迁移Hive数据至DLI
本文为您介绍如何通过CDM数据同步功能,迁移MRS Hive数据至DLI。其他MRS Hadoop组件数据,均可以通过CDM与DLI进行双向同步。
前提条件
- 已创建DLI的SQL队列。创建DLI队列的操作可以参考创建DLI队列。
创建DLI队列时队列类型需要选择为“SQL队列”。
- 已创建包含Hive组件的MRS安全集群。创建MRS集群的操作详细可以参考创建MRS集群。
- 本示例创建的MRS集群和各组件版本如下:
- MRS集群版本:MRS 3.1.0
- Hive版本:3.1.0
- Hadoop版本:3.1.1
- 本示例创建MRS集群时开启了Kerberos认证。
- 本示例创建的MRS集群和各组件版本如下:
- 已创建CDM迁移集群。创建CDM集群的操作可以参考创建CDM集群。
- 如果目标数据源为云下的数据库,则需要通过公网或者专线打通网络。通过公网互通时,需确保CDM集群已绑定EIP、CDM云上安全组出方向放通云下数据源所在的主机、数据源所在的主机可以访问公网且防火墙规则已开放连接端口。
- 数据源为云上的MRS、DWS等服务时,网络互通需满足如下条件:
i. CDM集群与云上服务处于不同区域的情况下,需要通过公网或者专线打通网络。通过公网互通时,需确保CDM集群已绑定EIP,数据源所在的主机可以访问公网且防火墙规则已开放连接端口。
ii. CDM集群与云上服务同区域情况下,同虚拟私有云、同子网、同安全组的不同实例默认网络互通;如果同虚拟私有云但是子网或安全组不同,还需配置路由规则及安全组规则。
配置路由规则请参见如何配置路由规则章节,配置安全组规则请参见如何配置安全组规则章节。
iii. 此外,您还必须确保该云服务的实例与CDM集群所属的企业项目必须相同,如果不同,需要修改工作空间的企业项目。
本示例CDM集群的虚拟私有云、子网以及安全组和MRS集群保持一致。
步骤一:数据准备
- MRS集群上创建Hive表和插入表数据。
- 参考访问MRS Manager登录MRS Manager。
- 在MRS Manager上,选择“系统 > 权限 > 角色”,单击“ 添加角色 ”,在添加角色页面分别配置参数。
- 角色名称:输入自定义的“角色名称”,例如当前输入为:hivetestrole。
- 配置资源权限:选择“当前MRS集群的名称 > hive”,勾选“Hive管理员权限”。
图1 Manager创建Hive的角色
更多MRS创建角色的操作说明可以参考:创建Hive管理员角色。
- 在MRS Manager上,选择“系统 > 权限 > 用户”,单击“添加用户”,在添加用户页面分别配置如下参数。
- 用户名:自定义的用户名。当前示例输入为:hivetestusr。
- 用户类型:当前选择为“人机”。
- 密码和确认密码:输入当前用户名对应的密码。
- 用户组和主组:选择supergroup
- 角色:同时选择2中创建的角色和Manager_viewer角色。
图2 MRS Manager上创建Hive用户
- 参考安装MRS客户端下载并安装Hive客户端。例如,当前Hive客户端安装在MRS主机节点的“/opt/hiveclient”目录上。
- 以root用户进入客户端安装目录下。
- 执行以下命令配置环境变量。
- 因为当前集群启用了Kerberos认证,则需要执行以下命令进行安全认证。认证用户为3中创建的用户。
kinit 3中创建的用户名
例如,kinit hivetestusr
- 执行以下命令连接Hive。
- 创建表和插入表数据。
create table user_info(id string,name string,gender string,age int,addr string);
插入表数据:insert into table user_info(id,name,gender,age,addr) values("12005000201","A","男",19,"A城市"); insert into table user_info(id,name,gender,age,addr) values("12005000202","B","男",20,"B城市"); insert into table user_info(id,name,gender,age,addr) values("12005000202","B","男",20,"B城市");
- 在DLI上创建数据库和表。
- 登录DLI管理控制台,选择“SQL编辑器”,在SQL编辑器中“执行引擎”选择“spark”,“队列”选择已创建的SQL队列。
在编辑器中输入以下语句创建数据库,例如当前创建迁移后的DLI数据库testdb。详细的DLI创建数据库的语法可以参考创建DLI数据库。
create database testdb;
- 在数据库下创建表。
create table user_info(id string,name string,gender string,age int,addr string);
- 登录DLI管理控制台,选择“SQL编辑器”,在SQL编辑器中“执行引擎”选择“spark”,“队列”选择已创建的SQL队列。
步骤二:数据迁移
- 配置CDM数据源连接。
- 配置源端MRS Hive的数据源连接。
- 登录CDM控制台,选择“集群管理”,选择已创建的CDM集群,在操作列选择“作业管理”。
- 在作业管理界面,选择“连接管理”,单击“新建连接”,连接器类型选择“MRS Hive”,单击“下一步”。
图3 创建MRS Hive数据源连接
- 配置源端MRS Hive的数据源连接,具体参数配置如下。
表1 MRS Hive数据源配置 参数
值
名称
自定义MRS Hive数据源名称。例如当前配置为:source_hive
Manager IP
单击输入框旁边的“选择”按钮,选择当前MRS Hive集群即可自动关联出来Manager IP。
认证类型
如果当前MRS集群为普通集群则选择为SIMPLE,如果是MRS集群启用了Kerberos安全认证则选择为KERBEROS。
本示例选择为:KERBEROS。
Hive版本
根据当前创建MRS集群时候的Hive版本确定。当前Hive版本为3.1.0,则选择为:HIVE_3_X。
用户名
在3中创建的MRS Hive用户名。
密码
对应的MRS Hive用户名的密码。
其他参数保持默认即可。更多参数的详细说明可以参考CDM上配置Hive连接。图4 CDM配置MRS Hive数据源 - 单击“保存”完成MRS Hive数据源配置。
- 配置目的端DLI的数据源连接。
- 登录CDM控制台,选择“集群管理”,选择已创建的CDM集群,在操作列选择“作业管理”。
- 在作业管理界面,选择“连接管理”,单击“新建连接”,连接器类型选择“数据湖探索(DLI)”,单击“下一步”。
图5 创建DLI数据源连接
- 配置目的端DLI数据源连接连接参数。具体参数配置可以参考在CDM上配置DLI连接。
图6 配置DLI数据源连接参数
配置完成后,单击“保存”完成DLI数据源配置。
- 配置源端MRS Hive的数据源连接。
- 创建CDM迁移作业。
- 登录CDM控制台,选择“集群管理”,选择已创建的CDM集群,在操作列选择“作业管理”。
- 在“作业管理”界面,选择“表/文件迁移”,单击“新建作业”。
- 在新建作业界面,配置当前作业配置信息,具体参数参考如下:
图7 新建CDM作业作业配置
- 作业名称:自定义数据迁移的作业名称。例如,当前定义为:hive_to_dli。
- 源端作业配置,具体参考如下:
表2 源端作业配置 参数名
参数值
源连接名称
选择1.a中已创建的数据源名称。
数据库名称
选择MRS Hive待迁移的数据库名称。例如当前待迁移的表数据数据库为“default”。
表名
待建议Hive数据表名。当前示例为在DLI上创建数据库和表中的“user_info”表。
读取方式
当前示例选择为:HDFS。具体参数含义如下:
包括HDFS和JDBC两种读取方式。默认为HDFS方式,如果没有使用WHERE条件做数据过滤及在字段映射页面添加新字段的需求,选择HDFS方式即可。
HDFS文件方式读取数据时,性能较好,但不支持使用WHERE条件做数据过滤及在字段映射页面添加新字段。
JDBC方式读取数据时,支持使用WHERE条件做数据过滤及在字段映射页面添加新字段。
更多参数的详细配置可以参考:CDM配置Hive源端参数。
- 目的端作业配置,具体参考如下:
表3 目的端作业配置 参数名
参数值
目的连接名称
选择1.b已创建的DLI数据源连接。
资源队列
选择已创建的DLI SQL类型的队列。
数据库名称
选择DLI下已创建的数据库。当前示例为在DLI上创建数据库和表中创建的数据库名,即为“testdb”。
表名
选择DLI下已创建的表名。当前示例为在DLI上创建数据库和表中创建的表名,即为“user_info”。
导入前清空数据
选择导入前是否清空目的表的数据。当前示例选择为“否”。
如果设置为是,任务启动前会清除目标表中数据。
更多参数的详细配置可以参考:CDM配置DLI目的端参数。
- 单击“下一步”,进入到字段映射界面,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。
- 如果选择在目的端自动创建类型,这里还需要配置每个类型的字段类型、字段名称。
- CDM支持迁移过程中转换字段内容
图8 字段映射 - 单击“下一步”配置任务参数,一般情况下全部保持默认即可。
- 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。
- 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。
图9 迁移作业进度和结果查询
步骤三:结果查询
select * from user_info;
![](https://support.huaweicloud.com/usermanual-dli/zh-cn_image_0000001283911517.png)