使用CDM服务迁移MySQL数据至MRS Hive

应用场景

MapReduce服务（MapReduce Service，简称MRS）提供企业级大数据集群云服务，里面包含HDFS、Hive、Spark等组件，适用于企业海量数据分析。

其中Hive提供类SQL查询语言，帮助用户对大规模的数据进行提取、转换和加载，即通常所称的ETL（Extraction，Transformation，and Loading）操作。对庞大的数据集查询需要耗费大量的时间去处理，在许多场景下，可以通过建立Hive分区方法减少每一次扫描的总数据量，这种做法可以显著地改善性能。

Hive的分区使用HDFS的子目录功能实现，每一个子目录包含了分区对应的列名和每一列的值。当分区很多时，会有很多HDFS子目录，如果不依赖工具，将外部数据加载到Hive表各分区不是一件容易的事情。

云数据迁移服务（CDM）可以请轻松将外部数据源（关系数据库、对象存储服务、文件系统服务等）加载到Hive分区表。

本实践为您演示使用CDM云服务将MySQL数据导入到MRS集群内的Hive分区表中。

假设MySQL数据库中有一张表“trip_data”，保存了自行车骑行记录，里面有起始时间、结束时间，起始站点、结束站点、骑手ID等信息。

“trip_data”表字段定义如图1所示。

图1 MySQL表字段

使用CDM将MySQL中的数据导入到MRS Hive分区表，流程如下：

1. 步骤1：在MRS Hive上创建Hive分区表
2. 步骤2：创建CDM集群并绑定EIP
3. 步骤3：创建MySQL连接
4. 步骤4：创建Hive连接
5. 步骤5：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MySQL数据至MRS集群方案如图2所示。

图2 MySQL数据迁移示意

前提条件

• 已经购买包含有Hive服务的MRS集群。
• 已获取连接MySQL数据库的IP地址、端口、数据库名称、用户名、密码，且该用户拥有MySQL数据库的读写权限。
• 已参考管理驱动，上传了MySQL数据库驱动。

步骤1：在MRS Hive上创建Hive分区表

在MRS的Hive客户端中，执行以下SQL语句创建一张Hive分区表，表名与MySQL上的表trip_data一致，且Hive表比MySQL表多建三个字段y、ym、ymd，作为Hive的分区字段。

SQL语句如下：

1	create table trip_data(TripID int,Duration int,StartDate timestamp,StartStation varchar(64),StartTerminal int,EndDate timestamp,EndStation varchar(64),EndTerminal int,Bike int,SubscriberType varchar(32),ZipCodev varchar(10))partitioned by (y int,ym int,ymd int);

Hive表trip_data有三个分区字段：骑行起始时间的年、骑行起始时间的年月、骑行起始时间的年月日。

例如一条骑行记录的起始时间为2018/5/11 9:40，那么这条记录会保存在分区trip_data/2018/201805/20180511下面。

对trip_data进行按时间维度统计汇总时，只需要对局部数据扫描，大大提升性能。

步骤2：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MySQL。
   图3 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3：创建MySQL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”，进入连接器类型的选择界面。
   图4 选择连接器类型
   

2. 选择“MySQL”后单击“下一步”，配置MySQL连接的参数。

   单击“显示高级属性”可查看更多可选参数，具体请参见配置关系数据库连接。此处保持默认，必填参数如表1所示。

   表1 MySQL连接参数

   参数名	说明	取值样例
   名称	输入便于记忆和区分的连接名称。	mysqllink
   数据库服务器	MySQL数据库的IP地址或域名。	192.168.1.110
   端口	MySQL数据库的端口。	3306
   数据库名称	MySQL数据库的名称。	sqoop
   用户名	拥有MySQL数据库的读、写和删除权限的用户。	admin
   密码	用户的密码。	-
   使用Agent	是否选择通过Agent从源端提取数据。	是
   Agent	单击“选择”，选择已创建的Agent。	-

3. 单击“保存”回到连接管理界面。
   

   如果保存时出错，一般是由于MySQL数据库的安全设置问题，需要设置允许CDM集群的EIP访问MySQL数据库。

步骤4：创建Hive连接

1. 在连接管理界面，单击“新建连接”，连接器类型选择“MRS Hive”。
2. 单击“下一步”配置Hive连接参数，如图5所示。
   图5 创建Hive连接
   

   各参数说明如表2所示，需要您根据实际情况配置。

   表2 MRS Hive连接参数

   参数名	说明	取值样例
   名称	连接的名称，根据连接的数据源类型，用户可自定义便于记忆、区分的连接名。	hivelink
   Manager IP	MRS Manager的浮动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。	127.0.0.1
   认证类型	访问MRS的认证类型： SIMPLE：非安全模式选择Simple鉴权。 KERBEROS：安全模式选择Kerberos鉴权。	SIMPLE
   Hive版本	Hive的版本。根据服务端Hive版本设置。	HIVE_3_X
   用户名	选择KERBEROS鉴权时，需要配置MRS Manager的用户名和密码。从HDFS导出目录时，如果需要创建快照，这里配置的用户需要HDFS系统的管理员权限。 如果要创建MRS安全集群的数据连接，不能使用admin用户。因为admin用户是默认的管理页面用户，这个用户无法作为安全集群的认证用户来使用。您可以创建一个新的MRS用户，然后在创建MRS数据连接时，“用户名”和“密码”填写为新建的MRS用户及其密码。 说明： 如果CDM集群为2.9.0版本及之后版本，且MRS集群为3.1.0及之后版本，则所创建的用户至少需具备Manager_viewer的角色权限才能在CDM创建连接；如果需要对应组件的进行库、表、数据的操作，还需要添加对应组件的用户组权限。 如果CDM集群为2.9.0之前的版本，或MRS集群为3.1.0之前的版本，则所创建的用户需要具备Manager_administrator或System_administrator权限，才能在CDM创建连接。 仅具备Manager_tenant或Manager_auditor权限，无法创建连接。	cdm
   密码	访问MRS Manager的用户密码。	-
   OBS支持	需服务端支持OBS存储。在创建Hive表时，您可以指定将表存储在OBS中。	否
   运行模式	“HIVE_3_X”版本支持该参数。支持以下模式： EMBEDDED：连接实例与CDM运行在一起，该模式性能较好。 STANDALONE：连接实例运行在独立进程。如果CDM需要对接多个Hadoop数据源（MRS、Hadoop或CloudTable），并且既有KERBEROS认证模式又有SIMPLE认证模式，只能使用STANDALONE模式或者配置不同的Agent。 说明：STANDALONE模式主要是用来解决版本冲突问题的运行模式。当同一种数据连接的源端或者目的端连接器的版本不一致时，存在jar包冲突的情况，这时需要将源端或目的端放在STANDALONE进程里，防止冲突导致迁移失败。	EMBEDDED
   是否使用集群配置	您可以通过使用集群配置，简化Hive连接参数配置。	否
   集群配置名	仅当“是否使用集群配置”为“是”时，此参数有效。此参数用于选择用户已经创建好的集群配置。 集群配置的创建方法请参见管理集群配置。	hive_01

3. 单击“保存”回到连接管理界面。

步骤5：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”，开始创建数据迁移任务，如图6所示。
   图6 创建MySQL到Hive的迁移任务
   
   

   “导入前清空数据”选“是”，这样每次导入前，会将之前已经导入到Hive表的数据清空。

2. 作业参数配置完成后，单击“下一步”，进入字段映射界面，如图7所示。

   映射MySQL表和Hive表字段，Hive表比MySQL表多三个字段y、ym、ymd，即是Hive的分区字段。由于没有源表字段直接对应，需要配置表达式从源表的StartDate字段抽取。

   图7 Hive字段映射
   

3. 单击进入转换器列表界面，再选择“新建转换器 > 表达式转换”。

   y、ym、ymd字段的表达式分别配置如下：

   DateUtils.format(DateUtils.parseDate(row[2],"yyyy-MM-dd HH:mm:ss.SSS"),"yyyy")

   DateUtils.format(DateUtils.parseDate(row[2],"yyyy-MM-dd HH:mm:ss.SSS"),"yyyyMM")

   DateUtils.format(DateUtils.parseDate(row[2],"yyyy-MM-dd HH:mm:ss.SSS"),"yyyyMMdd")

   

   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。

4. 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。这里保持默认值“1”。
   • 是否写入脏数据：如果需要将作业执行过程中处理失败的数据、或者被清洗过滤掉的数据写入OBS中，以便后面查看，可通过该参数配置，写入脏数据前需要先配置好OBS连接。这里保持默认值“否”即可，不记录脏数据。
   • 作业运行完是否删除：这里保持默认值“不删除”。

5. 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。
6. 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。