# 步骤3：数据集成 本章节将介绍如何使用DataArts Studio数据集成将源数据批量迁移到云上。 #### 创建集群 批量数据迁移集群提供数据上云和数据入湖的集成能力，全向导式配置和管理，支持单表、整库、增量、周期性数据集成。DataArts Studio基础包中已经包含一个数据集成的集群，如果无法满足业务需求，在购买DataArts Studio基础包实例后，您可以根据实际需求购买批量数据迁移增量包。 购买数据迁移增量包的具体操作请参考[购买批量数据迁移增量包](https://support.huaweicloud.com/usermanual-dataartsstudio/dataartsstudio_01_0119.html)章节。 #### 新建数据迁移的源连接、目的连接 1. [登录CDM管理控制台。](https://console.huaweicloud.com/cdm/?#/cdm/clusterList)单击左侧导航上的"集群管理"，进入集群管理界面。 或参考[访问DataArts Studio实例控制台](https://support.huaweicloud.com/usermanual-dataartsstudio/dataartsstudio_01_0001.html)，登录DataArts Studio管理控制台。在DataArts Studio控制台首页，选择对应工作空间的"数据集成"模块，进入CDM首页。 图1集群列表 ![](https://support.huaweicloud.com/qs-dataartsstudio/zh-cn_image_0000002239778293.png "点击放大") ![](https://support.huaweicloud.com/qs-dataartsstudio/public_sys-resources/note_3.0-zh-cn.png) "创建来源"列仅通过DataArts Studio服务进入数据集成界面可以看到。 2. 在左侧导航栏中单击"集群管理"进入"集群管理"页面。然后，在集群列表中找到所需要的集群，单击"作业管理"。 图2集群管理 ![](https://support.huaweicloud.com/qs-dataartsstudio/zh-cn_image_0000001570156569.png "点击放大") 3. 进入作业管理后，选择"连接管理"。 图3连接管理 ![](https://support.huaweicloud.com/qs-dataartsstudio/zh-cn_image_0000001519517056.png "点击放大") 4. 创建两个连接，一个源连接OBS连接，用于读取存储在OBS上的原始数据，一个目的连接MRS Hive连接，用于将数据写入MRS Hive数据库中。 单击"新建连接"，进入相应页面后，选择连接器类型"对象存储服务（OBS）"，单击"下一步"，然后如下图所示配置连接参数，单击"保存"。 图4创建OBS连接 ![](https://support.huaweicloud.com/qs-dataartsstudio/zh-cn_image_0000001182509563.png "点击放大") 表1OBS连接的参数 | 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。 | obs_link | | OBS终端节点 | 终端节点（Endpoint）即调用API的**请求地址**，不同服务不同区域的终端节点不同。您可以通过以下方式获取OBS桶的Endpoint信息： OBS桶的Endpoint，可以进入OBS控制台概览页，单击桶名称后查看桶的基本信息获取。 说明： - CDM集群和OBS桶不在同一个Region时，不支持跨Region访问OBS桶。 - 作业运行中禁止修改密码或者更换用户。在作业运行过程中修改密码或者更换用户，密码不会立即生效且作业会运行失败。 | obs.myregion.mycloud.com | | 端口 | 数据传输协议端口，https是443，http是80。 | 443 | | OBS桶类型 | 用户下拉选择即可，一般选择为"对象存储"。 | 对象存储 | | 访问标识(AK) | AK和SK分别为登录OBS服务器的访问标识与密钥。 您需要先创建当前账号的访问密钥，并获得对应的AK和SK。 您可以通过如下方式获取访问密钥。 1. 登录控制台，在用户名下拉列表中选择"我的凭证"。 2. 进入"我的凭证"页面，选择"访问密钥 \> 新增访问密钥"，如[图5]所示。 图5新增访问密钥 ![](https://support.huaweicloud.com/qs-dataartsstudio/zh-cn_image_0000002613707359.png "点击放大") 3. 单击"确定"，根据浏览器提示，保存密钥文件。密钥文件会直接保存到浏览器默认的下载文件夹中。打开名称为"credentials.csv"的文件，即可查看访问密钥（Access Key Id和Secret Access Key）。 说明： - 每个用户仅允许新增两个访问密钥。 - 为保证访问密钥的安全，访问密钥仅在初次生成时自动下载，后续不可再次通过管理控制台界面获取。请在生成后妥善保管。 | - | | 密钥(SK) | AK和SK分别为登录OBS服务器的访问标识与密钥。 您需要先创建当前账号的访问密钥，并获得对应的AK和SK。 您可以通过如下方式获取访问密钥。 1. 登录控制台，在用户名下拉列表中选择"我的凭证"。 2. 进入"我的凭证"页面，选择"访问密钥 \> 新增访问密钥"，如[图5]所示。 图5新增访问密钥 ![](https://support.huaweicloud.com/qs-dataartsstudio/zh-cn_image_0000002613707359.png "点击放大") 3. 单击"确定"，根据浏览器提示，保存密钥文件。密钥文件会直接保存到浏览器默认的下载文件夹中。打开名称为"credentials.csv"的文件，即可查看访问密钥（Access Key Id和Secret Access Key）。 说明： - 每个用户仅允许新增两个访问密钥。 - 为保证访问密钥的安全，访问密钥仅在初次生成时自动下载，后续不可再次通过管理控制台界面获取。请在生成后妥善保管。 | - | | 连接属性 | 可选参数，单击"显示高级属性"后显示。 自定义连接属性，单击"添加"可增加自定义连接属性。 目前仅支持配置file.gen.identifier.only.when.data.migrate属性，该属性用于与目的端的"作业成功标识文件"参数配合，以控制是否生成成功标识文件。 常见配置举例如下： - 属性名称：值为file.gen.identifier.only.when.data.migrate：true且目的端已配置"作业成功标识文件"时，系统将检查数据是否已生成。 - 如果数据存在，则生成标识文件。 - 如果数据不存在，则不会生成标识文件。 - 属性名称：值为file.gen.identifier.only.when.data.migrate：false且目的端已配置"作业成功标识文件"时，系统将不检查数据直接生成标识文件，即无论数据是否存在，都生成标识文件。 | - | 在"连接管理"页面，再次单击"新建连接"，进入相应页面后，选择连接器类型为"MRS Hive"，单击"下一步"，然后如下图所示配置连接参数，单击"保存"。 图6创建MRS Hive连接 ![](https://support.huaweicloud.com/qs-dataartsstudio/zh-cn_image_0000001579494848.png "点击放大") 表2MRS 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 | 输入或选择Manager IP。 通过"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。 Hadoop类型为MRS：输入MRS Manager IP。 Hadoop类型为FusionInsight HD：输入FusionInsight HD Manager IP。 手动填写IP时请根据场景和顺序填写： - 填写单个IP时，ip应为MRS集群管理面的浮动IP。 - 填写2个IP时，应填写MRS集群业务面的主节点IP和备节点IP，多个IP之间使用";"分隔。 - 填写3个IP时，应填写MRS集群业务面的主节点IP、备节点IP和MRS集群管理面的浮动IP，多个IP之间使用";"分隔。 说明： 当前DataArts Studio不支持对接"Kerberos加密类型"为"aes256-sha2,aes128-sha2"的MRS集群。如需对接MRS集群，请注意"Kerberos加密类型"应为"aes256-sha1,aes128-sha1"。 | - 127.0.0.1 - 127.0.0.1;127.0.0.2;127.0.0.3 | | 连接方式 | 通过JDBC/API的方式去连接MRS集群提交SQL，如果是非MRS集群、非hive3x场景、hive作为源端场景，请使用JDBC模式。Standalone模式不支持API模式。默认场景下API模式仅适用实际执行插入数据SQL，其他SQL提交均通过JDBC模式。 | JDBC | | JobGateway IP | 连接方式为API时显示该参数。 JobGateway IP，可以通过MRS JobGateway模块获取对应的IP，IP之间通过逗号间隔。 | x.x.x.x,x.x.x.x | | 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 | | Kerberos认证类型 | 认证类型为KERBEROS时显示该参数。 开启Kerberos认证，可以选择是keyTab或者Basic方式进行连接认证。 - BASIC：表示使用用户名密码连接。 当选择Basic方式认证时： - 支持作为源端，源端读取方式支持JDBC、不支持HDFS、不支持多并发。 - 不支持作为目的端。 - HIVE版本支持HIVE_3_X。 - KEYTAB：表示使用keytab文件的方式进行认证。 | KEYTAB | | 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MRS组件的库、表、列进行操作，还需要参考MRS文档添加对应组件的库、表、列操作权限。 - 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。 | - | | 开启LDAP认证 | 通过代理连接的时候，此项可配置。 当MRS Hive对接外部LDAP开启了LDAP认证时，连接Hive时需要使用LDAP账号与密码进行认证，此时必须开启此参数，否则会连接失败。 | 否 | | LDAP用户名 | 当"开启LDAP认证"参数选择为"是"时，此参数是必选项。 填写为MRS Hive开启LDAP认证时配置的用户名。 | - | | LDAP密码 | 当"开启LDAP认证"参数选择为"是"时，此参数是必选项。 填写为MRS Hive开启LDAP认证时配置的密码。 | - | | 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 | | 访问标识(AK) | 当"OBS支持"参数选择为"是"时，此参数是必选项。请注意，此处AK/SK对应的账号应具备OBS Buckets Viewer系统权限，否则会无法访问OBS并报"403 AccessDenied"错误。 您需要先创建当前账号的访问密钥，并获得对应的AK和SK。 1. 登录控制台，在用户名下拉列表中选择"我的凭证"。 2. 进入"我的凭证"页面，选择"访问密钥 \> 新增访问密钥"，如[图7]所示。 图7新增访问密钥 ![](https://support.huaweicloud.com/qs-dataartsstudio/zh-cn_image_0000002613707359.png "点击放大") 3. 单击"确定"，根据浏览器提示，保存密钥文件。密钥文件会直接保存到浏览器默认的下载文件夹中。打开名称为"credentials.csv"的文件，即可查看访问密钥（Access Key Id和Secret Access Key）。 说明： - 每个用户仅允许新增两个访问密钥。 - 为保证访问密钥的安全，访问密钥仅在初次生成时自动下载，后续不可再次通过管理控制台界面获取。请在生成后妥善保管。 | - | | 密钥(SK) | 当"OBS支持"参数选择为"是"时，此参数是必选项。请注意，此处AK/SK对应的账号应具备OBS Buckets Viewer系统权限，否则会无法访问OBS并报"403 AccessDenied"错误。 您需要先创建当前账号的访问密钥，并获得对应的AK和SK。 1. 登录控制台，在用户名下拉列表中选择"我的凭证"。 2. 进入"我的凭证"页面，选择"访问密钥 \> 新增访问密钥"，如[图7]所示。 图7新增访问密钥 ![](https://support.huaweicloud.com/qs-dataartsstudio/zh-cn_image_0000002613707359.png "点击放大") 3. 单击"确定"，根据浏览器提示，保存密钥文件。密钥文件会直接保存到浏览器默认的下载文件夹中。打开名称为"credentials.csv"的文件，即可查看访问密钥（Access Key Id和Secret Access Key）。 说明： - 每个用户仅允许新增两个访问密钥。 - 为保证访问密钥的安全，访问密钥仅在初次生成时自动下载，后续不可再次通过管理控制台界面获取。请在生成后妥善保管。 | - | | 项目ID | 项目ID。 | - | | 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。 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 | | 检查Hive JDBC连通性 | 是否需要测试Hive JDBC连通。 | 否 | | 是否使用集群配置 | 您可以通过使用集群配置，简化Hadoop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](https://support.huaweicloud.com/usermanual-dataartsstudio/dataartsstudio_01_1096.html)。 | hive_01 | #### 新建表/文件迁移作业 1. 在DataArts Studio数据集成控制台，进入"集群管理"页面，在集群列表中找到所需要的集群，单击"作业管理"。 2. 在"作业管理"页面，单击"表/文件迁移"，再单击"新建作业"。 图8表/文件迁移 ![](https://support.huaweicloud.com/qs-dataartsstudio/zh-cn_image_0000001570404821.png "点击放大") 3. 按照如下步骤完成作业参数的配置。 1. 如[图9]所示，配置作业名称、源端作业参数和目的端作业参数，然后单击"下一步"。 - **作业名称**：source-sdi - **源端作业配置** - **源连接名称**：obs-link - **桶名**：fast-demo - **源目录或文件**：/2017_Yellow_Taxi_Trip_Data.csv - **文件格式**：CSV格式 - **显示高级属性** ：单击"显示高级属性"，在"高级属性"中，系统提供了默认值，请根据实际业务数据的格式设置各项参数。 在本示例中，根据[准备数据源](https://support.huaweicloud.com/qs-dataartsstudio/dataartsstudio_04_0004.html#dataartsstudio_04_0004__section167515015515)中的样例数据格式，需注意以下参数的设置，其他参数经过一一确认均保留默认值即可。 - **字段分隔符**：默认值为逗号，本示例保留默认值即可。 - **前N行为标题行**：设置为"是"，本示例首行是标题行。 - **标题行数**：配置为1。 - **编码类型**：默认值为UTF-8，本示例保留默认值即可。 - **目的端作业配置** - **目的连接名称**：mrs-link。 - **数据库名称：**demo_sdi_db。 - **表名：**sdi_taxi_trip_data。 - **导入前清空数据** ：是。 ![](https://support.huaweicloud.com/qs-dataartsstudio/public_sys-resources/note_3.0-zh-cn.png) 在本示例中，目的端作业参数"导入前清空数据"配置为"是"，表示每次作业运行都会先清空数据再导入。在实际业务中，请视情况而定，需谨慎设置，以免造成数据丢失。 图9作业配置 ![](https://support.huaweicloud.com/qs-dataartsstudio/zh-cn_image_0000001130261261.png "点击放大") 2. 在字段映射中，请参考以下说明配置字段映射以及日期字段的时间格式，如[图10]所示，配置完成后，单击"下一步"。 - **字段映射** ：在本示例中，由于数据迁移的目标表字段顺序和原始数据的字段顺序是一样的，因此这里不需要调整字段映射的顺序。 如果目标表字段顺序和原始数据不一致，请一一将源字段指向含义相同的目的字段。请将鼠标移至某一个字段的箭头起点，当光标显示为"+"的形状时，按住鼠标，将箭头指向相同含义的目的字段，然后松开鼠标。 - **时间格式** ：样例数据中第2、第3个字段为时间字段，数据格式如"02/14/2017 04:08:11 PM"，因此此处设置这两个字段的时间格式为"MM/dd/yyyy hh:mm:ss a"，可以在输入框中手动输入该格式。 时间格式请根据实际的数据格式进行设置，例如： "yyyy/MM/dd HH:mm:ss"代表将时间转换为24小时制，例如2019/08/18 15:35:45。 "yyyy/MM/dd hh:mm:ss a"代表将时间转换为12小时制，例如2019/06/27 03:24:21 PM。 图10字段映射 ![](https://support.huaweicloud.com/qs-dataartsstudio/zh-cn_image_0000001263095953.png "点击放大") 3. 根据需要配置任务的重试和定时执行。 图11任务配置 ![](https://support.huaweicloud.com/qs-dataartsstudio/zh-cn_image_0262779170.png "点击放大") 单击"显示高级属性"，可配置"抽取并发数"以及"是否写入脏数据"等参数，具体参数以实际界面为准，如[图12]所示。 - **抽取并发数**：您可以根据业务量进行配置。数据源端如果是文件类型，当有多个文件时，增大并发数可以提升抽取速率。 - **是否写入脏数据** ：建议配置为"是"，然后参考[图12]配置相关参数。脏数据是指与目的端字段不匹配的数据，该数据可以被记录到指定的OBS桶中。用户配置脏数据归档后，正常数据可以写入目的端，迁移作业不会因脏数据中断。在本示例中，"OBS桶"配置为在[准备数据源](https://support.huaweicloud.com/qs-dataartsstudio/dataartsstudio_04_0004.html#dataartsstudio_04_0004__section167515015515)中的桶fast-demo，您需要前往OBS控制台，在fast-demo桶中单击"新建文件夹"创建一个目录，例如error-data，然后再将[图12]中的"脏数据目录"配置为该目录。 图12任务高级属性 ![](https://support.huaweicloud.com/qs-dataartsstudio/zh-cn_image_0000002530897898.png "点击放大") 4. 单击"保存"完成作业的创建。 返回"表/文件迁移"页面后，可在作业列表中查看到新建的作业。 图13迁移作业运行结果 ![](https://support.huaweicloud.com/qs-dataartsstudio/zh-cn_image_0000001162692956.png "点击放大")