元数据管理Atlas

文章目录

一、Atlas概述
- 1、Atlas入门
- 2、Atlas架构原理
二、Atlas安装
- 1、安装环境准备
- - 1.1 安装Solr-7.7.3
  - 1.2 Atlas2.1.0安装
- 2、Atlas配置
- - 2.1 Atlas集成Hbase
  - 2.2 Atlas集成Solr
  - 2.3 Atlas集成Kafka
  - 2.4 Atlas Server配置
  - 2.5 Kerberos相关配置
  - 2.6 Atlas集成Hive
- 3、Atlas启动
三、Atlas使用
- 1、介绍
- 2、Hive元数据初次导入
- 3、Hive元数据增量同步
四、扩展内容
- 1、Atlas源码编译
- - 1.1 安装Maven
  - 1.2 编译Atlas源码
- 2、Atlas内存配置
- 3、配置用户名密码

一、Atlas概述

1、Atlas入门

Apache Atlas为组织提供开放式元数据管理和治理功能，用以构建其数据资产目录，对这些资产进行分类和管理，并为数据分析师和数据治理团队，提供围绕这些数据资产的协作功能。同时可以配合ranger对某个元数据进行权限管理

元数据分类	支持对元数据进行分类管理，例如个人信息，敏感信息等
元数据检索	可按照元数据类型、元数据分类进行检索，支持全文检索
血缘依赖	支持表到表和字段到字段之间的血缘依赖，便于进行问题回溯和影响分析等

例如表与表之间的血缘依赖

2、Atlas架构原理

二、Atlas安装

Atlas官网地址：https://atlas.apache.org/
文档查看地址：https://atlas.apache.org/2.1.0/index.html
下载地址：https://www.apache.org/dyn/closer.cgi/atlas/2.1.0/apache-atlas-2.1.0-sources.tar.gz

1、安装环境准备

Atlas安装分为：集成自带的HBase + Solr；集成外部的HBase + Solr。通常企业开发中选择集成外部的HBase + Solr，方便项目整体进行集成操作

服务名称	子服务	服务器hadoop102	服务器hadoop103	服务器hadoop104
JDK		√	√	√
Zookeeper	QuorumPeerMain	√	√	√
Kafka	Kafka	√	√	√
HBase	HMaster	√
	HRegionServer	√	√	√
Solr	Jar	√	√	√
Hive	Hive	√
Atlas	atlas	√
服务数总计		13	7	7

1.1 安装Solr-7.7.3

# 在每台节点创建系统用户solr，三台机器都创建
useradd solr
echo solr | passwd --stdin solr

# 解压solr-7.7.3.tgz到/opt/module目录，并改名为solr,102节点
wget https://archive.apache.org/dist/lucene/solr/7.7.3/solr-7.7.3.tgz
tar -zxvf solr-7.7.3.tgz -C /opt/module/
mv solr-7.7.3/ solr

# 修改solr目录的所有者为solr用户
chown -R solr:solr /opt/module/solr

# 修改solr配置文件
# 修改/opt/module/solr/bin/solr.in.sh文件中的以下属性
ZK_HOST="hadoop102:2181,hadoop103:2181,hadoop104:2181"

# 分发solr
xsync /opt/module/solr

# 启动solr集群
# 启动Zookeeper集群
zk.sh start
# 启动solr集群,出于安全考虑，不推荐使用root用户启动solr，此处使用solr用户，在所有节点执行以下命令启动solr集群
# 三台机器依次执行
sudo -i -u solr /opt/module/solr/bin/solr start
# 出现 Happy Searching! 字样表明启动成功。
# 说明：若出现警告内容是：solr推荐系统允许的最大进程数和最大打开文件数分别为65000和65000，而系统默认值低于推荐值。如需修改可参考以下步骤，修改完需要重启方可生效，此处可暂不修改。
# 修改打开文件数限制
# 修改/etc/security/limits.conf文件，增加以下内容
# * soft nofile 65000
# * hard nofile 65000
# 修改进程数限制，修改/etc/security/limits.d/20-nproc.conf文件
# *          soft    nproc     65000
# 最后重启

# 默认端口为8983，可指定三台节点中的任意一台IP，http://hadoop102:8983 
# 提示：UI界面出现Cloud菜单栏时，Solr的Cloud模式才算部署成功

1.2 Atlas2.1.0安装

# 文档：https://atlas.apache.org/#/BuildInstallation
# 可执行包涉及编译
# 把apache-atlas-2.1.0-server.tar.gz 上传到hadoop102的/opt/software目录下
tar -zxvf apache-atlas-2.1.0-server.tar.gz -C /opt/module/
mv /opt/module/apache-atlas-2.1.0 /opt/module/atlas
# # 资源获取：https://download.csdn.net/download/lemon_TT/87961006

2、Atlas配置

2.1 Atlas集成Hbase

# 修改/opt/module/atlas/conf/atlas-application.properties配置文件中的以下参数
atlas.graph.storage.hostname=hadoop102:2181,hadoop103:2181,hadoop104:2181
# 修改/opt/module/atlas/conf/atlas-env.sh配置文件
export HBASE_CONF_DIR=/opt/module/hbase/conf

2.2 Atlas集成Solr

# 修改/opt/module/atlas/conf/atlas-application.properties配置文件中的以下参数
atlas.graph.index.search.backend=solr
atlas.graph.index.search.solr.mode=cloud
atlas.graph.index.search.solr.zookeeper-url=hadoop102:2181,hadoop103:2181,hadoop104:2181
# 创建solr collection
sudo -i -u solr /opt/module/solr/bin/solr create  -c vertex_index -d /opt/module/atlas/conf/solr -shards 3 -replicationFactor 2
sudo -i -u solr /opt/module/solr/bin/solr create -c edge_index -d /opt/module/atlas/conf/solr -shards 3 -replicationFactor 2
sudo -i -u solr /opt/module/solr/bin/solr create -c fulltext_index -d /opt/module/atlas/conf/solr -shards 3 -replicationFactor 2

2.3 Atlas集成Kafka

# 修改/opt/module/atlas/conf/atlas-application.properties配置文件中的以下参数
atlas.notification.embedded=false
atlas.kafka.data=/opt/module/kafka/data
atlas.kafka.zookeeper.connect=hadoop102:2181,hadoop103:2181,hadoop104:2181/kafka
atlas.kafka.bootstrap.servers=hadoop102:9092,hadoop103:9092,hadoop104:9092

2.4 Atlas Server配置

# 修改/opt/module/atlas/conf/atlas-application.properties配置文件中的以下参数
#########  Server Properties  #########
atlas.rest.address=http://hadoop102:21000
# If enabled and set to true, this will run setup steps when the server starts
atlas.server.run.setup.on.start=false

#########  Entity Audit Configs  #########
atlas.audit.hbase.zookeeper.quorum=hadoop102:2181,hadoop103:2181,hadoop104:2181

记录性能指标，进入/opt/module/atlas/conf/路径，修改当前目录下的atlas-log4j.xml

<!--去掉如下代码的注释-->
<appender name="perf_appender" class="org.apache.log4j.DailyRollingFileAppender">
    <param name="file" value="${atlas.log.dir}/atlas_perf.log" />
    <param name="datePattern" value="'.'yyyy-MM-dd" />
    <param name="append" value="true" />
    <layout class="org.apache.log4j.PatternLayout">
        <param name="ConversionPattern" value="%d|%t|%m%n" />
    </layout>
</appender>

<logger name="org.apache.atlas.perf" additivity="false">
    <level value="debug" />
    <appender-ref ref="perf_appender" />
</logger>

2.5 Kerberos相关配置

若Hadoop集群开启了Kerberos认证，Atlas与Hadoop集群交互之前就需要先进行Kerberos认证。若Hadoop集群未开启Kerberos认证，则本节可跳过。

# 为Atlas创建Kerberos主体，并生成keytab文件
kadmin -padmin/admin -wadmin -q"addprinc -randkey atlas/hadoop102"
kadmin -padmin/admin -wadmin -q"xst -k /etc/security/keytab/atlas.service.keytab atlas/hadoop102"
# 修改/opt/module/atlas/conf/atlas-application.properties配置文件
atlas.authentication.method=kerberos
atlas.authentication.principal=atlas/hadoop102@EXAMPLE.COM
atlas.authentication.keytab=/etc/security/keytab/atlas.service.keytab

2.6 Atlas集成Hive

# 解压Hive Hook
tar -zxvf apache-atlas-2.1.0-hive-hook.tar.gz
# 将Hive Hook依赖复制到Atlas安装路径
cp -r apache-atlas-hive-hook-2.1.0/* /opt/module/atlas/
# 修改/opt/module/hive/conf/hive-env.sh配置文件
mv hive-env.sh.template hive-env.sh
# 增加如下参数
export HIVE_AUX_JARS_PATH=/opt/module/atlas/hook/hive

# 修改Hive配置文件，在/opt/module/hive/conf/hive-site.xml文件中增加以下参数，配置Hive Hook。
<property>
      <name>hive.exec.post.hooks</name>
      <value>org.apache.atlas.hive.hook.HiveHook</value>
</property>

# 修改/opt/module/atlas/conf/atlas-application.properties配置文件中的以下参数
######### Hive Hook Configs #######
atlas.hook.hive.synchronous=false
atlas.hook.hive.numRetries=3
atlas.hook.hive.queueSize=10000
atlas.cluster.name=primary

# 将Atlas配置文件/opt/module/atlas/conf/atlas-application.properties拷贝到/opt/module/hive/conf目录
cp /opt/module/atlas/conf/atlas-application.properties  /opt/module/hive/conf/

3、Atlas启动

# 启动Atlas所依赖的环境
# 在NameNode节点执行以下命令，启动HDFS
start-dfs.sh
# 在ResourceManager节点执行以下命令，启动Yarn
start-yarn.sh
# 启动Zookeeper集群
zk.sh start
# 启动Kafka集群
kf.sh start
# 启动Hbase集群
# 在HMaster节点执行以下命令，使用hbase用户启动HBase
sudo -i -u hbase start-hbase.sh
# 启动Solr集群
# 在所有节点执行以下命令，使用solr用户启动Solr
sudo -i -u solr /opt/module/solr/bin/solr start
# 进入/opt/module/atlas路径，启动Atlas服务
bin/atlas_start.py
# 错误信息查看路径：/opt/module/atlas/logs/*.out和application.log
# 停止Atlas服务命令为atlas_stop.py

# 访问Atlas的WebUI
# 访问地址：http://hadoop102:21000
# 注意：等待若干分钟。账户：admin，密码：admin

三、Atlas使用

1、介绍

Atlas的使用相对简单，其主要工作是同步各服务（主要是Hive）的元数据，并构建元数据实体之间的关联关系，然后对所存储的元数据建立索引，最终未用户提供数据血缘查看及元数据检索等功能。

Atlas在安装之初，需手动执行一次元数据的全量导入，后续Atlas便会利用Hive Hook增量同步Hive的元数据。

2、Hive元数据初次导入

Atlas提供了一个Hive元数据导入的脚本，直接执行该脚本，即可完成Hive元数据的初次全量导入。

# 导入Hive元数据
/opt/module/atlas/hook-bin/import-hive.sh 
# 按提示输入用户名：admin；输入密码：admin
# 等待片刻，出现以下日志，即表明导入成功:Hive Meta Data import was successful!!!

# 查看Hive元数据
# 搜索hive_table类型的元数据，可已看到Atlas已经拿到了Hive元数据

任选一张表查看血缘依赖关系,发现此时并未出现期望的血缘依赖，原因是Atlas是根据Hive所执行的SQL语句获取表与表之间以及字段与字段之间的依赖关系的，例如执行insert into table_a select * from table_b语句，Atlas就能获取table_a与table_b之间的依赖关系。此时并未执行任何SQL语句，故还不能出现血缘依赖关系

3、Hive元数据增量同步

Hive元数据的增量同步，无需人为干预，只要Hive中的元数据发生变化（执行DDL语句），Hive Hook就会将元数据的变动通知Atlas。除此之外，Atlas还会根据DML语句获取数据之间的血缘关系

四、扩展内容

1、Atlas源码编译

1.1 安装Maven

# Maven下载：https://maven.apache.org/download.cgi
# 把apache-maven-3.6.1-bin.tar.gz上传到linux的/opt/software目录下
# 解压apache-maven-3.6.1-bin.tar.gz到/opt/module/目录下面
tar -zxvf apache-maven-3.6.1-bin.tar.gz -C /opt/module/
# 修改apache-maven-3.6.1的名称为maven
mv apache-maven-3.6.1/ maven
# 添加环境变量到/etc/profile中
#MAVEN_HOME
export MAVEN_HOME=/opt/module/maven
export PATH=$PATH:$MAVEN_HOME/bin

source /etc/profile
# 测试
mvn -v

修改setting.xml，指定为阿里云vim /opt/module/maven/conf/settings.xml

<!-- 添加阿里云镜像-->
<mirror>
    <id>nexus-aliyun</id>
    <mirrorOf>central</mirrorOf>
    <name>Nexus aliyun</name>
<url>http://maven.aliyun.com/nexus/content/groups/public</url>
</mirror>
<mirror>
    <id>UK</id>
    <name>UK Central</name>
    <url>http://uk.maven.org/maven2</url>
    <mirrorOf>central</mirrorOf>
</mirror>
<mirror>
    <id>repo1</id>
    <mirrorOf>central</mirrorOf>
    <name>Human Readable Name for this Mirror.</name>
    <url>http://repo1.maven.org/maven2/</url>
</mirror>
<mirror>
    <id>repo2</id>
    <mirrorOf>central</mirrorOf>
    <name>Human Readable Name for this Mirror.</name>
    <url>http://repo2.maven.org/maven2/</url>
</mirror>

1.2 编译Atlas源码

https://www.apache.org/dyn/closer.cgi/atlas/2.1.0/apache-atlas-2.1.0-sources.tar.gz

# 把apache-atlas-2.1.0-sources.tar.gz上传到hadoop102的/opt/software目录下
# 解压apache-atlas-2.1.0-sources.tar.gz到/opt/module/目录下面
tar -zxvf apache-atlas-2.1.0-sources.tar.gz -C /opt/module/
# 下载Atlas依赖
export MAVEN_OPTS="-Xms2g -Xmx2g"
cd /opt/module/apache-atlas-sources-2.1.0/
mvn clean -DskipTests install
mvn clean -DskipTests package -Pdis
# 一定要在${atlas_home}执行
cd distro/target/
mv apache-atlas-2.1.0-server.tar.gz /opt/software/
mv apache-atlas-2.1.0-hive-hook.tar.gz /opt/software/

# 提示：执行过程比较长，会下载很多依赖，大约需要半个小时，期间如果报错很有可能是因为TimeOut造成的网络中断，重试即可

2、Atlas内存配置

如果计划存储数万个元数据对象，建议调整参数值获得最佳的JVM GC性能。以下是常见的服务器端选项

# 修改配置文件/opt/module/atlas/conf/atlas-env.sh
#设置Atlas内存
export ATLAS_SERVER_OPTS="-server -XX:SoftRefLRUPolicyMSPerMB=0 -XX:+CMSClassUnloadingEnabled -XX:+UseConcMarkSweepGC -XX:+CMSParallelRemarkEnabled -XX:+PrintTenuringDistribution -XX:+HeapDumpOnOutOfMemoryError -XX:HeapDumpPath=dumps/atlas_server.hprof -Xloggc:logs/gc-worker.log -verbose:gc -XX:+UseGCLogFileRotation -XX:NumberOfGCLogFiles=10 -XX:GCLogFileSize=1m -XX:+PrintGCDetails -XX:+PrintHeapAtGC -XX:+PrintGCTimeStamps"
#建议JDK1.7使用以下配置
export ATLAS_SERVER_HEAP="-Xms15360m -Xmx15360m -XX:MaxNewSize=3072m -XX:PermSize=100M -XX:MaxPermSize=512m"
#建议JDK1.8使用以下配置
export ATLAS_SERVER_HEAP="-Xms15360m -Xmx15360m -XX:MaxNewSize=5120m -XX:MetaspaceSize=100M -XX:MaxMetaspaceSize=512m"
#如果是Mac OS用户需要配置
export ATLAS_SERVER_OPTS="-Djava.awt.headless=true -Djava.security.krb5.realm= -Djava.security.krb5.kdc="
# 参数说明： -XX:SoftRefLRUPolicyMSPerMB 此参数对管理具有许多并发用户的查询繁重工作负载的GC性能特别有用

3、配置用户名密码

Atlas支持以下身份验证方法：File、Kerberos协议、LDAP协议，通过修改配置文件atlas-application.properties文件开启或关闭三种验证方法

atlas.authentication.method.kerberos=true|false
atlas.authentication.method.ldap=true|false
atlas.authentication.method.file=true|false

如果两个或多个身份证验证方法设置为true，如果较早的方法失败，则身份验证将回退到后一种方法。例如，如果Kerberos身份验证设置为true并且ldap身份验证也设置为true，那么，如果对于没有kerberos principal和keytab的请求，LDAP身份验证将作为后备方案。

本文主要讲解采用文件方式修改用户名和密码设置。其他方式可以参见官网配置即可。

# 打开/opt/module/atlas/conf/users-credentials.properties文件
vim users-credentials.properties
#username=group::sha256-password
# admin时用户名称，8c6976e5b5410415bde908bd4dee15dfb167a9c873fc4bb8a81f6f2ab448a918是采用sha256加密的密码，默认密码为admin
admin=ADMIN::8c6976e5b5410415bde908bd4dee15dfb167a9c873fc4bb8a81f6f2ab448a918
rangertagsync=RANGER_TAG_SYNC::e3f67240f5117d1753c940dae9eea772d36ed5fe9bd9c94a300e40413f1afb9d

# 例如：修改用户名称为atguigu，密码为atguigu
# 获取sha256加密的atguigu密码
echo -n "atguigu"|sha256sum
# 获得2628be627712c3555d65e0e5f9101dbdd403626e6646b72fdf728a20c5261dc2
# 修改用户名和密码
vim users-credentials.properties
#username=group::sha256-password
atguigu=ADMIN::2628be627712c3555d65e0e5f9101dbdd403626e6646b72fdf728a20c5261dc2
rangertagsync=RANGER_TAG_SYNC::e3f67240f5117d1753c940dae9eea772d36ed5fe9bd9c94a300e40413f1afb9d