血缘，可以从LineageInfo、LineageLogger类中获得解决方案。

当然，你需要针对部分类型SQL设置Hive Conf，比如“开启动态分区非严格模式”。对于CTAS类型，需要设置Context。UDF函数需要修改部分Hive源码，避免UDF Registry检查。

饿了么解析血缘的SQL支持的操作有：Query(包含selectinsert intoinsert overwrite)、CreateTable、CreateTableAsSelect、DropTable、CreateView、AlterView。基本覆盖饿了么生产环境99%+的SQL语法。

举个栗子

举个栗子，根据上面的SQL，分别产生表、列血缘结构。

input是表、列输入值;output是表、列输出值;operation代表操作类型。比如表A+B通过insert，生成表C，则延展成A insert C; B insert C。

列式也一样：

input：name,
operation: coalesce(name, count(id)),
output: lineage_name;

input: id,
operation: coalesce(name, count(id)),
output：lineage_name

表血缘结构

列血缘结构

图存储

有了input、operation、output关系，将input、output保存为图节点，operation保存为图边。图数据库选用Gremlin+Neo4j。

Gremlin是图语言，存储实现方案比较多，Cypher查询不太直观，且只能Neo4j使用。社区版Neo4j只能单机跑，我们正在测试OrientDB。

三、饿了么部分使用场景

下面是饿了么在元数据应用上的部分场景：

静态的Hive MetaStore表，比如DBS、TBLS、SDS、COLUMNS_V2、TABLE_PARAMS、PARTITIONS，保存表、字段、分区、Owner等基础信息，便于表、字段的信息检索功能。

提供动态的表依赖血缘关系查询。节点是表基础信息，节点之间的边是Operation信息，同时附加任务执行Id、执行时间等属性。列血缘结构展示等同表血缘结构。

根据SQL的input、output构建表的依赖关系，进一步构建任务的DAG依赖结构。可以对任务进行DAG调度，重新编排任务执行序列。

Q & A

Q1：咱们的数据生命周期是如何管理的，能具体说下吗?

A：表级数据进行热度分析，比如近三个月没人访问，是否可以下线，特别是一些临时表 需要定时清理。

Q2：质量监控会影响到任务调度编排么?

A：会影响质量编排，构建DAG依赖执行。

Q3：把从SQL中的埋点数据存储到MySQL中，是如何规划的?这些埋点信息不应该像是日志数据一样被处理吗?存储在MySQL中是有自增全局ID的么?还是说你们是对任务和表分别有MySQL表，然后更新MySQL表中任务和表甚至列的信息么?这里的MySQL表就是您说的DataSet么?

A：任务jobid进行唯一，MySQL只保存执行的SQL，以及任务本身的信息，比如owner time jobid等等。

Q4：当前的支持非SQL形式生成表么?比如直接用Spark RDD任务或者Spark MLlib任务取表和生成表?

A：只支持SQL表达。

Q5：你们是怎么做热度分析的?刚才的讲解里，这个点讲得比较少。

A：任务操作的SQL产生input output表，对表进行counter就能top counter，列也一样。

Q6：你们管理的表分线上表和线下表么?在处理的时候用到了一些临时表该怎么处理?

A：对的，线上还是线下，任务调度系统埋点，临时表根据temp就知道了。

Q7：数据血缘关系如果使用Hive hook方式获取，是需要在每个执行节点中做捕捉吗?

A：Hive hook就是执行时调用，可以去了解下底层。

Q8：解析那种复杂度很高的HQL的血缘，你们平台的解析思路是什么样子的?如何保证正确率呢?

A：会有很多复杂的ppt有代码示例，会有部分SQL需要修改Hive解析实现。

Q9：表血缘图里面的上下级关系就是数据的流向?从上到下?字段的血缘是什么样子的跟表的血缘有什么不同?有字段的血缘图吗?

A：ppt里解析那里可以看到，字段也一样，input output列然后operation

Q10：SQL埋点，引擎埋点，是要去重写Hive等的源码吗?

A：重写倒不至于，只要实现ppt里的接口，很简单。