Apache Atlas | 元数据管理框架的独舞
点击上方蓝色字关注置顶我们！
相关推荐：从TeraData下滑看数仓行业变化
☞ 关注公众号『数据仓库与Python大数据』，获取更多优质资源与干货文章。
作者： 張較痩
编辑： 紫霞仙子
正文
一、定位
Apache Atlas：Apache Atlas是Hadoop社区为解决Hadoop生态系统的元数据治理问题而产生的开源项目，它为Hadoop集群提供了包括数据分类、集中策略引擎、数据血缘、安全和生命周期管理在内的元数据治理核心能力。
Linkedin WhereHows：WhereHows是LinkedIn公司为了方便员工发现公司内部数据、跟踪数据集移动、查看各种内部工具和服务的动向，而开发的用于大数据发现和管理的工具。它从不同的源系统中采集元数据，并进行标准化和建模，从而作为元数据仓库完成血缘分析。
Linkedin DataHub：WhereHows项目已于2018年重新被LinkedIn公司设计为DataHub项目。
二、厂商
Apache Atlas：Atlas最早由HortonWorks公司开发，用来管理Hadoop项目里面的元数据，进而设计为数据治理的框架。后来开源出来给Apache社区进行孵化，目前得到Aetna，Merck，Target，SAS，IBM等公司的支持进行发展演进。因其支持横向海量扩展、良好的集成能力和开源的特点，国内大部分厂家选择使用Atlas或对其进行二次开发。
Linkedin WhereHows&DataHub：由LinkedIn开源，并主要在LinkedIn内部使用。外部应用比较少，暂时没有看到相关应用案例。
三、功能概览
Apache Atlas：
1）查看数据仓库中表与表之间的血缘依赖
2）查看数据仓库表中字段与字段之间的血缘依赖
Linkedin WhereHows：
1）查看数据仓库中表与表之间的血缘依赖
2）查看数据集和作业流血缘依赖
3）查询元数据
Linkedin DataHub：
1）搜索元数据
2）查看元数据
3）编辑元数据
4）查看数据集和作业流血缘依赖
四、架构
Apache Atlas：
MetaSource Sources：目前，Atlas支持从以下来源提取和管理元数据：Hbase、Hive、Sqoop、Storm、Kafka
Messaging：除了API之外，用户还可以选择使用基于Kafka的消息传递接口与Atlas集成
采集/导出(Ingest/Export)：采集组件允许将元数据添加到Atlas。同样，“导出”组件将Atlas检测到的元数据更改公开为事件。
类型系统(Type System)：用户为他们想要管理的元数据对象定义模型。Type System称为“实体”的“类型”实例，表示受管理的实际元数据对象。
图形引擎(Graph Engine)：Atlas 通过使用图形模型管理元数据对象。
Titan：目前，Atlas 使用 Titan 图数据库来存储元数据对象
Metadata Store<Hbase>：采用Hbase来存储元数据
IndexStore<Solr>：采用Solr来建索引
API：Atlas的所有功能都可以通过REST API提供给最终用户，允许创建、更新和删除类型和实体。它也是查询和发现通过Atlas管理的类型和实体的主要方法。
Atlas Admin UI：该组件是一个基于Web的应用程序，允许数据管理员和科学家发现和注释元数据。Admin UI提供了搜索界面和类SQL的查询语言，可以用来查询由Atlas管理的元数据类型和对象。
Tag Based Policies：权限管理模块。
Business Taxonomy：业务分类
Linkedin WhereHows：
WhereHows支持从HDFS、Teradata、Oracle、HIve、Elastic Search、Druid的数据集和Azkaban、Oozie的作业中将元数据的抽取、加载(ETL)至自身的Repo库。源系统可分为数据集类源系统和作业类源系统。
数据集类源系统：以Hive为例，WhereHows从Hive的元数据库MySQL中抽取元数据并存储在自身的元数据仓库中，从而最终可以从WhereHows中查看Hive中的元数据信息，如Hive中有哪些Database、Database下有哪些表等。WhereHows不能直接得到数据集的血缘，WhereHows中数据集的血缘是从相关作业的分析中得到的。
作业类源系统：以Azkaban为例，假设运行hive任务，则WhereHows可以从Azkaban的元数据库中获取作业信息、并从JobHistory获取实际运行的Hive或pig的日志，并对这些元数据以及日志数据解析形成血缘。
Web UI即前端Web组件，提供可视化查询功能。提供展示元数据的UI，包括Datasets和Flows两个功能视图。
REST Endpoint作为服务后端，主要提供API接口和执行ETL作业两个功能。
DataHub：
DataHub提供通过直接API调用或Kafka流的形式来摄取元数据。
元数据从Kafka获取，元数据的生成者要生产一个标准化的元数据改变事件（MCE）。
DataHub通过一组通用数据访问对象（DAO）进一步抽象底层数据系统，例如键值DAO、查询DAO和搜索DAO。通过键值DAO的任何更新操作都将自动发出元数据审计事件（MAE）。
五、对比
1）Atlas比WhereHows血缘分析粒度较细，支持字段级血缘依赖的跟踪。WhereHows仅支持表级。
2）Atlas与Apache Ranger集成，可根据与Atlas中实体相关的分类对数据访问进行授权/数据屏蔽。而WhereHows缺乏有效的用户、权限管理能力。
3）WhereHows比Atlas支持的源系统多。
4）DataHub刚立项不久，数据管理方面与WhereHows的特性差不多，侧重于元数据的发现（搜索、查询）。
5）Atlas在同行业中逐渐普及，社区活跃度远高于WhereHows和DataHub。
Reference:
使用Atlas进行元数据管理之Atlas简介
https://www.cnblogs.com/mantoudev/p/9986408.html
元数据治理 Apache Atlas
https://my.oschina.net/sunmin/blog/3064462
Apache Atlas2.0 第二节 架构理解
https://blog.csdn.net/czq850114000/article/details/95463364
Apache atlas 的入门教程
https://blog.csdn.net/cafebar123/article/details/79944247
[Atlas]拥抱开源 - 云上元数据管理
https://www.jianshu.com/p/c65f54dd5e7d
使用 Apache Atlas 进行数据治理
https://www.jianshu.com/p/8c07974111dd
Wherehows调研总结
https://blog.csdn.net/wiborgite/article/details/82467963
WhereHows解读
https://blog.csdn.net/lyly630/article/details/88192250
Wherehows项目简介
https://blog.csdn.net/u011077231/article/details/80994996
LinkedIn 开源其数据中心工具 WhereHows
https://www.jianshu.com/p/604395b49999
DataPipeline丨LinkedIn元数据之旅的最新进展—Data Hub
https://blog.csdn.net/DataPipeline/article/details/100155781
DataHub：通用的元数据搜索和发现工具
https://engineering.linkedin.com/blog/2019/data-hub
如果感觉文章有用，记得分享给你的朋友哦
（在看也是鼓励！）
更多精彩，请戳"阅读原文"到"面试系列"查看
！关注不迷路~ 各种干货、资源定期分享！