开源数据发现平台：Amundsen Metadata Service 元数据服务

Amundsen 是一个数据发现和元数据引擎，旨在提高数据分析师、数据科学家和工程师与数据交互时的生产力。目前，它通过索引数据资源（表格、仪表板、数据流等）并基于使用模式（例如，查询频率高的表格会优先于查询频率低的表格）提供页面排名式的搜索功能来实现这一目标。您可以将其视为数据版的 Google 搜索。该项目以挪威探险家罗尔德·阿蒙森 (Roald Amundsen) 的名字命名，他是第一个发现南极的人。

Amundsen Metadata Service

Amundsen 元数据服务

Amundsen 元数据服务提供 RESTful API，负责提供和更新元数据，例如表和列的描述信息以及标签。该服务可使用 Neo4j、Apache Atlas、AWS Neptune 或 MySQL RDS 作为持久层。

有关 Amundsen 及其他服务的信息，请参阅此 README.md。另请查看我们的快速入门指南（使用模拟数据启动 Amundsen）及架构概述。

要求

• Python >= 3.8

文档

• https://www.amundsen.io/amundsen/

从发行版启动元数据服务

$ venv_path=[虚拟环境路径]
$ python3 -m venv $venv_path
$ source $venv_path/bin/activate
$ pip3 install amundsen-metadata
$ python3 metadata_service/metadata_wsgi.py

# 在另一个终端验证返回 HTTP/1.0 200 OK
$ curl -v http://localhost:5002/healthcheck

从源代码启动元数据服务

$ git clone https://github.com/amundsen-io/amundsenmetadatalibrary.git
$ cd amundsenmetadatalibrary
$ python3 -m venv venv
$ source venv/bin/activate
$ pip3 install -e ".[all]" .
$ python3 metadata_service/metadata_wsgi.py

# 在另一个终端验证返回 HTTP/1.0 200 OK
$ curl -v http://localhost:5002/healthcheck

通过 Docker 启动服务

$ docker pull amundsendev/amundsen-metadata:latest
$ docker run -p 5002:5002 amundsendev/amundsen-metadata
# 替代方案：生产环境使用 Gunicorn（见下方官网链接）
$ ## docker run -p 5002:5002 amundsendev/amundsen-metadata gunicorn --bind 0.0.0.0:5002 metadata_service.metadata_wsgi

# 在另一个终端验证返回 HTTP/1.0 200 OK
$ curl -v http://localhost:5002/healthcheck

生产环境

默认情况下，Flask 使用 Werkzeug 开发服务器。生产环境请使用生产级 Web 服务器如 Gunicorn。

pip install gunicorn
gunicorn metadata_service.metadata_wsgi

Gunicorn 配置文档。

非本地环境配置

默认情况下，元数据服务使用 LocalConfig（查找运行在 localhost 的 Neo4j）。如需使用不同终端节点，需创建适合的 Config 类，并通过环境变量引用：METADATA_SVC_CONFIG_MODULE_CLASS

例如：为生产环境创建不同配置时，可继承 Config 类创建 ProdConfig，并通过环境变量传递。假设类名为 ProdConfig 且位于 metadata_service.config 模块，则设置如下：

METADATA_SVC_CONFIG_MODULE_CLASS=metadata_service.config.ProdConfig

此方式使元数据服务在生产环境使用生产配置。配置加载机制的更多信息参考 Flask 文档。

Apache Atlas

Amundsen 元数据服务可使用 Apache Atlas 作为后端。相比 Neo4j 的优势包括：Atlas 提供多服务插件（如 Apache Hive/Spark）支持基于推送的更新，并通过 Apache Ranger 设置元数据访问/编辑策略。

Apache Atlas 是数据治理服务，提供管理界面便于访问元数据（主要面向管理员而非终端用户，建议终端用户使用 Amundsen UI）。

Atlas 是目前 Amundsen 中唯一同时支持推送/拉取元数据的代理：

• 推送模式：利用 Atlas Hive Hook（作为事件监听器与 Hive Metastore 协同运行），将 Hive Metastore 事件转为 Atlas 实体并推送至 Kafka 主题，由 Atlas 内部处理
• 拉取模式：利用 Amundsen Databuilder 与 Atlas 的集成，通过 Databuilder 提取器（如 PostgresMetadataExtractor）收集外部系统元数据，转换为 Amundsen 可消费格式发送至 Atlas

使用 Atlas 作为元数据服务后端时，需按前述方法创建 Config 并包含以下配置：

PROXY_CLIENT = PROXY_CLIENTS['ATLAS'] # 或环境变量 PROXY_CLIENT='ATLAS'
PROXY_PORT = 21000          # 或环境变量 PROXY_PORT
PROXY_USER = 'atlasuser'    # 或环境变量 CREDENTIALS_PROXY_USER
PROXY_PASSWORD = 'password' # 或环境变量 CREDENTIALS_PROXY_PASSWORD

通过 Docker 启动 Atlas 服务时，请确保 DNS（或 docker-compose）中配置了 atlasserver：

docker run -p 5002:5002 --env PROXY_CLIENT=ATLAS --env PROXY_PORT=21000 --env PROXY_HOST=atlasserver --env CREDENTIALS_PROXY_USER=atlasuser --env CREDENTIALS_PROXY_PASSWORD=password amundsen-metadata:latest

注意

Apache Atlas 支持细粒度访问控制，但 Amundsen 暂未实现此功能。

开发者指南

代码风格

• PEP 8：遵循 Python 代码风格指南
• 类型提示：使用类型标注增强可读性

API 文档

我们通过 Flasgger 提供符合 OpenApi 3.0.2 规范的 Swagger 文档。新增/修改 API 时请同步更新文档。本地运行应用后访问 localhost:5002/apidocs/ 查看文档（目前仅支持本地配置）。

代码结构

请查阅代码结构文档了解 Amundsen 元数据服务的模块组织方式。

往返测试

往返测试是新功能------通过实现 abstract_proxy_tests 和在 base_proxy 中添加测试端点，可针对实际数据存储验证代理代码。默认不运行这些测试，需通过 --roundtrip-[proxy] 参数触发（注意：需要完整配置的后端环境）：

python -m pytest --roundtrip-neptune .

配置

大部分配置通过Flask Config Class设置。

徽章系统

要为资源添加徽章，需先将徽章名称和类别的组合添加到 WHITELIST_BADGES Config Class中。

示例：

WHITELIST_BADGES: List[Badge] = [Badge(badge_name='beta',
                                 category='table_status')]

完成后，用户可通过以下命令添加白名单中的徽章：

curl -X PUT https://{amundsen metadata url}/table/"{table key}"/badge/{badge_name}?category={category}

用户详情方法 可选

此方法用于从第三方或自定义系统获取用户详情。该自定义函数接收user_id参数，返回符合UserSchema定义的字段字典。

示例：

def get_user_details(user_id):
    user_info = {
        'email': 'test@email.com',
        'user_id': user_id,
        'first_name': 'Firstname',
        'last_name': 'Lastname',
        'full_name': 'Firstname Lastname',
    }
    return user_info

USER_DETAIL_METHOD = get_user_details

统计格式规范 可选

此变量用于重新格式化用户界面显示的统计信息。键为统计项名称，值为包含以下可选键的字典：

• new_name - 重命名统计项（未提供时使用原名称）
• format - 数值格式化方式（未提供时使用原始格式）
• drop - 是否在界面隐藏该统计项（未提供时默认显示）

示例（使用deeque库时）：

STATISTICS_FORMAT_SPEC = {
        'stdDev': dict(new_name='标准差', format='{:,.2f}'),
        'mean': dict(format='{:,.2f}'),
        'maximum': dict(format='{:,.2f}'),
        'minimum': dict(format='{:,.2f}'),
        'completeness': dict(format='{:.2%}'),
        'approximateNumDistinctValues': dict(new_name='唯一值数量', format='{:,.0f}', ),
        'sum': dict(drop=True)
}

风险提示与免责声明

本文内容基于公开信息研究整理，不构成任何形式的投资建议。历史表现不应作为未来收益保证，市场存在不可预见的波动风险。投资者需结合自身财务状况及风险承受能力独立决策，并自行承担交易结果。作者及发布方不对任何依据本文操作导致的损失承担法律责任。市场有风险，投资须谨慎。