作为数据目录产品，Data Catalog 通过汇总技术和业务元数据，解决大数据生产者组织梳理数据、数据消费者找数和理解数的业务场景，并服务于数据开发和数据治理的产品体系。本文介绍了字节跳动Data Catalog系统的构建和迭代过程，将分为上、下篇发布。上篇主要围绕Data Catalog调研思路及技术架构展开。
一、背景
1. 元数据与Data Catalog
元数据，一般指描述数据的数据，对数据及信息资源的描述性信息。在当前大数据的上下文里，通常又可细分为技术元数据和业务元数据。 Data Catalog，是一种元数据管理的服务，会收集技术元数据，并在其基础上提供更丰富的业务上下文与语义，通常支持元数据编目、查找、详情浏览等功能。 元数据是Data Catalog系统的基础，而Data Catalog使元数据更好的发挥业务价值。
2. Data Catalog的业务价值
Data Catalog系统主要服务于两类用户的两种核心场景。
对于数据生产者来说，他们利用Data Catalog系统来组织、梳理自己负责的各类元数据。生产者大部分是大数据开发的同学。通常，生产者会将某一批相关的元数据以目录等形式编排到一起，方便维护。另外，生产者会持续的在技术元数据的基础上，丰富业务相关的属性，比如打业务标签，添加应用场景描述，字段解释等。
对于数据消费者来说，他们通过Data Catalog查找和理解他们需要的数据。在用户数量和角色上看，消费者远多于生产者，涵盖了数据分析师、产品、运营等多种角色的同学。通常，消费者会通过关键字检索，或者目录浏览，来查找解决自己业务场景的数据，并浏览详情介绍，字段描述，产出关系等，进一步的理解和信任数据。
另外，Data Catalog系统中的各类元数据，也会向上服务于数据开发、数据治理两大类产品体系。
在大数据领域，各类计算和存储系统百花齐放，概念和原理又千差万别，对于元数据的采集、组织、理解、信任等，都带来了很大挑战。因此，做好一个Data Catalog产品，本身是一个门槛低、上限高的工作，需要有一个持续打磨提升的过程。
3. 旧版本痛点
字节跳动Data Catalog产品早期为能较快解决Hive的元数据收集与检索工作，是基于LinkedIn Wherehows进行二次改造 。Wherehows架构相对简单，采用Backend + ETL的模式。初期版本，主要利用Wherehows的存储设计和ETL框架，自研实现前后端的功能模块。
随着字节跳动业务的快速发展， 公司内各类存储引擎不断引入，数据生产者和消费者的痛点都日益明显。之前系统的设计问题，也到了需要解决的阶段。具体来说：
- 用户层面痛点：
数据生产者: 多引擎环境下，没有便捷、友好的数据组织形式，来一站式的管理各类存储、计算引擎的技术与业务元数据。 数据消费者: 各种引擎之间找数难，元数据的业务解释零散造成理解数难，难以信任。 - 技术痛点：
扩展性：新接入一类元数据时，整套系统伤筋动骨，开发成本月级别。
可维护性：经过一段时间的修修补补，整个系统显的很脆弱，研发人员不敢随便改动；存储依赖重，同时使用了MySQL、ElasticSearch、图数据库等系统存储元数据，维护成本很高；接入一种元数据会增加2~3个ETL任务，运维成本直线上升。
4. 新版本目标
基于上述痛点，我们重新设计实现Data Catalog系统，希望能达成如下目标： - 产品能力上，帮助数据生产者方便快捷组织元数据，数据消费者更好的找数和理解数。
- 系统能力上，将接入新型元数据的成本从月级别降低为星期甚至天级别，架构精简，单人业余时间可运维。
二、 调研与思路
1. 业界产品调研
站在巨人的肩膀上，动手之前我们针对业界主流DataCatalog产品做了产品功能和技术调研。因各个系统都在频繁迭代，数据仅供参考。
2. 升级思路
根据调研结论，结合字节已有业务特点，我们敲定了以下发展思路： 对于搜索、血缘这类核心能力，做深做强，对齐业界领先水平。 对于各产品间特色功能，挑选适合字节业务特点的做融合。 技术体系上，存储和模型能力基于Apache Atlas改造，应用层支持从旧版本平滑迁移。
三、技术与产品概览
1. 架构设计
（1）元数据的接入
- 元数据接入支持T+1和近实时两种方式
- 上游系统：包括各类存储系统（比如Hive、 Clickhouse等）和业务系统（比如数据开发平台、数据质量平台等）
- 中间层：
ETL Bridge：T+1方式运行，通常是从外部系统拉取最新元数据，与当前Catalog系统的元数据做对比，并更新差异的部分 MQ：用于暂存各类元数据增量消息，供Catalog系统近实时消费 与上游系统打交道的各类Clients，封装了操作底层资源的能力
（2）核心服务层
系统的核心服务，根据职责的不同，细拆为以下子服务： - Catalog Service：支持元数据的搜索、详情、修改等核心服务
- Ingestion Service：接受外部系统调用，写入元数据，或主动从MQ中消费增量元数据
- Resource Control Plane：通过各类Clients，与底层的存储或业务系统交互，操作底层资源，比如建库建表，能力可插拔
- Q&A Service：问答系统相关能力，支持对元数据的字段含义、使用场景等提问和回答，能力可插拔
- ML Service：负责封装与机器学习相关的能力，能力可插拔
- API Layer：以RESTful API的形式整合系统中的各类能力
（3）存储层
针对不同场景，选用的不同的存储： - Meta Store：存放全量元数据和血缘关系，当前使用的是HBase
- Index Store：存放用于加速查询，支持全文索引等场景的索引，当前使用的是ElasticSearch
- Model Store：存放推荐、打标等的算法模型信息，使用HDFS，当ML Service启用时使用
（4）元数据的消费 - 数据的生产者和消费者，通过Data Catalog的前端与系统交互
- 下游在线服务可通过OpenAPI访问元数据，与系统交互
- Metadata Outputs Layer：提供除了API之外的另外一种下游消费方式
MQ：用于暂存各类元数据变更消息，格式由Catalog系统官方定义 Data warehouse：以数仓表的形式呈现的全量元数据
2. 产品功能升级
产品能力上的升级迭代，大致分为以下几个阶段： - 基础能力建设（2017-2019）：数据源主要是离线数仓Hive，支持了Hive相关库表创建、元数据搜索与详情展示、表之间血缘，以及将相关表组织成业务视角的数据专题等
- 中阶能力建设（2019-2020年中）：数据源扩展了Clickhouse与Kafka，支持了Hive列血缘，Q&A问答系统等
- 架构升级（2020年中-2021年初）：产品能力迭代放缓，基于新设计升级架构
- 能力提升与快速迭代（2021年至今）：数据源扩展为包含离线、近实时、业务等端到端系统，搜索和血缘能力有明显增强，探索机器学习能力，产品形态更成熟稳定。另外我们还具备了ToB售卖的能力。
四、关键技术
构建一个好的Data Catalog系统，需要考虑的核心产品设计和技术设计有很多。篇幅所限，本文只概要介绍技术设计中最核心重要的部分，更多细节展开可参照后续的文章。
1. 数据模型统一
将不同元数据的数据模型统一，是降低接入成本和维护成本的重要前提。系统的数据模型，基本参照了Apache Atlas的设计与实现。一些基本概念简单介绍如下：
- 类型（Type）：描述一类元数据，由多个属性组成。例如，hive table是一类元数据，hive_db也是一类元数据。Type可具备继承关系。按面向对象的编程思想，可以理解type为一个Class。
- 实例（Entity）：代表一个type的具体事例。一个entity可能作为一个属性存在于另一个entity中，例如hive_table中的db属性，db本身也是一个entity。在面向对象的编程思想中，一个entity可以认为是一个class的instance。
- 属性（Attribute）：属性的集合组合而成为一个Type。属性本身的类型（typeName）可能是一个自定义的type，也可能是一种基础类型，包括date，string等。例如，db是hive_table的一个属性，column也是hive_table的一个属性。
- 关系（Relationship）：一种特殊的Entity，用以描述两个Entity之间的关联模式。 在实际应用这套类型系统时，我们有两个方面比较有特点:
(1)继承与组合的广泛使用
字节的业务场景十分复杂，为了充分复用各种元数据类型之间的相似能力，又获得足够的定制灵活性，我们为每类元数据设计了父Type。比如，Hive Table和Clickhouse Table，都含有名称、描述、字段等属性，他们都继承自DataStore这个父Type。
另外一种情况，有些类型的实体可以作用于多种其他的实体，比如一张Hive表和一堆被组织在一起的业务报表，都可以被用户收藏或点赞。我们将收藏、点赞这些行为也抽象为实体，并通过关系与Hive表、业务报表集合等相关联。这种思想，类似编程中的组合或者是切面的概念。
(2)调整类型加载机制
在实践中我们意识到，跟某种数据源相关联的能力，应该尽可能收敛到一起，这可以极大降低后续的维护成本。对于一种元数据类型定义，也在这种考虑的范围之内。我们调整了Apache Atlas加载类型文件的机制，使其可以从多个package，以我们定义过的目录结构和先后顺序加载。这也为后面的标准化奠定了基础。
2. 数据接入标准化
为了最终达成降低接入和维护成本的目标，统一了类型系统之后，第二步就是接入流程的标准化。
我们将某一种元数据类型的接入逻辑封装为一个connector，并通过提供SDK的方式简化connector的编写成本。
以使用最广泛的T+1 bridge接入的connector SDK为例，我们参照时下流行的Flink流式处理框架，结合T+1 bridge的业务特点，实现了如下模型：
- Source：从外部存储计算系统等批量拉取最新的全量元数据。数据结构和字段通常由外部系统决定。概念上可对齐Flink的source operator。
- Diff Operator：接收source的输出，并从Catalog Service拉取当前系统中的全量元数据，做差异对比，产出差异的部分。概念上对齐Flink中的某一种自定义的ProcessFunction。
- Event Generate Operator：接收Diff Operator的输出，根据Catalog系统定义好的格式，将差异的metadata转化成event格式，比如对于新建的metadata，转换成CreateEvent。概念上对齐Flink中的某一种自定义的ProcessFunction。
- Sink：接收Event Generate Operator的输出，将差异的metadata写入Ingestion Service。概念上对齐Flink的sink operator。
- Bridge Job：组装pipeline，做运行时控制。概念上对齐Flink的Job。
- 当需要接入新的元数据时，通常只需要重新编写Source和Diff Operator，其他组件都是可直接复用的。标准化的connector极大节省接入和运维成本。
3 . 搜索优化
搜索是Data Catalog中，除了详情浏览外，最广泛使用的功能，也是数据消费者找数最主要的手段。在我们的系统中，每天有70%以上的用户都会使用搜索功能。
搜索是一个相对成熟的技术领域，针对元数据的检索可以看作是垂直领域的搜索引擎。本节概要介绍我们在设计实现元数据搜索引擎时的收获，更多的细节展开，会有后续的文章。
在实际场景中，我们发现公司内的元数据搜索，与通用搜索引擎相比，有两个十分显著的特点： - 搜索中存在部分很强的Pattern：用户搜索元数据时，有一些隐式的习惯，通过挖掘埋点中的固定pattern，给了我们针对性优化的机会。
- 行为数据规模有限：公司内部的元数据搜索用户，通常是千级别，而每天搜索的点击次数是万级别，这个规模远远小于对外的通用搜索引擎，也造成很多模型没法及时收敛，但也一定程度上给我们简化问题的机会。
我们设计的元数据搜索，架构如上图所示。粗略来看，可以划分为两大部分： - 离线部分：负责汇集各类与搜索相关的数据，做数据清洗或者模型训练，根据不同的用途，写入不同的存储，供给在线搜索模块使用。
- 在线部分：分为搜索理解、召回、精排三个主要阶段，步骤和概念上与通用搜索引擎对齐。
针对上面分析的特点，我们在搜索优化时，有两个对应的策略： - 对于强Pattern，广泛使用Rule-Based的优化手段：比如，我们发现很大一部分用户在搜索Hive时，会使用“库名.表名”的pattern，在识别到query语句中有“.”时，我们会优先尝试根据库名和表名检索
- 激进的个性化：因用户规模可控，且某位用户通常会频繁使用某个领域的元数据，我们记录了很多用户的历史行为细节，当query语句与过去浏览过元数据有一定文本相关性时，个性化相关的得分会有较大提升
4. 血缘能力
血缘能力是Data Catalog系统的另外一个核心能力。自动化的，端到端的血缘能力，是很多业界系统宣称的亮点功能。构建完备的血缘能力，既可以帮助生产者梳理、组织他们负责的元数据，也可以帮助数据消费者找数和理解数据的上下文 。
字节跳动非常关注数据价值，业务也复杂，对我们数据血缘链路的建设也提出了很高的要求。本节只概要介绍我们搭建血缘链路时考虑的核心问题，更多细节可以参照之前的文章：字节跳动内部的数据血缘用例与设计。
首先，数据血缘的系统边界是：从RDS和MQ开始，一路图经各种计算和存储，最终汇入指标、报表和数据服务系统。
其次，在设计系统时，我们充分考虑了血缘链路的多样性和复杂性。如下图所示，我们通过T+1和近实时的方式，获取各类任务系统中的信息，根据任务类型，调用不同的解析服务，将格式化过的血缘数据写入Data Catalog系统，供给下游的API调用或者MQ、离线数仓消费。
最后，在血缘质量衡量上，我们通过定义有效的血缘准确率、覆盖率和时效性，来确保血缘信息的准确、全面和实时性。
当前，我们的血缘能力已经广泛应用于字节的数据资产、数据开发和数据治理等领域。
5 .存储层优化
如前面介绍，在存储层，我们借用了Atlas的设计与实现。Atlas的底层使用JanusGraph做图引擎。JanusGraph 是基于Gremlin 图查询语义实现的计算引擎，其底层存储支持HBase/Cassadra/BerkeleyDB等KCV结构的存储，同时，使用ElasticSearch作为索引查询支持。
当我们将越来越多的元数据接入系统，图存储中的点和边分别到达百万和千万量级，读写性能都遇到了比较大的问题。我们做了部分源码的修改，这边介绍其中比较重要的两个，更多细节请参照后续的文章。
(1 )读优化：开启MutilPreFetch 能力
在我们的图库中，存在很多超级点，也就是关系十分庞大的元数据。举两种情况，一是列十分多的大宽表，对于一些机器学习的表，甚至会超过1万列；另外一种情况是被广泛引用的底表，比如埋点底表的一级血缘下游就超过了1万。在读取这类数据时，我们发现性能极差。
与关系型数据库慢查询优化类似，我们通过监控埋点收集到慢查询语句，借助gremlin的profile函数，分析query plan中的问题，并通过构建索引或者改写语句与配置等，做相应的优化。
开启JanusGraph的MutilPreFetch查询开关，是其中一种情况。该特性的大致实现原理是，在属性过滤的时候, 批量并行获取所有关联顶点的属性，再在内存做属性过滤，而未开启该特性时，则会找到对端的顶点后，每个顶点单独去获取属性再做过滤条件。
需要注意的是，该机制在触发优化时的前置条件： -
- Janusgraph 0.4版本以上且配置打开
-
- 语句中不包含limit
-
- 语句中包含has
-
- 查询结果行数不超过cache.tx-cache-size
(2) 写优化：去除Guid全局唯一性检查 对于超大元数据的写入请求，也有比较严重的性能问题。比如超过3000列的写入，我们发现需要消耗接近15分钟。
通过模拟单个超大表写入，并使用arthas火焰图跟踪相关代码， 我们发现在每个JanusGraph图顶点写入时，都会做guid的全局唯一性校验，这里十分耗时。
通过分析，我们发现guid在全局上默认是唯一的，没有必要做这个唯一性检查，同时，我们定义了业务语义上全局唯一的qualifiedName，以此减少不必要的唯一性重复检查。
配合其他的优化，我们在一次写入大量节点时，节省不少开销，最终性能大致如下:
- 查询结果行数不超过cache.tx-cache-size
五、未来工作
文中阐述的部分Data Catalog技术和产品功能已经通过火山引擎大数据研发治理套件 DataLeap 对外开放。
接下来，我们提升Data Catalog系统，会主要集中在以下几个方面：
- 首先，是将元数据往数据资产转化。当前，我们收集了丰富的技术类元数据和一部分业务类元数据，如何将各类元数据，与真实的业务场景关联，将没有直接业务价值的元数据转化为有直接业务价值的数据资产，是我们正在探索的方向。
- 其次，是更广泛的应用智能能力。Data Catalog中有很多可以落地的智能化场景，比如搜索推荐，自动打标等，我们已经做了一些基础的尝试，接下来会进行更广泛的推广。
- 最后，开放能力的搭建。在元数据接入方面，我们准备将其封装成产品能力，提供类似connector市场的功能，便于在ToB市场做更敏捷的合作与推广；另外计划与开源和商用的敏捷报表等
六、关联产品
火山引擎大数据研发治理套件DataLeap
一站式数据中台套件，帮助用户快速完成数据集成、开发、运维、治理、资产、安全等全套数据中台建设，帮助数据团队有效的降低工作成本和数据维护成本、挖掘数据价值、为企业决策提供数据支撑。
欢迎关注字节跳动数据平台同名公众号获取更多技术干货