引言：

元數(shù)據(jù)采集是元數(shù)據(jù)產(chǎn)品的核心部分，如何提升采集效率是需要仔細斟酌的事情，既要保持穩(wěn)定性也要保持跟上主流技術(shù)的發(fā)展趨勢。元數(shù)據(jù)產(chǎn)品從最初集中式WEB應(yīng)用系統(tǒng)到現(xiàn)在流行的分布式、微服務(wù)這種系統(tǒng)架構(gòu)，原有元數(shù)據(jù)采集效率已不能滿足應(yīng)用的需求了。

[[279335]]

目錄：

1.元數(shù)據(jù)采集原理

2.分布式采集策略

3.分布式采集策略的應(yīng)用

1.元數(shù)據(jù)采集原理

我們要想采集元數(shù)據(jù)首先得明白，什么是元數(shù)據(jù)，元數(shù)據(jù)都存在哪里，為什么采集元數(shù)據(jù)?

元數(shù)據(jù)MetaData通俗的解釋是用來描述數(shù)據(jù)的數(shù)據(jù)，實際來看，除了業(yè)務(wù)邏輯直接讀寫處理的那些業(yè)務(wù)數(shù)據(jù)，所有其它用來維持整個系統(tǒng)運轉(zhuǎn)所需的信息/數(shù)據(jù)都可以叫作元數(shù)據(jù)。比如數(shù)據(jù)庫的Schema、Table、Column信息，任務(wù)的血緣關(guān)系，用戶和腳本/任務(wù)的權(quán)限映射關(guān)系信息等等。

以大數(shù)據(jù)平臺為例，元數(shù)據(jù)貫穿大數(shù)據(jù)平臺數(shù)據(jù)流動的全過程，主要包括數(shù)據(jù)源元數(shù)據(jù)、數(shù)據(jù)加工處理過程元數(shù)據(jù)、數(shù)據(jù)主題庫專題庫元數(shù)據(jù)、服務(wù)層元數(shù)據(jù)、應(yīng)用層元數(shù)據(jù)等。

數(shù)據(jù)治理關(guān)鍵就是收集信息，很明顯，沒有數(shù)據(jù)就無從分析，也就無法有效的對平臺的數(shù)據(jù)鏈路進行管理和改進。所以元數(shù)據(jù)管理平臺很重要的一個功能就是信息的收集，至于收集哪些信息，取決于業(yè)務(wù)的需求和我們需要解決的目標問題。

如何采集元數(shù)據(jù)?

元數(shù)據(jù)采集是指獲取數(shù)據(jù)生命周期中的元數(shù)據(jù)，對元數(shù)據(jù)進行組織，然后將元數(shù)據(jù)寫入數(shù)據(jù)庫中的過程。

不同來源的元數(shù)據(jù)獲取獲取方式也不大相同，在采集方式上有使用包括數(shù)據(jù)庫直連、接口、日志文件等技術(shù)手段，對結(jié)構(gòu)化數(shù)據(jù)的數(shù)據(jù)字典、非結(jié)構(gòu)化數(shù)據(jù)的元數(shù)據(jù)信息、業(yè)務(wù)指標、代碼、數(shù)據(jù)加工過程等元數(shù)據(jù)信息進行自動化和手動采集，元數(shù)據(jù)采集完成后，被組織成符合CWM模型的結(jié)構(gòu)，存儲在關(guān)系型數(shù)據(jù)庫中。

2.分布式采集架構(gòu)

現(xiàn)在人們對元數(shù)據(jù)管理工具采集的元數(shù)據(jù)時效性越來越高，我們元數(shù)據(jù)管理工具會管理很多來源的元數(shù)據(jù)，配置很多采集任務(wù)定時去采集，如何高效的完成采集任務(wù)，影響著元數(shù)據(jù)管理工具存儲的元數(shù)據(jù)時效性。我們原先采集任務(wù)策略是單一采集程序串行執(zhí)行采集任務(wù)，這樣的策略采集效率是很低的，為了提高采集效率，我們就采用多個采集程序并發(fā)執(zhí)行采集任務(wù)。

常見的元數(shù)據(jù)管理工具架構(gòu)是傳統(tǒng)的集中式WEB應(yīng)用架構(gòu)，所有的功能模塊都集中在一個應(yīng)用程序中。

3.分布式采集架構(gòu)的應(yīng)用

我們在某一證券公司做數(shù)據(jù)治理時，發(fā)現(xiàn)該客戶的網(wǎng)絡(luò)架構(gòu)比較復雜，它的網(wǎng)絡(luò)架構(gòu)大概分為三層業(yè)務(wù)系統(tǒng)層、數(shù)據(jù)采集層和數(shù)據(jù)存儲層。

業(yè)務(wù)系統(tǒng)分布業(yè)務(wù)系統(tǒng)層的不同地域，比如A業(yè)務(wù)系統(tǒng)在北京，B業(yè)務(wù)系統(tǒng)在上海，C業(yè)務(wù)系統(tǒng)在廣州等。我們要想訪問個各個業(yè)務(wù)系統(tǒng)的數(shù)據(jù)庫只能通過數(shù)據(jù)采集層的代理IP去訪問，不同地域的業(yè)務(wù)系統(tǒng)代理的IP地址網(wǎng)段也是不同的，數(shù)據(jù)采集層各個網(wǎng)段之間不能連通，數(shù)據(jù)存儲層是可以和數(shù)據(jù)采集層的所有網(wǎng)段直接連通的。

我們現(xiàn)在元數(shù)據(jù)的架構(gòu)是分為應(yīng)用程序和采集服務(wù)兩部分，應(yīng)用程序和采集程序是一對一的關(guān)系，針對這種網(wǎng)絡(luò)情況，我們要對元數(shù)據(jù)產(chǎn)品的架構(gòu)做調(diào)整。

一、將元數(shù)據(jù)的應(yīng)用程序與采集服務(wù)改為一對多模式，這樣我們得需要一個采集服務(wù)管理模塊，可以對采集服務(wù)的信息(IP,端口)進行維護(增刪改)，采集的目標數(shù)據(jù)源與采集程序服務(wù)進行映射，一個目標數(shù)據(jù)源可以配置主備采集服務(wù)，主采集服務(wù)發(fā)生故障后，可以通過備采集服務(wù)繼續(xù)采集工作。

采集服務(wù)管理模塊要考慮易操作性和適用性，如：查看采集服務(wù)運行情況、設(shè)置默認采集服務(wù)等等。

二、元數(shù)據(jù)采集任務(wù)調(diào)整為并行執(zhí)行，現(xiàn)在采集元數(shù)據(jù)步驟為獲取元數(shù)據(jù)>入臨時表>與正式表比對，更新元數(shù)據(jù)ID，得到元數(shù)據(jù)的變更信息>將元數(shù)據(jù)和變更信息入正式表。

采集任務(wù)調(diào)整為并行執(zhí)行的主要的難點是如何取消臨時表，因為臨時表在元數(shù)據(jù)存儲數(shù)據(jù)庫中只有一份，只有等待當前采集任務(wù)執(zhí)行完畢，清空臨時表后，才能執(zhí)行下一次采集任務(wù)。

臨時表的作用是：

更新元數(shù)據(jù)ID和找出新增、修改和刪除的元數(shù)據(jù)，采集元數(shù)據(jù)時，都會給每一個元數(shù)據(jù)生成隨機的UUID當作元數(shù)據(jù)ID，與正式表作比對時，如果某一元數(shù)據(jù)之前已經(jīng)入庫，需要將該元數(shù)據(jù)的臨時表里的ID更新成正式表里的ID。

取消臨時表的舉措：

1、我們選擇將元數(shù)據(jù)編碼+元數(shù)據(jù)類型+元數(shù)據(jù)父級路徑這三項數(shù)據(jù)進行MD5加密生成的字符串作為元數(shù)據(jù)的ID，這樣元數(shù)據(jù)的ID也就固定了，不需要和正式表里做比對了。

2、通過元數(shù)據(jù)ID去正式表里查詢就可得出哪些元數(shù)據(jù)是新增和刪除的。

我們將元數(shù)據(jù)的所有屬性值進行MD5加密生成的字符串作為元數(shù)據(jù)的屬性ID，這樣通過比對元數(shù)據(jù)的屬性ID就可得知該元數(shù)據(jù)是否修改了。

這樣我們就可以取消臨時表，在采集服務(wù)程序中就可以將元數(shù)據(jù)和正式表數(shù)據(jù)作比對，得到變化的元數(shù)據(jù)，將元數(shù)據(jù)記錄直接寫入到數(shù)據(jù)庫中的正式表，元數(shù)據(jù)采集任務(wù)也就可以并行執(zhí)行了。

我們在數(shù)據(jù)采集層各個網(wǎng)段都部署采集服務(wù)，這樣就實現(xiàn)了高并發(fā)元數(shù)據(jù)采集，這種分布式采集策略優(yōu)點是：

1、采集元數(shù)據(jù)效率快

2、可以并行執(zhí)行采集任務(wù)

3、可以適應(yīng)復雜網(wǎng)絡(luò)環(huán)境的元數(shù)據(jù)采集。