HIVE 字段级血缘分析写入Neo4j

最新推荐文章于 2025-04-30 17:12:22 发布

原创

最新推荐文章于 2025-04-30 17:12:22 发布 · 1.2w 阅读

59 ·

CC 4.0 BY-SA版权

本文介绍了如何通过Hive的LineageLogger Hook获取字段级血缘信息，然后清洗并存储到Neo4j数据库中。详细步骤包括配置Hive参数、解析日志、使用Neo4j查询依赖关系，并提供了API示例用于前端展示。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Step 1. 利用HIVE Hook LineageLogger 获取字段之间的依赖关系

注意：LineageLogger Hook 是Hive2.0版本之后存在的，如果HIVE版本不够需要升级HIVE版本。PS.CDH有的HIVE版本添加此功能

下面以hive 2.5.3版本为例

添加参数

vim /usr/local/hive/conf/hive-site.xml
<property>
    <name>hive.exec.post.hooks</name>
    <value>org.apache.hadoop.hive.ql.hooks.LineageLogger</value>
</property>

配置hook输出

vim ${HIVE_HOME}/conf/hive-log4j2.properties
og4j.logger.org.apache.hadoop.hive.ql.hooks.LineageLogger=INFO

输出位置在 hive-log4j2.properties 的 property.hive.log.dir 参数

测试输出

hive> desc test_table;
OK
c1                  	string
c2                  	bigint
c3                  	int

hive> select c1, max(c2) as max_c2 from test_table group by c1;

hive.log 日志输出如下

JSON格式化如下

{
   
   
	"edges": [{
   
   
		"sources": [2],
		"targets": [0],
		"edgeType": "PROJECTION"
	}, {
   
   
		"sources": [3],
		"targets": [1],
		"expression": "max(ods.test_table.c2)",
		"edgeType": "PROJECTION"
	}],
	"vertices": [{
   
   
		"id": 0,
		"vertexType": "COLUMN",
		"vertexId": "c1"
	}, {
   
   
		"id": 1,
		"vertexType": "COLUMN",
		"vertexId": "max_c2"
	}, {
   
   
		"id": 2,
		"vertexType": "COLUMN",
		"vertexId": "ods.test_table.c1"
	}, {
   
   
		"id": 3,
		"vertexType": "COLUMN",
		"vertexId": "ods.test_table.c2"
	}]
}

比如edges中第二条 sources [3]， targets [1]
代表 ods.test_table.c2 到 max_c2

参考文章利用LineageLogger分析HiveQL中的字段级别血缘关系

Step 2. 利用已有的血缘log 清洗后存入 Neo4j

Neo4jUtil.py

from py2neo import Graph

class Neo4jUtil:
    def __init__(self, url, username, password):
        self.graph = Graph(url, auth=(username, password))

    def empty(self):
        self.graph.run("match (n) detach delete n")
    # 创建节点
    def create_column_node(self, node_name):
        match_result = self.graph.run("MATCH (a:Column) WHERE a.name = '%s' RETURN a" % node_name).data()
        if len(match_result) == 0:
            self.graph.run("CREATE (n:Column { name: '%s' })" % node_name)
    # 创建关系
    def create_column_relation(self, origin_name, dest_name):
        match_result = self.graph.run(
            "MATCH (a:Column)-[r:beDepColumn]->(b:Column) WHERE a.name = '%s' AND b.name = '%s' RETURN r" %
            (origin_name, dest_name)).data()
        if len(match_result) == 0:
            self.g