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：

图2 迁移流程

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

• 在迁移过程中，源端HDFS文件的更改未能及时同步到目标集群，可能导致数据不一致。

  可以使用校验工具识别不一致数据，进行重迁或者补数。

• 迁移操作可能导致源端集群性能下降，影响源端业务的响应时间。建议在业务空闲时进行数据迁移，并在源端集群上合理配置资源，包括计算、存储和网络，确保其能承受迁移负载。

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。

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。
• CDM迁移方式无法迁移文件的属性，例如owner、ACL、checksum信息。
• 本章节以通过华为云CDM服务 2.9.2.200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。

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3 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。
   

   • 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
   

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5 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. 使用客户端安装用户登录迁移目的端集群客户端节点。
2. 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/

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6 配置定时任务
      

业务割接

图7 Hadoop数据迁移割接方案

• 割接条件

  完成全量迁移，增量迁移每日例行，作业运行无误，源端和目标端环境检查无异常，源端目标端数据校验一致。

• 待割接前：

  业务层对HDFS只读，不可修改，完成每日例行数据校验任务。

• 割接步骤：
  1. 停止数据源传输数据到源端HDFS集群。
  2. 通过distcp增量数据迁移完成后，需校验两端数据一致。
  3. 切换数据源传输数据到目标端MRS HDFS集群。
  4. 修改业务层获取数据地址为目标端MRS HDFS集群，业务层获取数据是否正常，验证成功后完成割接。
• 割接应急预案
  • 检查数据迁移任务状态，避免有失败迁移任务，如发生失败手动修复并迁移。
  • 手动处理修复割接期间缺失的数据。

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？