DeltaLake（有元数据）迁移至MRS DeltaLake数据校验

准备工作

需要先在源端内网环境中安装用于配合数据校验的工具MgC Agent（原Edge）并登录，方法请参见安装Linux版本的MgC Agent。

操作步骤

1. 登录迁移中心管理控制台。
2. 单击左侧导航栏的“其他 > 配置管理”，进入配置管理页面。
3. 在“项目管理”页签，单击“创建项目”，右侧弹出创建新项目窗口。
   图1 创建项目
   

4. 项目类型选择“大数据迁移”，输入自定义项目名称，单击“创建”。
   图2 创建大数据迁移项目
   

5. 创建项目完成后，参考连接迁移中心，将MgC Agent与云端MgC控制台建立连接。
6. 连接成功后，需要在MgC Agent上分别添加源端“Delta Lake执行机”凭证和目的端“MRS Delta Lake执行机”凭证，类型选择“大数据-执行机”，认证方式选择“用户名/密码”。凭证的添加方法请参考添加资源凭证。

   

7. 在MgC控制台左侧导航栏选择“大数据校验”，进入大数据校验页面。在左侧导航栏的项目下拉列表中选择步骤4.创建的项目。
8. 首次使用大数据校验功能时，需要先启用MgC Agent。单击“选择并启用迁移中心Agent”按钮，在弹窗的下拉列表中，选择与迁移中心连接成功的MgC Agent。
   

   在进行大数据校验时，请确保MgC Agent一直处于在线并启用状态。

9. 在功能入口区域，单击“大数据迁移准备”，进入大数据迁移准备页面。
10. 选择“连接管理”，单击“创建连接”，右侧弹出新增连接窗口。
    图3 创建连接
    

11. 连接类型选择“Delta Lake（有元数据）”，单击“下一步”。

    

12. 根据表1，配置连接参数后，单击“测试连接”按钮，测试通过代表连接成功。

    表1 Delta Lake（有元数据）连接参数配置说明

    参数	配置说明
    所属源	选择源端。
    连接名称	默认创建名称为“Delta-Lake-有元数据-4位随机数（字母和数字）”，也可以自定义名称。
    迁移中心Agent	选择步骤5.与MgC建立连接的MgC Agent。
    执行机凭证	选择步骤6.在MgC Agent侧添加的源端Delta Lake执行机凭证。
    执行机IP	填写连接执行机的IP地址。
    执行机连接端口	填写连接执行机的端口，默认为22端口。
    Spark客户端目录	填写Spark客户端的bin目录的绝对路径
    环境变量地址	请添加环境变量文件的绝对路径，示例：/opt/bigdata/client/bigdata_env， 如果该参数不为空，则环境变量文件在命令执行前将被自动“source”
    SQL文件地址	填写用于存放执行作业时生成的SQL文件的文件夹地址。您需要拥有该文件夹的读写权限。 须知： 迁移完成后，您需要手动清理该路径下生成的文件夹，以释放存储空间。

13. 测试连接通过后，单击“确认”按钮，创建云服务连接完成。
14. 选择元数据管理，单击创建数据湖元数据同步任务按钮，右侧弹出创建任务-数据湖元数据同步窗口。
    图4 创建数据湖元数据同步任务
    

15. 根据表2，配置数据湖元数据同步任务参数后，单击“确认”按钮，创建数据湖元数据同步任务。

    

    表2 元数据同步任务参数配置说明

    参数	配置说明
    任务名称	默认创建名称为“数据湖元数据同步任务-4位随机数（字母和数字）”，也可以自定义名称。
    元数据连接	选择步骤12.创建的元数据连接。
    数据库	填写需要进行元数据同步的数据库名称。不填则代表同步全部数据库。
    并发线程数	设置采集线程并发数。默认为3，1≤取值范围≤10。增加线程并发数，可以提高同步效率，但会占用更多源端连接和MgC Agent所安装主机的计算资源。
    自定义参数	可以通过自定义参数设置同步的特定表或分区、过滤条件等。 如果需要同步的是阿里云 EMR环境中的元数据，请添加如下参数： 参数名：conf 参数值：spark.sql.catalogImplementation=hive 如果源端是阿里云 EMR Delta 2.2版本并且是通过Delta 2.3版本依赖访问时，请添加如下参数： 参数名：master 参数值：local 如果源端是阿里云 EMR Delta 2.1.0版本并且配置了Spark 2.4.8来处理Delta Lake数据，请添加如下参数： 参数名：mgc.delta.spark.version 参数值：2 如果源端是阿里云 EMR并且配置了Spark 3来处理Delta Lake数据，请添加如下参数： 参数名：jars 参数值：'/opt/apps/DELTALAKE/deltalake-current/spark3-delta/delta-core_2.12-*.jar,/opt/apps/DELTALAKE/deltalake-current/spark3-delta/delta-storage-*.jar' 注意： 参数值需要根据实际环境目录和Delta Lake 的版本进行替换。

16. 在任务管理页签，可以查看已创建的元数据同步任务列表以及参数配置信息。单击操作列的“更多>修改”，可以修改任务参数配置。
    图5 元数据同步任务管理
    

17. 单击操作列的“运行任务”，即可触发一次任务执行。每执行一次任务，会生成一条任务实例。
18. 单击操作列的“查看实例”，进入任务实例管理页签。可以查看该任务的运行记录，以及每条任务实例的状态和采集结果。当元数据同步任务的实例状态为“已完成”且采集结果有数值时，在库表清单页签可以查看采集到的元数据列表。
    图6 任务实例管理
    

19. 在大数据校验页面的功能入口区域，单击“表管理”，进入表管理页面的表组页签。
20. 单击“新增表组”，弹出新增表组窗口。根据新增表组参数说明，配置参数后，单击“确认”按钮，创建表组。

    

    表3 新增表组参数说明

    参数	说明
    表组名	用户自定义
    元数据连接	选择步骤12.创建的元数据连接。 注意： 表组中的所有表必须来源于同一个元数据来源。
    校验标准	选择可以接受的数据差异最大值（即错误容忍度）。MgC提供了多种类型的对数标准可供选择，关于对数标准的详细说明，可以单击新增表组弹窗中的“查看更多”进行查看。
    说明（可选）	您可以输入用于区分表组的说明。

21. 在表管理页面，选择库表清单页签，勾选要加入同一表组的数据表，单击列表上方的“表组管理 > 批量加入组”，在弹出的修改表组窗口中，选择要加入的表组，单击“确认”。

    

    

    如果需要新增数据表，可以通过导入数据表的方式添加，方法请参考导入数据表并加入表组。

22. 分别创建源端执行机连接和目的端执行机连接，方法请参考创建执行机连接。执行机凭证分别选择步骤6.在MgC Agent侧添加的源端和目的端执行机凭证。
23. 在MgC控制台，分别创建源端和目的端Delta统计任务并执行，方法请参考创建统计任务并执行校验。需要注意任务配置中的表组，选择步骤20.创建的表组。
    • 任务类型请选择大数据组件中的“Delta”。

      

    • 统计方式按实际需求选择，各统计方式说明请参见校验方式说明。

24. 当源端与目的端的统计任务都执行完成后（实例状态为“已完成”），在校验结果页面可以查看并导出任务的执行结果，方法请参考查看并导出校验结果。