计算
弹性云服务器 ECS
Flexus云服务
裸金属服务器 BMS
弹性伸缩 AS
镜像服务 IMS
专属主机 DeH
函数工作流 FunctionGraph
云手机服务器 CPH
Huawei Cloud EulerOS
网络
虚拟私有云 VPC
弹性公网IP EIP
虚拟专用网络 VPN
弹性负载均衡 ELB
NAT网关 NAT
云专线 DC
VPC终端节点 VPCEP
云连接 CC
企业路由器 ER
企业交换机 ESW
全球加速 GA
安全与合规
安全技术与应用
Web应用防火墙 WAF
企业主机安全 HSS
云防火墙 CFW
安全云脑 SecMaster
DDoS防护 AAD
数据加密服务 DEW
数据库安全服务 DBSS
云堡垒机 CBH
数据安全中心 DSC
云证书管理服务 CCM
边缘安全 EdgeSec
威胁检测服务 MTD
CDN与智能边缘
内容分发网络 CDN
CloudPond云服务
智能边缘云 IEC
迁移
主机迁移服务 SMS
对象存储迁移服务 OMS
云数据迁移 CDM
迁移中心 MGC
大数据
MapReduce服务 MRS
数据湖探索 DLI
表格存储服务 CloudTable
云搜索服务 CSS
数据接入服务 DIS
数据仓库服务 GaussDB(DWS)
数据治理中心 DataArts Studio
数据可视化 DLV
数据湖工厂 DLF
湖仓构建 LakeFormation
企业应用
云桌面 Workspace
应用与数据集成平台 ROMA Connect
云解析服务 DNS
专属云
专属计算集群 DCC
IoT物联网
IoT物联网
设备接入 IoTDA
智能边缘平台 IEF
用户服务
账号中心
费用中心
成本中心
资源中心
企业管理
工单管理
国际站常见问题
ICP备案
我的凭证
支持计划
客户运营能力
合作伙伴支持计划
专业服务
区块链
区块链服务 BCS
Web3节点引擎服务 NES
解决方案
SAP
高性能计算 HPC
视频
视频直播 Live
视频点播 VOD
媒体处理 MPC
实时音视频 SparkRTC
数字内容生产线 MetaStudio
存储
对象存储服务 OBS
云硬盘 EVS
云备份 CBR
存储容灾服务 SDRS
高性能弹性文件服务 SFS Turbo
弹性文件服务 SFS
云硬盘备份 VBS
云服务器备份 CSBS
数据快递服务 DES
专属分布式存储服务 DSS
容器
云容器引擎 CCE
容器镜像服务 SWR
应用服务网格 ASM
华为云UCS
云容器实例 CCI
管理与监管
云监控服务 CES
统一身份认证服务 IAM
资源编排服务 RFS
云审计服务 CTS
标签管理服务 TMS
云日志服务 LTS
配置审计 Config
资源访问管理 RAM
消息通知服务 SMN
应用运维管理 AOM
应用性能管理 APM
组织 Organizations
优化顾问 OA
IAM 身份中心
云运维中心 COC
资源治理中心 RGC
应用身份管理服务 OneAccess
数据库
云数据库 RDS
文档数据库服务 DDS
数据管理服务 DAS
数据复制服务 DRS
云数据库 GeminiDB
云数据库 GaussDB
分布式数据库中间件 DDM
数据库和应用迁移 UGO
云数据库 TaurusDB
人工智能
人脸识别服务 FRS
图引擎服务 GES
图像识别 Image
内容审核 Moderation
文字识别 OCR
AI开发平台ModelArts
图像搜索 ImageSearch
对话机器人服务 CBS
华为HiLens
视频智能分析服务 VIAS
语音交互服务 SIS
应用中间件
分布式缓存服务 DCS
API网关 APIG
微服务引擎 CSE
分布式消息服务Kafka版
分布式消息服务RabbitMQ版
分布式消息服务RocketMQ版
多活高可用服务 MAS
事件网格 EG
企业协同
华为云会议 Meeting
云通信
消息&短信 MSGSMS
云生态
合作伙伴中心
云商店
开发者工具
SDK开发指南
API签名指南
Terraform
华为云命令行工具服务 KooCLI
其他
产品价格详情
系统权限
管理控制台
客户关联华为云合作伙伴须知
消息中心
公共问题
开发与运维
应用管理与运维平台 ServiceStage
软件开发生产线 CodeArts
需求管理 CodeArts Req
部署 CodeArts Deploy
性能测试 CodeArts PerfTest
编译构建 CodeArts Build
流水线 CodeArts Pipeline
制品仓库 CodeArts Artifact
测试计划 CodeArts TestPlan
代码检查 CodeArts Check
代码托管 CodeArts Repo
云应用引擎 CAE
开天aPaaS
云消息服务 KooMessage
云手机服务 KooPhone
云空间服务 KooDrive
文档首页/ MapReduce服务 MRS/ 最佳实践/ 数据迁移/ 数据迁移到MRS前信息收集

数据迁移到MRS前信息收集

更新时间:2024-08-03 GMT+08:00

由于离线大数据搬迁有一定的灵活性,迁移前需要掌握现有集群的详细信息,以能够更好的进行迁移决策。

业务信息调研

  1. 大数据平台及业务的架构图。
  2. 大数据平台和业务的数据流图(包括峰值和均值流量等)。

    识别平台数据接入源、大数据平台数据流入方式(实时数据上报、批量数据抽取)、分析平台数据流向。

    数据在平台内各个组件间的流向,比如使用什么组件采集数据,采集完数据后数据如何流向下一层组件,使用什么组件存储数据,数据处理过程中的工作流等。

  3. 业务作业类型Hive SQL、Spark SQL、Spark Python等,是否需要使用MRS的第三方包,参考MRS应用开发样例
  4. 调度系统,需要考虑调度系统对接MRS集群。
  5. 迁移后,业务割接允许中断时长,识别平台业务优先级。

    识别在迁移过程中不能中断的业务、可短时中断的业务、整体业务迁移可接受的迁移时长,梳理业务迁移顺序。

  6. 客户端部署要求。
  7. 业务执行时间段和高峰时间段。
  8. 大数据集群的数量和大数据集群功能划分,分析平台业务模型。

    各个集群或各个组件分别负责什么业务,处理什么类型的数据。比如实时/离线数据分别使用什么组件处理、数据格式类型、压缩算法等。

集群基本信息收集

表1 集群基本信息

参数

说明

集群名称

-

集群版本

MRS、CDM等集群的版本信息。

节点数及规格

调研现有集群节点数和节点规格。

如果集群硬件异构,请收集多种规格和对应节点数,参见表2

例如:

  • 2台32U64G机器部署NameNode + ResourceManager
  • 2台32U64G机器部署HiveServer
  • 20台16U32G机器部署DataNode和NodeManager

是否开启Kerberos认证

是或否

权限控制及说明

调研各个开启ACL权限控制的组件和配置,通常涉及Yarn、Hive、Impala、HBase等组件。

使用Ranger、Sentry或组件开源的权限能力进行权限控制。

所在Region/AZ

云上资源填写项

虚拟私有云

云上资源填写项

子网

云上资源填写项

安全组

云上资源填写项

表2 硬件信息调研表

节点组

CPU和内存信息

磁盘和网络(按节点组统计)

HDFS

Yarn

-

-

磁盘信息(数据盘大小、磁盘IO、当前磁盘使用率和IO情况)

网络(网卡带宽大小、网络读写速度和峰值)

NameNode

DataNode

JournalNode

NodeManager

ResourceManager

master1

(16U64G)

-

-

1

-

1

-

1

master2

(16U64G)

-

-

1

-

1

-

1

master3

(16U64G)

-

-

-

-

1

-

-

Core-group1

(32U128G)*数量

-

-

-

1

-

1

-

Core-group1

(32U129G)

-

-

-

-

-

-

-

Core-group1

(32U130G)

-

-

-

-

-

-

-

大数据组件信息

使用的大数据组件信息和规划的新版本大数据集群版本信息比较,主要识别版本差异可能对迁移过程的影响,以及对迁移后业务兼容性的影响。

表3 大数据组件信息

大数据组件

源端集群版本

目的端集群版本(以MRS集群版本为准)

说明

HDFS/OBS(或其他文件存储系统)

Hadoop 2.8.3

Hadoop 3.3.1

-

Hive

1.2.1

2.3.3

存储元数据的数据库:MySQL

HBase

1.3.1

1.3.1

-

Spark

2.2.2

3.1.1

-

Kafka

1.1.0

2.11-2.4.0

-

Oozie

2.x

5.1.0

-

MySQL

5.7.1

RDS

-

Flink

1.7

1.15

-

...

...

...

-

待迁移的存量数据及数据量统计

如果使用HDFS作为文件存储系统,可以通过客户端执行hadoop fs -du -h HDFS文件目录命令统计路径下的文件大小。
表4 现有数据量统计

大数据组件

待迁移数据的路径

数据量大小

文件个数或表个数

HDFS/OBS(或其他文件存储系统)

/user/helloworld

XXX

总共:XXX个文件

小于2 MB的文件数量:XXX

Hive

/user/hive/warehouse/

XXX

表个数:XXX

HBase

/hbase

XXX

表个数:XXX

Region个数:XXX

每天新增数据量统计

每天新增数据量主要评估数据增长速度(可以按天/小时等周期维度)。在第一次全量迁移数据后,后续可以定期搬迁老集群新增数据,直到业务完成最终割接。
表5 新增数据量统计

大数据组件

待迁移的数据路径

新增数据量大小

HDFS/OBS(或其他文件存储系统)

/user/helloworld

XXX

Hive

/user/hive/warehouse/

XXX

HBase

/hbase

XXX

网络出口带宽能力

  • 迁移数据可以使用的最大网络带宽和专线带宽(是否可调)。
  • 迁移数据作业每天可以运行的时间段。

流式Kafka集群信息收集

表6 流式Kafka集群信息

收集信息项

描述

Kafka的Topic数量和名称

-

Kafka的本地数据暂存时间

如果每个Topic配置不一样,按Topic粒度收集。

每个Topic的副本数和Partition数量

默认为2,副本数越多数据越可靠,也会消耗磁盘空间。

如果每个Topic配置不一样,按Topic粒度收集。

Kafka生产和消费的流量大小

细化到Topic级别。

Kafka客户端ACK配置Acks

-

数据迁移模型样例

  • 一个离线分析平台的客户业务系统,由Spark Streaming消费Kafka数据存入HDFS,HDFS上进行小文件合并后加载到Hive表中,运营人员可以通过Presto进行Hive数据查询。
    图1 源集群业务图
  • 针对大数据离线平台包括HDFS和Hive数据需要迁移,Kafka、Spark Streaming、HDFS、Hive、Presto的业务程序要在目的端集群上部署。
    图2 迁移示意图

我们使用cookie来确保您的高速浏览体验。继续浏览本站,即表示您同意我们使用cookie。 详情

文档反馈

文档反馈

意见反馈

0/500

标记内容

同时提交标记内容