使用CDM迁移Hudi数据至MRS集群

操作场景

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Hudi集群中的数据迁移到华为云MRS服务。

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，有效地提高您数据迁移和集成的效率。

CDM支持数据全量迁移和增量迁移。选择CDM文件迁移可实现全量迁移，通过文件复制完成。选择CDM文件迁移，将策略配置为“跳过重复文件”可实现增量迁移。

CDM迁移Hudi数据至MRS集群方案如图1所示。

图1 Hudi数据迁移示意
点击放大

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Hudi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。

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。
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。

前提条件

确保源端集群和目标集群分别与CDM网络互通即可迁移。
迁移前需要对齐本次需要迁移的表范围，通过元数据定义的表需要获取库名、表名，通过路径定义的表需获取到表路径。

使用CDM迁移Hudi存量数据

登录CDM管理控制台。
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集群和待迁移的MRS集群之间网络互通。
在“集群管理”页面单击待操作集群对应“操作”列的“作业管理”。
在“连接管理”页签，单击“新建连接”。
参考CDM服务的新建连接页面，添加到迁移源端集群的连接，连接器类型根据实际集群来选择，例如连接器类型选择“Apache Hadoop”，参数说明具体请参考Apache HDFS。

图2 到迁移源端集群的连接
在“连接管理”页签，单击“新建连接”。
参考CDM服务的新建连接页面，添加到迁移目的端集群的连接，连接器类型根据实际集群来选择，例如连接器类型选择“MRS HDFS”，参数说明具体请参考MRS HDFS。

图3 到迁移目的端集群的连接
选择“作业管理”的“表/文件迁移”页签，单击“新建作业”。
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。
配置源端和目的端连接的作业参数。

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。
请参见配置HDFS目的端参数配置目的端连接的作业参数。
- 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”。
图4 Hudi作业配置
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
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Hudi数据迁移，并等待作业运行完成。
检查迁移后的数据。
1. 使用root登录客户端安装节点，执行如下命令：
```
cd 客户端安装目录
```
2. 执行命令加载环境变量：
```
source bigdata_env
```
```
source Hudi/component_env
```
3. 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
```
1. 启动spark-sql，查询迁移后的表数据。
```
spark-sql --master yarn
```
```
select count(*) from hudi_test.hudi_table1;
```

（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