Hadoop数据迁移MaxCompute最佳实践

本文为您介绍如何通过DataWorks数据同步功能，迁移HDFS数据至MaxCompute，或从MaxCompute迁移数据至HDFS。无论您使用Hadoop还是Spark，均可以与MaxCompute进行双向同步。

前提条件

开通MaxCompute并创建项目
本文以在华东1（杭州）区域创建项目bigdata_DOC为例。详情请参见开通MaxCompute和DataWorks。
搭建Hadoop集群
进行数据迁移前，您需要保证Hadoop集群环境正常。本文使用阿里云EMR服务自动化搭建Hadoop集群，详情请参见创建集群。
本文使用的EMR Hadoop版本信息如下：
- EMR版本：EMR-3.11.0
- 集群类型：HADOOP
- 软件信息：HDFS2.7.2/YARN2.7.2/Hive2.3.3/Ganglia3.7.2/Spark2.2.1/HUE4.1.0/Zeppelin0.7.3/Tez0.9.1/Sqoop1.4.6/Pig0.14.0/ApacheDS2.0.0/Knox0.13.0
Hadoop集群使用经典网络，区域为华东1（杭州），主实例组ECS计算资源配置公网及内网IP，高可用选择为否（非HA模式）。

操作步骤

数据准备
1. Hadoop集群创建测试数据
  1. 进入EMR控制台界面，在项目下新建作业doc。本例中HIVE建表语句如下。关于EMR上新建作业更多信息请参见作业编辑。
```
CREATE TABLE IF NOT
EXISTS hive_doc_good_sale(
   create_time timestamp,
   category STRING,
   brand STRING,
   buyer_id STRING,
   trans_num BIGINT,
   trans_amount DOUBLE,
   click_cnt BIGINT
   )
   PARTITIONED BY (pt string) ROW FORMAT
DELIMITED FIELDS TERMINATED BY ',' lines terminated by '\n';
```
  2. 单击运行，出现Query executed successfully提示，则说明成功在EMR Hadoop集群上创建了表hive_doc_good_sale。
  3. 插入测试数据。您可以选择从OSS或其他数据源导入测试数据，也可以手动插入少量的测试数据。本文中手动插入数据如下。
```
insert into
hive_doc_good_sale PARTITION(pt =1 ) values('2018-08-21','外套','品牌A','lilei',3,500.6,7),('2018-08-22','生鲜','品牌B','lilei',1,303,8),('2018-08-22','外套','品牌C','hanmeimei',2,510,2),(2018-08-22,'卫浴','品牌A','hanmeimei',1,442.5,1),('2018-08-22','生鲜','品牌D','hanmeimei',2,234,3),('2018-08-23','外套','品牌B','jimmy',9,2000,7),('2018-08-23','生鲜','品牌A','jimmy',5,45.1,5),('2018-08-23','外套','品牌E','jimmy',5,100.2,4),('2018-08-24','生鲜','品牌G','peiqi',10,5560,7),('2018-08-24','卫浴','品牌F','peiqi',1,445.6,2),('2018-08-24','外套','品牌A','ray',3,777,3),('2018-08-24','卫浴','品牌G','ray',3,122,3),('2018-08-24','外套','品牌C','ray',1,62,7) ;
```
  4. 完成插入数据后，您可以执行select * from hive_doc_good_sale where pt =1;语句，检查Hadoop集群表中是否已存在数据可以用于迁移。
2. 利用DataWorks新建目标表
  1. 登录DataWorks控制台，单击相应工作空间后的进入数据开发。
  2. 进入DataStudio（数据开发）页面，右键单击工作流程，选择新建 > MaxCompute > 表。
  3. 在新建表对话框中，填写表名，并单击提交。
  4. 进入新建表页面，选择DDL模式。
  5. 在DDL模式对话框中输入建表语句，单击生成表结构，并确认操作。本示例的建表语句如下所示。
```
CREATE TABLE IF NOT EXISTS hive_doc_good_sale(
   create_time string,
   category STRING,
   brand STRING,
   buyer_id STRING,
   trans_num BIGINT,
   trans_amount DOUBLE,
   click_cnt BIGINT
   )
   PARTITIONED BY (pt string) ;
```
    在建表过程中，需要考虑HIVE数据类型与MaxCompute数据类型的映射，当前数据映射关系请参见数据类型映射表。
    
    上述步骤同样可通过odpscmd命令行工具完成，命令行工具安装和配置请参见安装并配置MaxCompute客户端。
    说明考虑到部分HIVE与MaxCompute数据类型的兼容问题，建议在odpscmd客户端上执行以下命令。
    set odps.sql.type.system.odps2=true; set odps.sql.hive.compatible=true;
  6. 单击提交到生产环境，完成表的创建。
  7. 完成建表后，单击左侧导航栏中的表管理，即可查看当前创建的MaxCompute表。

数据同步

新建自定义资源组
由于MaxCompute项目所处的网络环境与Hadoop集群中的数据节点（data node）网络通常不可达，您可以通过自定义资源组的方式，将DataWorks的同步任务运行在Hadoop集群的Master节点上（Hadoop集群内Master节点和数据节点通常可达）。
1. 查看Hadoop集群数据节点
  1. 登录EMR控制台，单击集群管理。
  2. 选择集群名称，并在左侧导航栏上单击主机列表。
    您也可以通过单击上图中Master节点的ECS ID，进入ECS实例详情页。然后单击远程连接进入ECS，执行hadoop dfsadmin –report命令查看data node。
    
    本示例的data node只具有内网地址，很难与DataWorks默认资源组互通，所以需要设置自定义资源组，将master node设置为执行DataWorks数据同步任务的节点。
2. 新建任务资源组
  1. 在DataWorks控制台上，进入数据集成 > 自定义资源组管理页面，单击右上角的新增自定义资源组。
    
    说明目前仅专业版及以上版本方可使用此入口。
  2. 添加服务器时，需要输入ECS UUID和机器IP等信息（对于经典网络类型，需要输入服务器名称。对于专有网络类型，需要输入服务器UUID）。目前仅DataWorks V2.0华东2（上海）支持添加经典网络类型的调度资源，对于其他区域，无论您使用的是经典网络还是专有网络类型，在添加调度资源组时都请选择专有网络类型。
    机器IP需要填写master node公网IP（内网IP有可能不可达）。ECS的UUID需要进入master node管理终端，通过命令dmidecode | grep UUID获取（如果您的hadoop集群并非搭建在EMR环境上，也可以通过该命令获取）。
  3. 添加服务器后，需要保证master node与DataWorks网络可达。如果您使用的是ECS服务器，需要设置服务器安全组。
    - 如果您使用的内网IP互通，请参见ECS自建数据库的安全组配置。
    - 如果您使用的是公网IP，可以直接设置安全组公网出入方向规则。本文中设置公网入方向放通所有端口（实际应用场景中，为了您的数据安全，强烈建议设置详细的放通规则）。
  4. 完成上述步骤后，按照提示安装自定义资源组agent。当前状态显示为可用时，则新增自定义资源组成功。
    如果状态为不可用，您可以登录master node，执行tail –f/home/admin/alisatasknode/logs/heartbeat.log命令查看DataWorks与master node之间心跳报文是否超时。

新建数据源

DataWorks新建工作空间后，默认数据源odps_first。因此只需要添加Hadoop集群数据源。更多详情请参见配置HDFS数据源。

进入数据集成页面，单击左侧导航栏中的数据源。
在数据源管理页面，单击右上角的新增数据源。
在新增数据源页面中，选择数据源类型为HDFS。

填写HDFS数据源的各配置项。


配置	说明
数据源名称	数据源名称必须以字母、数字、下划线组合，且不能以数字和下划线开头。
数据源描述	对数据源进行简单描述，不得超过80个字符。
适用环境	可以选择开发或生产环境。说明仅标准模式工作空间会显示此配置。
DefaultFS	对于EMR Hadoop集群而言，如果Hadoop集群为HA集群，则此处地址为`hdfs://emr-header-1的IP:8020`。如果Hadoop集群为非HA集群，则此处地址为`hdfs://emr-header-1的IP:9000`。本实验中的emr-header-1与DataWorks通过公网连接，因此此处填写公网IP并放通安全组。

完成配置后，单击测试连通性。
测试连通性通过后，单击完成。

说明如果EMR Hadoop集群设置网络类型为专有网络，则不支持连通性测试。

配置数据同步任务

进入数据开发页面，在左侧菜单栏顶部选择新建 > 数据集成 > 离线同步。
在新建节点对话框中，输入节点名称，单击提交。
成功创建数据同步节点后，单击工具栏中的转换脚本按钮。
单击提示对话框中的确认，即可进入脚本模式进行开发。
单击工具栏中的导入模板按钮。
在导入模板对话框中，选择来源类型、数据源、目标类型及数据源，单击确认。

新建同步任务完成后，通过导入模板已生成了基本的读取端配置。此时您可以继续手动配置数据同步任务的读取端数据源，以及需要同步的表信息等。本示例的代码如下所示，更多详情请参见HDFS Reader。

{
  "configuration": {
    "reader": {
      "plugin": "hdfs",
      "parameter": {
        "path": "/user/hive/warehouse/hive_doc_good_sale/", 
        "datasource": "HDFS1",
        "column": [
          {
            "index": 0,
            "type": "string"
          },
          {
            "index": 1,
            "type": "string"
          },
          {
            "index": 2,
            "type": "string"
          },
          {
            "index": 3,
            "type": "string"
          },
          {
            "index": 4,
            "type": "long"
          },
          {
            "index": 5,
            "type": "double"
          },
          {
            "index": 6,
            "type": "long"
          }
        ],
        "defaultFS": "hdfs://121.199.11.138:9000",
        "fieldDelimiter": ",",
        "encoding": "UTF-8",
        "fileType": "text"
      }
    },
    "writer": {
      "plugin": "odps",
      "parameter": {
        "partition": "pt=1",
        "truncate": false,
        "datasource": "odps_first",
        "column": [
          "create_time",
          "category",
          "brand",
          "buyer_id",
          "trans_num",
          "trans_amount",
          "click_cnt"
        ],
        "table": "hive_doc_good_sale"
      }
    },
    "setting": {
      "errorLimit": {
        "record": "1000"
      },
      "speed": {
        "throttle": false,
        "concurrent": 1,
        "mbps": "1",
      }
    }
  },
  "type": "job",
  "version": "1.0"
}

其中，path参数为数据在Hadoop集群中存放的位置。您可以在登录Master Node后，执行hdfs dfs –ls /user/hive/warehouse/hive_doc_good_sale命令确认。对于分区表，您可以不指定分区，DataWorks数据同步会自动递归到分区路径。

完成配置后，单击运行。如果提示任务运行成功，则说明同步任务已完成。如果运行失败，可以通过日志进行排查。

执行结果

单击左侧导航栏中的临时查询。
选择新建 > ODPS SQL。
编写并执行SQL语句，查看导入hive_doc_good_sale的数据。SQL语句如下所示：
```
--查看是否成功写入MaxCompute。
select * from hive_doc_good_sale where pt=1;
```
您也可以在odpscmd命令行工具中输入select * FROM hive_doc_good_sale where pt =1;，查询表结果。

如果您想实现MaxCompute数据迁移至Hadoop，步骤与上述步骤类似，不同的是同步脚本内的reader和writer对象需要对调，具体实现脚本如下。


{
  "configuration": {
    "reader": {
      "plugin": "odps",
      "parameter": {
      "partition": "pt=1",
      "isCompress": false,
      "datasource": "odps_first",
      "column": [
        "create_time",
        "category",
        "brand",
      "buyer_id",
      "trans_num",
      "trans_amount",
      "click_cnt"
    ],
    "table": "hive_doc_good_sale"
    }
  },
  "writer": {
    "plugin": "hdfs",
    "parameter": {
    "path": "/user/hive/warehouse/hive_doc_good_sale",
    "fileName": "pt=1",
    "datasource": "HDFS_data_source",
    "column": [
      {
        "name": "create_time",
        "type": "string"
      },
      {
        "name": "category",
        "type": "string"
      },
      {
        "name": "brand",
        "type": "string"
      },
      {
        "name": "buyer_id",
        "type": "string"
      },
      {
        "name": "trans_num",
        "type": "BIGINT"
      },
      {
        "name": "trans_amount",
        "type": "DOUBLE"
      },
      {
        "name": "click_cnt",
        "type": "BIGINT"
      }
    ],
    "defaultFS": "hdfs://47.99.162.100:9000",
    "writeMode": "append",
    "fieldDelimiter": ",",
    "encoding": "UTF-8",
    "fileType": "text"
    }
  },
  "setting": {
    "errorLimit": {
      "record": "1000"
  },
  "speed": {
    "throttle": false,
    "concurrent": 1,
    "mbps": "1",
  }
  }
},
"type": "job",
"version": "1.0"
}

您需要参见HDFS Writer，在运行上述同步任务前，对Hadoop集群进行设置。在运行同步任务后，手动复制同步过去的文件。