

分布式及高可用元数据采集原理

EAWorld

2019-10-15

导读：如何保持稳定并使用主流技术来提升采集效率？

转载本文需注明出处：微信公众号EAWorld，违者必究。

引言：

元数据采集是元数据产品的核心部分，如何提升采集效率是需要仔细斟酌的事情，既要保持稳定性也要保持跟上主流技术的发展趋势。元数据产品从最初集中式WEB应用系统到现在流行的分布式、微服务这种系统架构，原有元数据采集效率已不能满足应用的需求了。

目录：

1.元数据采集原理

2.分布式采集策略

3.分布式采集策略的应用

1.元数据采集原理

我们要想采集元数据首先得明白，什么是元数据，元数据都存在哪里，为什么采集元数据？

元数据MetaData通俗的解释是用来描述数据的数据，实际来看，除了业务逻辑直接读写处理的那些业务数据，所有其它用来维持整个系统运转所需的信息／数据都可以叫作元数据。比如数据库的Schema、Table、Column信息，任务的血缘关系，用户和脚本／任务的权限映射关系信息等等。

以大数据平台为例，元数据贯穿大数据平台数据流动的全过程，主要包括数据源元数据、数据加工处理过程元数据、数据主题库专题库元数据、服务层元数据、应用层元数据等。

数据治理关键就是收集信息，很明显，没有数据就无从分析，也就无法有效的对平台的数据链路进行管理和改进。所以元数据管理平台很重要的一个功能就是信息的收集，至于收集哪些信息，取决于业务的需求和我们需要解决的目标问题。

如何采集元数据？

元数据采集是指获取数据生命周期中的元数据，对元数据进行组织，然后将元数据写入数据库中的过程。

不同来源的元数据获取获取方式也不大相同，在采集方式上有使用包括数据库直连、接口、日志文件等技术手段，对结构化数据的数据字典、非结构化数据的元数据信息、业务指标、代码、数据加工过程等元数据信息进行自动化和手动采集，元数据采集完成后，被组织成符合CWM模型的结构，存储在关系型数据库中。

2.分布式采集架构

现在人们对元数据管理工具采集的元数据时效性越来越高，我们元数据管理工具会管理很多来源的元数据，配置很多采集任务定时去采集，如何高效的完成采集任务，影响着元数据管理工具存储的元数据时效性。我们原先采集任务策略是单一采集程序串行执行采集任务，这样的策略采集效率是很低的，为了提高采集效率，我们就采用多个采集程序并发执行采集任务。

常见的元数据管理工具架构是传统的集中式WEB应用架构，所有的功能模块都集中在一个应用程序中。

3.分布式采集架构的应用

我们在某一证券公司做数据治理时，发现该客户的网络架构比较复杂，它的网络架构大概分为三层业务系统层、数据采集层和数据存储层。

业务系统分布业务系统层的不同地域，比如A业务系统在北京，B业务系统在上海，C业务系统在广州等。我们要想访问个各个业务系统的数据库只能通过数据采集层的代理IP去访问，不同地域的业务系统代理的IP地址网段也是不同的，数据采集层各个网段之间不能连通，数据存储层是可以和数据采集层的所有网段直接连通的。

我们现在元数据的架构是分为应用程序和采集服务两部分，应用程序和采集程序是一对一的关系，针对这种网络情况，我们要对元数据产品的架构做调整。

一、将元数据的应用程序与采集服务改为一对多模式，这样我们得需要一个采集服务管理模块，可以对采集服务的信息(IP,端口)进行维护(增删改)，采集的目标数据源与采集程序服务进行映射，一个目标数据源可以配置主备采集服务，主采集服务发生故障后，可以通过备采集服务继续采集工作。

采集服务管理模块要考虑易操作性和适用性，如：查看采集服务运行情况、设置默认采集服务等等。

二、元数据采集任务调整为并行执行，现在采集元数据步骤为获取元数据>入临时表>与正式表比对，更新元数据ID，得到元数据的变更信息>将元数据和变更信息入正式表。

采集任务调整为并行执行的主要的难点是如何取消临时表，因为临时表在元数据存储数据库中只有一份，只有等待当前采集任务执行完毕，清空临时表后，才能执行下一次采集任务。

临时表的作用是：

更新元数据ID和找出新增、修改和删除的元数据，采集元数据时，都会给每一个元数据生成随机的UUID当作元数据ID，与正式表作比对时，如果某一元数据之前已经入库，需要将该元数据的临时表里的ID更新成正式表里的ID。

取消临时表的举措：

1、我们选择将元数据编码+元数据类型+元数据父级路径这三项数据进行MD5加密生成的字符串作为元数据的ID，这样元数据的ID也就固定了，不需要和正式表里做比对了。

2、通过元数据ID去正式表里查询就可得出哪些元数据是新增和删除的。

我们将元数据的所有属性值进行MD5加密生成的字符串作为元数据的属性ID，这样通过比对元数据的属性ID就可得知该元数据是否修改了。

这样我们就可以取消临时表，在采集服务程序中就可以将元数据和正式表数据作比对，得到变化的元数据，将元数据记录直接写入到数据库中的正式表，元数据采集任务也就可以并行执行了。

我们在数据采集层各个网段都部署采集服务，这样就实现了高并发元数据采集，这种分布式采集策略优点是：

1、采集元数据效率快

2、可以并行执行采集任务

3、可以适应复杂网络环境的元数据采集。

精选提问：

问1：请问如何提高元数据采集的效率，减少对第三方系统的影响？

答：主要有两个方面，1、提高采集效率，减少占用第三方系统的时间，2、选择在第三方系统空闲时间进行采集。

问2：通过元数据ID去正式表里查询就可得出哪些元数据是新增和删除的。删除的元数据，是不是一次采集的全部数据都得在内存中？如果一次采集的数据，内存装不下呢？另外就是，使用数据库事务肯定是不行的了，那如果数据写到一半，因为一些原因出异常了，这数据的一致性是怎么考虑的？

答：采集元数据时可以分批次抽取数据，例如采集某一数据库，可以先采集一部分Schema，入库之后，再采集另一部分，这样可以解决内存的溢出问题。写入数据时，一次采集会在数据库里创建一个临时表(temporary table),先将数据写入到临时表，然后在复制临时表数据到正式表，这样可以保证数据的一致性。

问3：元数据采集过程中和之后，在安全方面应该考虑哪些？

答：采集过程遵循最小权限原则，例如采集数据库元数据时给用户设置最小权限，在使用元数据管理工具时，给不同的用户赋不同的查看、修改、删除等权限。

问4：元数据在金融领域实用哪些场景？

答：金融领域这块主要是监管报送数据来源分析，保证数据来源的准确性。

问5：元数据采集、安全传输、综合应用、版本维护这些在普元的元数据方案中如何体现的？

答：元数据采集是通过分布式采集来实现的，通过部署采集端实现不同来源元数据的采集。传输过程目前是通过数据库jdbc访问方式实现，给用户设置最小权限，保证数据采集过程安全。综合应用中提供了影响分析、数据地图应用场景，版本管理是对元数据版本的管理，是综合运用的一块内容。

问6：元数据是描述数据的数据，元数据的质量如何保障，对于采集到的元数据如何提升挖掘分析能力，也就是元数据的关联分析都有哪些模型？

答：元数据的质量是通过管理+技术的手段来保证的。管理方面要制定元数据的标准，从元数据的完整性、准确性、时效性等不同维度来制定管理的规范。技术方面要提供功能支撑。

问7：元数据分布式采集中，元数据的版本如何管理？元数据存储都有哪些数据库，对于元数据分布式采集和存储，一般支持的数据库有哪些元数据版本管理？

答：你说版本管理应该是元数据变更后的历史信息管理吧，采集时通过元数据ID比对，刷选出新增或删除的元数据，比对属性ID，筛选出修改的元数据，把变更信息记录数据库中。元数据存储库常见的有MySql和Oracle。

问8：元数据采集的核心是什么呢？

答：元数据采集的核心是扩展性和采集的准确性，元数据管理涉及到不同来源和不同类型的数据，要有良好的扩展性，还要保证采集的准确性，如果采集准确性都不能保证，管理员就不能做出有效的决策。