使用CDM服务迁移Hadoop数据至MRS集群

应用场景

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。

本章节以通过华为云CDM服务 2.9.1.200版本进行数据迁移为例介绍。不同版本操作可能有差异，具体操作详情以实际版本对应的操作指导为准。

CDM服务支持迁移的数据源可参考支持的数据源，数据源为Apache HDFS时，建议使用的版本为2.8.X、3.1.X，请执行搬迁前务必确认是否支持搬迁。

方案架构

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，有效的提高您数据迁移和集成的效率。

CDM服务迁移Hadoop数据至MRS集群方案如图1所示。

图1 Hadoop数据迁移示意

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。

约束与限制

搬迁数据量较大时，对网络通信要求较高，执行搬迁任务时，可能会影响其他业务，建议在业务空闲期进行数据迁移任务。

步骤1：新建数据连接

1. 登录CDM管理控制台。
2. 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。
3. 在“集群管理”页面单击待操作集群对应“操作”列的“作业管理”。
4. 在“连接管理”页签，单击“新建连接”。
5. 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2 HDFS连接
   

步骤2：新建迁移作业

1. 在“表/文件迁移” 页签，单击“新建作业”。
2. 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。

3. 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。
   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3 配置作业参数
   

4. 请参见配置HDFS目的端参数配置目的端连接的作业参数。
5. 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4 任务配置
     

6. 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

1. 登录迁移目的端集群主管理节点。
2. 在集群客户端内执行hdfs dfs -ls -h /user/命令查看迁移目的端集群中已迁移的文件。
3. （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。
   1. 在CDM集群中选择“作业管理”的“表/文件迁移”页签。
   2. 在迁移作业的“操作”列选择“更多 > 配置定时任务”。
   3. 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5 配置定时任务