使用CDM服务迁移MRS HDFS数据至OBS

应用场景

MRS支持在大数据存储容量大、计算资源需要弹性扩展的场景下，用户将数据存储在OBS服务中，使用MRS集群仅作数据计算处理的存算分离模式，从而实现按需灵活扩展资源、低成本的海量数据分析方案。

CDM支持文件到文件类数据的迁移，本章节以MRS HDFS至OBS为例，介绍如何通过CDM将文件类数据迁移到OBS文件系统中。

使用CDM服务迁移MRS HDFS数据至OBS流程如下：

1. 步骤1：创建CDM集群并绑定EIP
2. 步骤2：创建MRS HDFS连接
3. 步骤3：创建OBS连接
4. 步骤4：创建迁移作业

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HDFS数据至MRS集群方案如图1所示。

图1 HDFS数据迁移示意

前提条件

• 已获取OBS的访问域名、端口，以及AK、SK信息。
• 已经创建包含有Hadoop服务的MRS集群。
• 拥有EIP配额并创建EIP。

步骤1：创建CDM集群并绑定EIP

1. 如果是独立CDM服务，参考创建集群创建CDM集群；如果是作为DataArts Studio服务CDM组件使用，参考创建集群创建CDM集群。

   关键配置如下：

   • CDM集群的规格，按待迁移的数据量选择，一般选择“cdm.medium”即可，满足大部分迁移场景。
   • CDM集群所在VPC、子网、安全组，选择与MRS集群所在的网络一致。

2. CDM集群创建完成后，选择集群操作列的“绑定弹性IP”，CDM通过EIP访问MRS HDFS。
   图2 集群列表
   
   

   如果用户对本地数据源的访问通道做了SSL加密，则CDM无法通过弹性IP连接数据源。

步骤2：创建MRS HDFS连接

1. 在CDM集群管理界面，单击集群后的“作业管理”，选择“连接管理 > 新建连接”，连接器类型选择“MRS HDFS”后，单击“下一步”，配置MRS HDFS链接参数。
   • 名称：用户自定义连接名称，例如“mrs_hdfs_link”。
   • Manage IP：MRS Manager的IP地址，可以单击输入框后的“选择”来选定已创建的MRS集群，CDM会自动填充下面的鉴权参数。
   • 用户名：选择KERBEROS鉴权时，需要配置MRS Manager中创建的用户。

     从HDFS导出目录时，如果需要创建快照，这里配置的用户需要具有HDFS系统的管理员权限。

   • 密码：访问MRS Manager的用户密码。
   • 认证类型：访问MRS的认证类型。
   • 运行模式：选择HDFS连接的运行模式。

步骤3：创建OBS连接

1. 在CDM集群管理界面，单击集群后的“作业管理”，选择“连接管理 > 新建连接”，连接器类型选择“对象存储服务（OBS）”后，单击“下一步”配置OBS连接参数，如图3所示。
   • 名称：用户自定义连接名称，例如“obslink”。
   • OBS终端节点、端口：配置为OBS实际的地址信息。
   • OBS类型：保持默认。
   • 访问标识（AK）、密钥（SK）：登录OBS的AK、SK信息。
   图3 创建OBS连接
   

2. 单击“保存”回到连接管理界面。

步骤4：创建迁移作业

1. 在CDM集群管理界面，单击集群后的“作业管理”，选择“表/文件迁移 > 新建作业”，开始创建从MRS HDFS导出数据到OBS的任务。
   图4 创建MRS HDFS到OBS的迁移任务
   
   • 作业名称：用户自定义便于记忆、区分的任务名称。
   • 源端作业配置
     • 源连接名称：选择步骤2：创建MRS HDFS连接中的“hdfs_link”。
     • 源目录或文件：待迁移数据的目录或单个文件路径。
     • 文件格式：传输数据时所用的文件格式，这里选择“二进制格式”。不解析文件内容直接传输，不要求文件格式必须为二进制。适用于文件到文件的原样复制。
     • 其他可选参数一般情况下保持默认即可，详细说明请参见配置HDFS源端参数。
   • 目的端作业配置
     • 目的连接名称：选择步骤3：创建OBS连接中的“obs_link”。
     • 桶名：待迁移数据的桶。
     • 写入目录：写入数据到OBS服务器的目录。
     • 文件格式：迁移文件类数据到文件时，文件格式选择“二进制格式”。
     • 高级属性里的可选参数一般情况下保持默认既可，详细说明请参见配置OBS目的端参数。

2. 单击“下一步”进入字段映射界面，CDM会自动匹配源和目的字段。
   • 如果字段映射顺序不匹配，可通过拖拽字段调整。
   • CDM的表达式已经预置常用字符串、日期、数值等类型的字段内容转换，详细请参见字段转换。

3. 单击“下一步”配置任务参数，一般情况下全部保持默认即可。
   该步骤用户可以配置如下可选功能：

   • 作业失败重试：如果作业执行失败，可选择是否自动重试，这里保持默认值“不重试”。
   • 作业分组：选择作业所属的分组，默认分组为“DEFAULT”。在CDM“作业管理”界面，支持作业分组显示、按组批量启动作业、按分组导出作业等操作。
   • 是否定时执行：如果需要配置作业定时自动执行，请参见配置定时任务。这里保持默认值“否”。
   • 抽取并发数：设置同时执行的抽取任务数。CDM支持多个文件的并发抽取，调大参数有利于提高迁移效率
   • 是否写入脏数据：否，文件到文件属于二进制迁移，不存在脏数据。
   • 作业运行完是否删除：这里保持默认值“不删除”。根据使用场景，也可配置为“删除”，防止迁移作业堆积。

4. 单击“保存并运行”，回到作业管理界面，在作业管理界面可查看作业执行进度和结果。
5. 作业执行成功后，单击作业操作列的“历史记录”，可查看该作业的历史执行记录、读取和写入的统计数据。

   在历史记录界面单击“日志”，可查看作业的日志信息。