使用CDM服务迁移Hadoop数据至MRS集群
应用场景
云数据迁移(Cloud Data Migration,简称CDM),是一种高效、易用的批量数据迁移服务。 CDM围绕大数据迁移上云和智能数据湖解决方案,提供了简单易用的迁移能力和多种数据源到数据湖的集成能力,降低了客户数据源迁移和集成的复杂性,有效地提高您数据迁移和集成的效率。
本章节适用于将线下IDC机房或者公有云Hadoop集群中的数据(支持数据量在几十TB级别或以下的数据量级)迁移到华为云MRS服务。
方案架构
CDM支持全量迁移和增量迁移文件,全量迁移通过文件复制完成,将策略配置为“跳过重复文件”可实现增量文件迁移。
- 全量迁移
- 在CDM上新建两个连接,连接源集群的HDFS和华为云MRS的HDFS或OBS文件系统。
- 创建CDM全量迁移作业,配置源端和目的端的参数,并启动作业。
- 增量迁移
- 再次在CDM中建立迁移作业,在配置目标端的参数时,选择重复文件的处理方式为“跳过重复文件”。
- 启动迁移作业。
使用CDM服务迁移Hadoop数据至MRS集群流程如下:

方案优势
- 简单易用:免编程,向导式任务开发界面,通过简单配置几分钟即可完成迁移任务开发。
- 迁移效率高: 基于分布式计算框架进行数据任务执行和数据传输优化,并针对特定数据源写入做了专项优化,迁移效率高。
- 实时监控:迁移过程中可以执行自动实时监控、告警和通知操作。
对系统影响
迁移调研
迁移HDFS数据前需要对源端HDFS组件进行调研,以便评估产品兼容性、迁移过程中可能会产生的风险、对系统的影响等,具体请参考表1。
网络方案
迁移方案支持各种网络选型:公网、VPN、专线等。根据实际情况选择网络方案,两端网络分别与CDM互通即可迁移。
迁移网络类型 |
优点 |
缺点 |
---|---|---|
专线 |
|
|
VPN |
|
|
公网IP |
|
|
约束与限制
步骤1:新建数据连接
- 登录CDM管理控制台。
- 创建CDM集群,该CDM集群的安全组、虚拟私有云、子网需要和迁移目的端集群保持一致,保证CDM集群和MRS集群之间网络互通。
- 在“集群管理”页面单击待操作集群对应“操作”列的“作业管理”。
- 在“连接管理”页签,单击“新建连接”。
- 参考CDM服务的新建连接页面,分别添加到迁移源端集群和迁移目的端集群的两个HDFS连接。
连接类型根据实际集群来选择,如果是MRS集群,连接器类型可以选择“MRS HDFS”,如果是自建集群可以选择“Apache HDFS”。
图3 HDFS连接
步骤2:新建迁移作业
- 在“表/文件迁移” 页签,单击“新建作业”。
- 选择源连接、目的连接:
- 作业名称:用户自定义任务名称,名称由英文字母、下划线或者数字组成,长度必须在1到256个字符之间。
- 源连接名称:选择迁移源端集群的HDFS连接,作业运行时将从此端复制导出数据。
- 目的连接名称:选择迁移目的端集群的HDFS连接,作业运行时会将数据导入此端。
- 请参见配置HDFS源端参数配置源端连接的作业参数,需要迁移的文件夹可通过“目录过滤器”和“文件过滤器”参数设置符合规则的目录和文件进行迁移。
- 如果使用CDM进行全量数据迁移,在“目的端作业配置”中的参数“重复文件处理方式”选择“替换重复文件”。
- 如果使用CDM进行增量数据迁移,在“目的端作业配置”中的参数“重复文件处理方式”选择“跳过重复文件”。
例如迁移匹配“/user/test*”文件夹下文件,该场景下“文件格式”固定为“二进制格式”。图4 配置作业参数 - 请参见配置HDFS目的端参数配置目的端连接的作业参数。
- 单击“下一步”进入任务配置页面。
- 如需定期将新增数据迁移至目的端集群,可在该页面进行配置,也可在任务执行后再参考步骤 3配置定时任务。
- 如无新增数据需要后续定期迁移,则跳过该页面配置直接单击“保存”回到作业管理界面。
图5 任务配置
- 选择“作业管理”的“表/文件迁移”页签,在待运行作业的“操作”列单击“运行”,即可开始HDFS文件数据迁移,并等待作业运行完成。
步骤3:检查迁移后的文件信息
- 使用客户端安装用户登录迁移目的端集群客户端节点。
- 执行如下命令查看迁移目的端集群中已迁移的文件。
cd 客户端安装目录
执行以下命令加载环境变量:
source bigdata_env
如果集群已启用Kerberos认证(安全模式),执行以下命令进行用户认证。集群未启用Kerberos认证(普通模式)无需执行用户认证。
kinit 组件业务用户
hdfs dfs -ls -h /user/
- (可选)如果源端集群中有新增数据需要定期将新增数据迁移至目的端集群,则配置定期任务增量迁移数据,直到所有业务迁移至目的端集群。
- 在CDM集群中选择“作业管理”的“表/文件迁移”页签。
- 在迁移作业的“操作”列选择“更多 > 配置定时任务”。
- 开启定时执行功能,根据具体业务需求设置重复周期,并设置有效期的结束时间为所有业务割接到新集群之后的时间。
图6 配置定时任务
常见问题
迁移HDFS文件,无法获取块,具体请参考迁移HDFS文件,报错无法获取块怎么处理?