自建hadoop集群迁移到EMR之数据迁移篇前置迁移hdfs数据hive meta数据同步

自建集群要迁移到EMR集群，往往需要迁移已有数据。本文主要介绍hdfs数据和hive meta数据如何迁移。

已按需求创建好EMR集群。

主要依靠distcp,核心是打通网络，确定hdfs参数和要迁移内容，测速，迁移。

需要自建集群和EMR各个节点网络互通。同为VPC网络只需要同一个安全组，不同的安全组需要设置安全组互通。

设置后可以在新集群节点上ssh 老集群节点确定网络连通情况，distcp操作如果有xx 节点无法连接xx节点的异常，说明没有连通，需要继续设置。

hdfs有权限设置，确定老集群是否有acl规则，是否要同步，检查dfs.permissions.enabled 和dfs.namenode.acls.enabled的配置新老集群是否一致，按照实际需要修改。

如果有acl规则要同步，distcp参数要加-p同步权限参数。如果distcp操作提示xx集群不支持acl，说明对应集群没配置。新集群没配置可以修改配置并重启NM。旧集群不支持，说明旧集群根本就没有acl方面的设置，也不需要同步。

一般在新集群上运行同步，这样同步的作业可以在新集群上运行，对老集群影响较小。

<code>hadoop distcp -Ddfs.replication=3 -pbugpcax -m 1000 -bandwidth 30 hdfs://oldclusterip:8020 /user/hive/warehouse /user/hive/</code>

注意事项：

hdfs://oldclusterip:8020写老集群nameode ip，多个namenode写当前active的。

指定了副本数3，如想保留原有副本数-p后加r如-prbugpcax。如果不同步权限和acl，-p后去掉p和a。

-m指定map数，和集群规模，数据量有关。比如集群有2000核cpu，就可以指定2000个map。 -bandwidth指定单个map的同步速度，是靠控制副本复制速度实现的，是大概值。

4.迁移整体速度受集群间带宽，集群规模影响。同时文件越多，checksum需要的时间越长。如果迁移数据量大，可以先试着同步几个目录评估一下整体时间。如果只能在指定时间段内同步，可以将目录切为几个小目录，依次同步。

5.如果迁移过程中老集群还有写入，可以用-udpate再将变化同步过来。

6.一般完全同步，需要有个短暂的业务停写，以启用双写双算或直接将业务切换到新集群上。

hive meta数据同步，本质是hive meta db，一般是mysql db的数据同步。和一般的mysql数据同步相比，要注意location改变，和hive版本对齐。

meta数据较多时，一般推荐用rds作为meta db。自建集群可能已有一个rds db，由于location不同，一般需要新建一个数据库。最佳实践是跟EMR集群在一个可用区，一个vpc 安全组下新建一个rds 数据库。

登录新集群master节点（如果是ha集群两个master都需要），修改/usr/local/emr/emr-agent/run/meta_db_info.json，把里面的use_local_meta_db设置为false，meta数据库信息的链接地址、用户名和密码换成新建rds的信息。然后重启hive组件的metaserver。

初始化meta的表信息：

···

cd /usr/lib/hive-current/bin

./schematool - initSchema -dbType mysql

hive的表，分区等信息是有location信息的，带dfs nameservices前缀，如hdfs://mycluster:8020/，而EMR集群的nameservices前缀是统一的emr-cluster,所以需要订正。订正的最佳方式是先导出数据<code>mysqldump --databases hivemeta --single-transaction -u root –p &gt; hive_databases.sql</code>,用sed替换hdfs://oldcluster:8020/为hdfs://emr-cluster/ ,再导入新db中。

<code>mysql hivemeta -p &lt; hive_databases.sql</code>

meta数据全部订正后，就可以重启metaserver了。命令行<code>hive</code>，查询库和表，查询数据，验证正确性。