手把手教你：将ClickHouse集群迁至云上

2020-08-28 11:58:01 浏览数 (1)

1. 前言

随着云上ClickHouse服务完善，越来越多的用户将自建ClickHouse服务迁移至云上。对于不同数据规模，我们选择不同的方案:

  • 对于数据量比较小的表，通常小于10GB情况下，可以将数据到处为CSV格式，在云上集群重新写入数据；
  • 使用clickhouse发行版自带工具clickhouse-copier 来完成。

本文详解clickhouse-copier 完成跨ClickHouse集群数据迁移(当然也可以用户集群内部数据不同表间数据迁移)。

2. Zookeeper集群准备

如果已经有Zookeeper集群，请忽略本章节。

由于clickhouse-copier 需要Zookeeper存储数据迁移任务信息，需要部署一个Zookeeper集群。

Zookeeper集群到源ClickHouse集群与目标ClickHouse集群之间的网络是正常的。

在本文中，我们部署一个单节点的Zookeeper集群。

步骤1: 准备可执行文件

代码语言：txt复制
$ wget http://apache.is.co.za/zookeeper/zookeeper-3.6.1/apache-zookeeper-3.6.1.tar.gz
$ tar -xvf zookeeper-3.6.1.tar.gz
$ chown hadoop:hadoop -R  zookeeper-3.6.1

步骤2：切换到hadoop账号

代码语言：txt复制
su hadoop

步骤3： 准备配置文件 conf/zoo.cfg，填写配置，举例如下：

代码语言：txt复制
tickTime=2000
dataDir=/var/data/zookeepe
clientPort=2181

步骤4：增加myid文件

代码语言：txt复制
echo 1 > /var/data/zookeeper/myid

步骤5：启动Zookeeper进程

代码语言：txt复制
$ bin/zkServer.sh start

后续，我们可以用该Zookeeper存储数据迁移任务信息。

3. 定义迁移任务

在任务迁移数据前，需要定义迁移任务。迁移任务信息定义在xml文件中。具体包含如下信息：

  • 源集群，包含数据分片信息
  • 目的集群，包含数据分片信息
  • 执行数据迁移任务的线程数量
  • 定义待迁移的表信息，有tables字段指定，包括：
    • 数据源集群名称，由cluster_pull指定
    • 数据源数据库名称，由database_pull指定
    • 数据源表名称，由table_pull指定
    • 目的集群名称，由cluster_push指定
    • 目的数据库名称，由database_push指定
    • 目的表名称，由table_push指定
    • 目的表引擎定义，由engine指定
    • 待迁移的partition列表，由enabled_partitions指定。未指定，则全表迁移

如果目标集群数据库不存在，则不会自动创建。故迁移数据前，确保目标集群数据库存在。源表和目标表的Schema相同，表引擎可以不相同。

举例如下：

代码语言：txt复制
<yandex>
    <!-- Configuration of clusters as in an ordinary server config -->
    <remote_servers>
        <source_cluster>
            <shard>
                <internal_replication>false</internal_replication>
                    <replica>
                        <host>172.16.0.72</host>
                        <port>9000</port>
                    </replica>
            </shard>
        </source_cluster>

        <destination_cluster>
            <shard>
                <internal_replication>false</internal_replication>
                    <replica>
                        <host>172.16.0.115</host>
                        <port>9000</port>
                    </replica>
                    <replica>
                        <host>172.16.0.47</host>
                        <port>9000</port>
                    </replica>
            </shard>
            <shard>
                <internal_replication>false</internal_replication>
                    <replica>
                        <host>172.16.0.138</host>
                        <port>9000</port>
                    </replica>
                    <replica>
                        <host>172.16.0.49</host>
                        <port>9000</port>
                    </replica>
            </shard>
        </destination_cluster>
    </remote_servers>

    <!-- How many simultaneously active workers are possible. If you run more workers superfluous workers will sleep. -->
    <max_workers>8</max_workers>

    <!-- Setting used to fetch (pull) data from source cluster tables -->
    <settings_pull>
        <readonly>1</readonly>
    </settings_pull>

    <!-- Setting used to insert (push) data to destination cluster tables -->
    <settings_push>
        <readonly>0</readonly>
    </settings_push>

    <settings>
        <connect_timeout>300</connect_timeout>
        <!-- Sync insert is set forcibly, leave it here just in case. -->
        <insert_distributed_sync>1</insert_distributed_sync>
    </settings>

    <tables>
        <!-- A table task, copies one table. -->
        <table_lineorder>
            <!-- Source cluster name (from <remote_servers/> section) and tables in it that should be copied -->
            <cluster_pull>source_cluster</cluster_pull>
            <database_pull>default</database_pull>
            <table_pull>lineorder</table_pull>

            <!-- Destination cluster name and tables in which the data should be inserted -->
            <cluster_push>destination_cluster</cluster_push>
            <database_push>default</database_push>
            <table_push>lineorder_7</table_push>

            <engine>
            ENGINE=ReplicatedMergeTree('/clickhouse/tables/{shard}/lineorder_7','{replica}')
            PARTITION BY toYear(LO_ORDERDATE)
            ORDER BY (LO_ORDERDATE, LO_ORDERKEY)
            </engine>

            <!-- Sharding key used to insert data to destination cluster -->
            <sharding_key>rand()</sharding_key>

            <!-- Optional expression that filter data while pull them from source servers -->
            <!-- <where_condition></where_condition> -->
           <!--
            <enabled_partitions>
            </enabled_partitions>
           -->
        </table_lineorder>
    </tables>
</yandex>

准备完成配置文件后，在Zookeeper上准备路径，并将定义任务文件上传到Zookeeper中。假设配置文件为task.xml, 执行如下指令：

代码语言：txt复制
$ bin/zkCli.sh create /clickhouse/copytasks ""
$ bin/zkCli.sh create /clickhouse/copytasks/task ""
$ bin/zkCli.sh create /clickhouse/copytasks/task/description "`cat ./task.xml`"

4. 启动任务

定义好迁移任务后，就可以启动clickhouse-copier来迁移数据了。在此之前，需要准备的配置文件, 配置文件中描述了Zookeeper地址，以及日志配置。举例如下：

代码语言：txt复制
<yandex>
    <logger>
        <level>trace</level>
        <size>100M</size>
        <count>3</count>
    </logger>

    <zookeeper>
        <node index="1">
            <host>172.16.0.139</host>
            <port>2181</port>
        </node>
    </zookeeper>
</yandex>

假设该文件命名为config.xml


可以使用如下命令启动clickhouse-copier:

代码语言：txt复制
 $ clickhouse-copie
  --config ./config.xml 
  --task-path /clickhouse/copytasks/task 
  --base-dir ./clickhouse

其中，--task-path指定数据迁移任务在Zookeeper上的路径，即第3节中创建的路径。需要主要的是，路径下必现包含description文件。

如果数据量比较多，可以部署多个clickhouse-copier并发执行迁移任务。

5. 总结

clickhouse-copier是ClickHouse发行版自带的工具，在稳定性可靠性上是有保证的。在使用过程中，需要注意的问题：

  • 在迁移过程中，源集群的表需要停止写入；
  • 在迁移过程中，占用源，目的集群网络带宽，需要仔细评估；
  • clickhouse-copier提供了较多灵活性，包括数据分片算法，指定迁移表的partitions；
大数据 云数据仓库ClickHouse

0 人点赞