ossimport是一款将数据迁移至OSS的工具。您可以将ossimport部署在本地服务器或云上ECS实例内，轻松将您本地或其它云存储的数据迁移到OSS。

支持特性

  • 支持丰富的数据源，包括本地文件、七牛云Kodo、百度BOS、Amazon S3、Azure Blob、又拍云USS、腾讯云COS、金山KS3、HTTP或HTTPS URL列表、阿里云OSS等，并可根据需要扩展。
  • 支持单机模式和分布式模式。单机模式部署简单使用方便，分布式模式适合大规模数据迁移。
    说明 单机模式下一次只能迁移一个Bucket。
  • 支持断点续传。
  • 支持流量控制。
  • 支持迁移指定时间以后的文件、特定前缀的文件。
  • 支持并行数据下载和上传。

计费说明

ossimport工具本身不收费。在公有云情况下，第三方数据源可能会产生公网流出流量费用和请求费用，目的端为OSS会产生请求费用等。如果为OSS之间跨地域迁移，且开通传输加速的情况下还会产生传输加速的费用。

注意事项

  • 迁移速度

    ossimport迁移速度取决于源端的读取带宽、本地网络带宽，文件大小等因素。对于小于200 KB文件的迁移，因IOPS使用率高的原因，会导致迁移较慢的问题。

  • 源端数据为归档类型

    通过ossimport迁移数据时，如果源端数据为归档类型，您需要对这部分数据解冻完成后再进行迁移。

  • 本地中转

    通过ossimport迁移数据时，数据流会经过本地内存中转后再上传至目的端。

  • 保留源端数据

    通过ossimport迁移数据时，仅对源端数据执行读取操作，不对源端数据进行修改和删除。

  • 其他迁移工具
    • 在线迁移服务

      如果您需要迁移其他第三方数据源，推荐使用在线迁移服务迁移您的数据。

    • ossutil

      对于迁移小于30 TB的数据，推荐使用ossutil。该工具简单方便，通过-u，--update和--snapshot-path选项还可以实现文件的增量迁移，详细说明请参见cp。

运行环境

ossimport可以部署在Linux或Windows系统上，要求如下：
  • Windows7及以上版本
  • Linux系统最新版本
  • Java 1.7
重要 分布式部署暂时不支持Windows系统。

部署方式选择

ossimport有单机模式和分布式模式两种部署方式。

  • 单机模式：当您需要迁移的数据小于30 TB时，推荐部署单机模式。您可以将ossimport部署在任意一台可以访问您待迁移数据，且可以访问OSS的机器上。
  • 分布式模式：当您需要迁移的数据大于30 TB时，推荐部署分布式模式。您可以将ossimport部署在任意多台可以访问您待迁移数据，且可以访问OSS的机器上。
    说明 当您待迁移的数据过大时，为了节约时间，您可以将ossimport部署到与您OSS相同地域的ECS实例上，并通过专线将源数据存放的服务器挂载到阿里云VPC网络中。多台ECS实例将数据通过内网迁移至OSS，会极大的提升数据迁移效率。

    您也可以使用ossimport通过公网传输，传输速度受您本地服务器的带宽影响。

单机模式

Master、Worker、Tracker、Console运行在一个机器上，统一打包成ossimport2.jar。系统中有且只有一个Worker。

单机模式下文件结构如下： 
ossimport
├── bin
│ └── ossimport2.jar  # 包括Master、Worker、Tracker、Console四个模块的总jar
├── conf
│ ├── local_job.cfg   # 单机Job配置文件
│ └── sys.properties  # 系统运行参数配置文件
├── console.bat         # Windows命令行，可以分布执行调入任务
├── console.sh          # Linux命令行，可以分布执行调入任务
├── import.bat          # Windows一键导入，执行配置文件为conf/local_job.cfg配置的数据迁移任务，包括启动、迁移、校验、重试
├── import.sh           # Linux一键导入，执行配置文件为conf/local_job.cfg配置的数据迁移任务，包括启动、迁移、校验、重试
├── logs                # 日志目录
└── README.md           # 说明文档，强烈建议使用前仔细阅读
  • import.bat/import.sh为一键导入脚本，修改完local_job.cfg后可以直接运行。
  • console.bat/console.sh为命令行工具，可以用于分布执行命令。
  • 脚本或命令请在ossimport目录下执行，即 *.bat/*.sh 的同级目录。

分布式模式

ossimport是基于master-worker的分布式架构，结构如下： 
Master --------- Job --------- Console
    |
    |
   TaskTracker
    |_____________________
    |Task     | Task      | Task
    |         |           |
Worker      Worker      Worker
参数说明
Master负责将Job切分成Task，按照数据大小和文件个数分解成Task，数据大小/文件个数可以在sys.properties中配置。Job切分成Task的详细过程如下：
  1. Master从本地/其它云存储中遍历出完整的待迁移的文件列表。
  2. 按照数据大小和文件个数把完整的文件列表切分成Task，每个Task负责部分文件的迁移或校验。
Worker
  • 负责Task的文件迁移和数据校验，从数据源上拉取指定文件，并上传到OSS的指定目录。迁移的数据源和OSS的配置在job.cfg或local_job.cfg中指定。
  • Worker数据迁移支持限流、指定Task并发数，在sys.properties中配置。
TaskTracker简称Tracker，负责Task的分发、Task状态跟踪。
Console负责与用户交互，接受命令显示结果。支持系统管理命令deploy/start/stop，Job管理命令 submit/retry/clean。
Job用户提交的数据迁移任务，对用户来说一个任务对应一个配置文件job.cfg。
TaskJob按照数据大小和文件个数可以分成多个Task ，每个Task 迁移部分文件。Job切分成Task的最小单位是文件，同一个文件不会切分到多个Task中。

分布式模式下可以启动多个Worker执行迁移数据，Task平均分配到Worker上执行，一个Worker执行多个Task。每一个机器上只能启动一个Worker。workers配置的第一个Worker上会同时启动Master 、 Tracker。Console也要在该机器上运行。

分布式模式下文件结构如下： 
ossimport
├── bin
│ ├── console.jar     # Console模块jar包
│ ├── master.jar      # Master模块jar包
│ ├── tracker.jar     # Tracker模块jar包
│ └── worker.jar      # Worker模块jar包
├── conf
│ ├── job.cfg         # Job配置文件模板
│ ├── sys.properties  # 系统运行参数配置文件
│ └── workers         # Worker列表
├── console.sh          # 命令行工具，目前支持只Linux
├── logs                # 日志目录
└── README.md           # 说明文档，强烈建议使用前仔细阅读

配置文件

单机模式下有两个配置文件sys.properties、local_job.cfg，分布式模式下有三个配置文件sys.properties、job.cfg、workers。其中local_job.cfg和job.cfg的配置项是完全一样的，只是名称不一样，workers是分布式环境特有的。

  • sys.properties：系统运行参数
    参数含义说明
    workingDir工作目录工具包解压后的目录。单机模式下请不要修改此参数，分布式模式下每个机器的工作目录必须相同。
    workerUserWorker机器的ssh用户名
    • 如果配置了privateKeyFile ，则优先使用privateKeyFile。
    • 如果没有配置privateKeyFile，则使用workerUser/workerPassword。
    • 单机模式不需要修改此参数。
    workerPasswordWorker机器的ssh用户密码单机模式不需要修改此参数。
    privateKeyFileprivate key文件路径
    • 如果已经打通了ssh通道，则可以指定此参数，否则为空。
    • 如果配置了privateKeyFile，则优先使用privateKeyFile。
    • 如果没有配置privateKeyFile，则使用workerUser/workerPassword。
    • 单机模式不需要修改此参数。
    sshPortssh端口默认22，一般情况无需更改。 单机模式不需要修改此参数。
    workerTaskThreadNumWorker执行Task的最大线程数
    • 该参数与机器的内存/网络有关，建议值60 。
    • 物理机可以适当加大，例如150 。如果网络带宽已占满，请不要再加大。
    • 如果网络较差，请适当降低，例如30。防止请求竞争网络造成大量请求超时。
    workerMaxThroughput(KB/s)worker数据迁移的流量上限该值能起到限流作用，默认0表示不限流。
    dispatcherThreadNumTracker的Task分发与状态确认的线程数默认值一般够用，没有特殊需要请不要修改默认值。
    workerAbortWhenUncatchedException表示遇到未知错误时是跳过还是终止默认跳过。
    workerRecordMd5在OSS中是否使用元数据x-oss-meta-md5记录迁移文件MD5值，默认不记录。主要用于用户使用MD5校验文件数据。
  • job.cfg：数据迁移任务配置，local_job.cfg和job.cfg的配置项是完全一样的，只是名称不一样。
    参数含义说明
    jobName任务名字，字符串。
    • 任务的唯一标识，命名规则 [a-zA-Z0-9_-]{4,128}，支持提交多个名字不同的任务。
    • 如果重复提交同名任务会提示任务已存在，清理（clean）同名任务前， 无法提交同名任务。
    jobType任务类型，字符串两类import或audit，默认import。
    • import，执行数据迁移操作并校验迁移数据的一致性。
    • audit，仅进行数据一致性校验。
    isIncremental是否打开增量迁移模式，布尔类型。
    • 默认值false。
    • 如果设为true，会每间隔incrementalModeInterval（单位秒）重新扫描一次增量数据，并将增量数据迁移到OSS。
    incrementalModeInterval增量模式下的同步间隔，整型，单位秒。isIncremental=true时有效。可配置的最小间隔为900秒，不建议配置成小于3600秒的值，会浪费大量请求，造成额外的系统开销。
    importSince迁移大于该时间的数据，整型，单位秒。
    • 该时间为 Unix时间戳，即自1970年1月1日UTC零点以来的秒数，通过命令date +%s获取。
    • 默认为0，表示迁移全部数据。
    srcType同步源类型，字符串， 请注意大小写。支持以下类型：
    • local：从本地文件迁移数据到OSS，该选项只需要填写srcPrefix， 不需要填写srcAccessKey，srcSecretKey，srcDomain，srcBucket。
    • oss：从一个 OSS bucket 迁移到另一个 bucket。
    • qiniu：从七牛云存储迁移到OSS。
    • bos：从百度的云存储迁移到OSS。
    • ks3：从金山云存储迁移到OSS。
    • s3：从 Amazon S3迁移到OSS。
    • youpai：从又拍云迁移到OSS。
    • http：通过提供的HTTP或者HTTPS链接列表迁移数据到OSS。
    • cos：从腾讯云存储COS迁移到OSS。
    • azure：从Azure Blob迁移到OSS。
    srcAccessKey源AccessKey，字符串。
    • 如果srcType设置为oss、qiniu、baidu、ks3、s3，则填写数据源的AccessKey。
    • 如果srcType设置为local、http，则该项不需要填写。
    • 如果srcType设置为youpai、azure，则填写用户名AccountName。
    srcSecretKey源SecretKey，字符串。
    • 如果srcType设置为oss、qiniu、baidu、ks3、s3，则填写数据源的 SecretKey。
    • 如果srcType设置为local、http，则该项不需要填写。
    • 如果srcType设置为youpai，则填写操作员密码。
    • 如果srcType设置为azure，则填写AccountKey。
    srcDomain源Endpoint
    • 如果srcType设置为local、http，则该项不需要填写。
    • 如果srcType设置为oss，则填写从控制台获取的域名，非带bucket前缀的二级域名。
    • 如果srcType设置为qiniu，则填写从七牛控制台获取的对应bucket的域名。
    • 如果srcType设置为bos，则填写百度BOS域名，如http://bj.bcebos.com 或 http://gz.bcebos.com。
    • 如果srcType设置为ks3，则填写金山ks3域名，如http://kss.ksyun.com或http://ks3-cn-beijing.ksyun.com或http://ks3-us-west-1.ksyun.coms。
    • 如果srcType设置为S3， 则填写Amazon S3各region的域名。
    • 如果srcType设置为youpai，则填写又拍云域名，如自动判断最优线路http://v0.api.upyun.com或电信线路http://v1.api.upyun.com或联通网通线路http://v2.api.upyun.com或移动铁通线路http://v3.api.upyun.com。
    • 如果srcType设置为cos，则填写腾讯云bucket所在的区域，例如华南园区为ap-guangzhou。
    • 如果srcType设置为azure，则填写Azure Blob连接字符串中的EndpointSuffix ，如core.chinacloudapi.cn。
    srcBucket源bucket名字或container名称
    • 如果srcType设置为 local、http，则不需要填写。
    • 如果srcType设置为azure，则填写container名称。
    • 其它填写bucket名称。
    srcPrefix源前缀，字符串，默认为空
    • 如果srcType设置为local，则填写本地目录，需要完整路径，以单个正斜线（/）进行分割并且以单个正斜线（/）结尾，仅支持如c:/example/ 或者/data/example/ 的格式。
      重要 c:/example//或 /data//example/ 或 /data/example//是非法的。
    • 如果srcType设置为oss、qiniu、bos、ks3、youpai、s3，则填写待同步object的前缀，不包括bucket名称，如data/to/oss/。
    • 如需同步所有文件，则srcPrefix设置为空 。
    destAccessKey目的AccessKey，字符串。

    访问OSS服务的AccessKey ID，请到阿里云控制台查看。

    destSecretKey目的SecretKey，字符串。

    访问OSS的AccessKey Secret，请到阿里云控制台查看。

    destDomain目的endpoint，字符串。

    从阿里云控制台获取，非带bucket前缀的二级域名，列表请参看域名列表。

    destBucket目的bucket，字符串。OSS的bucket名称，不需要以/结尾。
    destPrefix目标前缀，字符串，默认为空。
    • 目标前缀，默认为空，直接放在目标bucket下。
    • 如果要将数据同步到oss的某个目录下，请以/结尾，如data/in/oss/。
    • 注意oss不支持以/作为文件的开头，所以destPrefix请不要配置以/做为开头。
    • 一个本地文件路径为srcPrefix+relativePath的文件，迁移到oss的路径为destDomain/destBucket/destPrefix +relativePath。
    • 一个云端文件路径为srcDomain/srcBucket/srcPrefix+relativePath的文件，迁移到oss的路径为destDomain/destBucket/destPrefix+relativePath。
    taskObjectCountLimit每个Task最大的文件数，整型，默认10000。该配置项会影响到任务执行的并行度，一般配置为总文件数/Worker总数/迁移线程数（workerTaskThreadNum） ，最大值不要超过50000，如果不知道总文件数，请使用默认值。
    taskObjectSizeLimit每个Task最大数据量，整型，单位bytes，默认1GB。该配置项会影响到任务执行的并行度，一般配置为总数据量/Worker总数/迁移线程数（workerTaskThreadNum），如果不知道总数据量，请使用默认值。
    isSkipExistFile数据迁移时是否跳过已经存在的文件，布尔类型。当设置为true时，根据文件的size和LastModifiedTime判断是否跳过；为false时，总是覆盖OSS上已有文件。默认为值为false。jobType为audit时此项不生效。
    scanThreadCount并行扫描文件的线程数，整型。
    • 默认值：1
    • 有效值：1-32
    		该配置项与扫描文件的效率有关，没有特殊需求请不要修改。
    maxMultiThreadScanDepth最大允许并行扫描目录的深度，整型。
    • 默认值：1
    • 有效值：1-16
    • 默认值1表示在顶级目录间并行扫描。
    • 没有特殊需求不要修改，随意配置过大值会导致任务无法正常运行 。
    appId腾讯云COS的appId ，整型。srcType=cos时有效。
    httpListFilePathHTTP列表文件的绝对路径，字符串。
    • srcType=http时有效，源为HTTP链接地址时，需要提供内容为HTTP链接地址文件的绝对路径，如c:/example/http.list。
    • 该文件中的HTTP链接需要划分成两列，以一个或多个空格分开，分别代表前缀和上传到OSS后的相对路径。例如c:/example/http.list文件内容如：
      http://xxx.xxx.com/aa/  bb.jpg
http://xxx.xxx.com/cc/  dd.jpg
      指定destPrefix为ee/，则迁移到OSS的文件名如下：
      ee/bb.jpg
ee/dd.jpg
  • workers：分布式模式特有，每个IP一行。如： 
    192.168.1.6
192.168.1.7
192.168.1.8
    • 上述配置情况下，第一行的192.168.1.6一定是 master ；即192.168.1.6上会同时启动Master 、 Worker、TaskTracker。Console也需要在该机上运行。
    • 多个Worker机器的用户名、登录方式、工作目录请确保相同。

配置文件示例

下表中是分布式部署下的数据迁移任务配置文件，单机的配置文件名是local_job.cfg，配置项与分布式部署时没有区别。

迁移类型配置文件说明
从本地迁移到OSSjob.cfgsrcPrefix是以正斜线（/）结尾的绝对路径，如D:/work/oss/data/、/home/user/work/oss/data/。
从七牛云存储迁移到OSSjob.cfgsrcPrefix和destPrefix可以配置为空；如果不为空，请以正斜线（/）结尾，如 destPrefix=docs/。
从百度bos迁移到OSSjob.cfgsrcPrefix和destPrefix可以配置为空；如果不为空，请以正斜线（/）结尾，如destPrefix=docs/。
从Amazon S3迁移到OSSjob.cfg参见S3域名列表。
从又拍云存储迁移到OSSjob.cfgsrcAccessKey/srcSecretKey填操作员账号及密码。
从腾讯cos迁移到OSSjob.cfgsrcDomain请按照V4版本填写，如srcDomain=sh。srcPrefix可以为空，当不为空时候，请以 / 开头和结尾，如srcPrefix=/docs/。
从Azure blob迁移到OSSjob.cfgsrcAccessKey/srcSecretKey填写存储账号及密钥。srcDomain填连接字符串中的 EndpointSuffix，如core.chinacloudapi.cn。
从OSS迁移到OSSjob.cfg适用于不同区域之间、不同存储类型之间、不同前缀之间的数据迁移。推荐在ECS上部署，并使用带internal的域名，可以节省流量费用。

高级设置

  • 分时限流

    sys.properties中的workerMaxThroughput(KB/s)表示Worker流量的上限，如果业务需要限流，例如源端流控控制、网络限制等情况。该参数的值应该小于机器的最大网络流量，并根据业务需要评估。修改后需要重启服务才能生效。

    分布式部署情况下，需要修改每个Worker的$OSS_IMPORT_WORK_DIR/conf下的sys.properties，然后重启服务。

    要实现分时限流，可通过crontab定时修改sys.properties，然后重启服务生效。

  • 修改任务并发数
    • sys.properties中的workerTaskThreadNum表示Worker并发执行的任务数量，如果网络较差、并发大，会出现大量超时错误，此时应该修改此配置，降低并发量，并重启服务。
    • sys.properties中的workerMaxThroughput(KB/s)表示Worker流量的上限，如果业务需要限流，例如源端流控控制、网络限制等情况。该参数的值应该小于机器的最大网络流量，并根据业务需要评估。
    • job.cfg中的taskObjectCountLimit ，每个Task 最大的文件数，默认10000。该参数会影响Task的数量，数量过小无法实现有效的并发。
    • job.cfg中的taskObjectSizeLimit ， 每个Task最大数据量，默认1GB。该参数会影响Task的数量，数量过小无法实现有效的并发。
      重要
      • 请在启动迁移任务前，完成各项参数配置。
      • sys.properties中的参数修改后，重启迁移服务器后才能生效。
      • job.cfg任务提交后，任务的配置参数无法更改。
  • 只校验不迁移数据

    ossimport支持只校验数据不迁移数据，设置任务配置文件job.cfg或local_job.cfg的配置项jobType为audit而不是import，其它配置与数据迁移相同。

  • 数据迁移增量模式

    数据迁移增量模式，是指数据迁移任务启动后，先进行一次全量迁移，每隔一段时间自动的进行增量数据迁移。第一次数据迁移任务为全量迁移，提交任务后立即启动；后面的增量数据迁移每隔一个周期启动一次。数据迁移增量模式适用于数据备份和数据同步。

    增量模式有两个配置项：
    • job.cfg中的isIncremental ，表示是否打开增量迁移模式， true表示打开增量模式，false表示关闭增量模式，默认关闭。
    • job.cfg中的incrementalModeInterval，表示增量模式下的同步间隔，即增量数据迁移的间隔周期，单位秒。isIncremental=true时有效。可配置的最小值为900秒 ，不建议配置成小于3600秒的值，会浪费大量请求，造成额外的系统开销。
  • 指定迁移文件的过滤条件
    迁移文件的过滤条件，即只迁移满足特定条件的文件。ossimport支持指定前缀和最后修改时间：
    • job.cfg中的srcPrefix，用来指定迁移文件的前缀，默认为空。
      • 如果srcType=local，则填写本地目录。填写时需要完整路径，以正斜线（/）进行分割并且以正斜线（/）结尾，如c:/example/或/data/example/。
      • 如果srcType为oss、qiniu、bos、ks3、youpai、s3，则为待同步object的前缀，不包括bucket名称。如data/to/oss/。迁移所有文件时srcPrefix设置为空。
    • job.cfg中的importSince，用来指定迁移文件的最后修改时间，单位秒。importSince为Unix时间戳，即自1970年1月1日UTC零点以来的秒数，通过命令date +%s获取。默认值0，表示迁移全部数据。增量模式下只对第一次全量迁移有效，非增量模式对整个迁移任务有效。
      • 如果文件的LastModified Time在importSince之前，文件不被迁移。
      • 如果文件的LastModified Time在importSince之后，文件将被迁移。