ClickHouse数据迁移工具之clickhouse-copier
ClickHouse数据迁移工具之clickhouse-copier
clickhouse需要从单节点迁移至副本集群中,表结构统一修改为副本表
网上搜到的迁移方式大致为三种。
一、拷贝数据目录
操作流程
在源集群的硬盘上打包好对应数据库或表的 data 和 metadata 数据
拷贝到目标集群对应的目录
重启 clickhouse-server
二、remote函数
INSERT INTO <local_database>.<local_table>
SELECT * FROM remote('remote_clickhouse_addr', <remote_database>, <remote_table>, '<remote_user>', '<remote_password>')
ClickHouse数据迁移工具之clickhouse-copier
clickhouse需要从单节点迁移至副本集群中,表结构统一修改为副本表
网上搜到的迁移方式大致为三种。
一、拷贝数据目录
操作流程
在源集群的硬盘上打包好对应数据库或表的 data 和 metadata 数据
拷贝到目标集群对应的目录
重启 clickhouse-server
二、remote函数
INSERT INTO <local_database>.<local_table>
SELECT * FROM remote('remote_clickhouse_addr', <remote_database>, <remote_table>, '<remote_user>', '<remote_password>')
三、clickhouse-copier
clickhouse-copier是 ClickHouse 官方提供的一款数据迁移工具,可用于把表从一个集群迁移到另一个(也可以是同一个)集群。Clickhouse-copier 使用 Zookeeper 来管理同步任务,可以同时运行多个 clickhouse-copier 实例
由于数据迁移后的每个表需要在集群上创建一份副本集,因此将迁移后的所有表引擎需要修改为ReplicatedMergeTree家族。
这里使用clickhouse-copier和remote(用来同步没有分区的表)进行数据迁移
clikhouse-copier
优点
支持并发同步,可以运行多个clickhouse-copier实例
使用zookeeper同步写入状态,支持增量同步
可以在配置文件内重新定义写入的表引擎
表名与数据库名不需要相同
可指定source与sink的shard,replica
缺点
配置文件较为繁琐,每个不同实例clickhouse-copier任务的配置文件都需要上传至zookeeper相应实例节点上
慢。相比于直接迁移文件,clickhouse-copier相当于多次执行insert into操作,因此迁移速度较慢
使用clickhouse-copier需要注意的点
source表需要定义了partition,不然任务同步报错
zookeeper内存储的是已处理过的partition信息,再次运行clickhouse-copier,同步的仅是未处理过的partition数据。对于已经同步后的partition,即使partition内有新增数据,也不会同步到目标集群上。
clickhouse-copier无法同步普通视图,但可以同步物化视图,若同步物化视图,需要在source的表名前加上.inner.,不然会提示找不到table
使用Clickhouse-copier需要借助zookeeper,为减少网络流量,建议clickhouse-copier在源数据所在的服务器上运行。
clickhouse-copier --config test.xml --task-path /clickhouse/copier_task2/download_task
常用参数
daemon — 后台运行copier工具,进程将在后台启动。
config — zookeeper.xml的存放路径,用来连接zookeeper集群。
task-path — zookeeper上的存储节点路径,例如:/clickhouse/copier_task/task1;该路径中的内容用来存储任务,以及多个copier进程间的协调信息,建议不同的数据任务,路径不要重名,例如:/clickhouse/copier_task/task2,task3,task4,或者每天同步做一次数据copy的话,也可以以当天日期命名,task-2021-01-27,但同一任务的不同copier进程要保持一致的配置路径。
task-file — 指向配置了任务的配置文件,例如:copy-job.xml,该文件内容会上传到zookeeper的/clickhouse/copier_task/task1/description节点。
task-upload-force — 若设置为true,那么将根据task-file文件的内容,强制刷新覆盖上个参数提到的zookeeper的description节点。
base-dir — 会存储一些日志以及相关的辅助型文件,copier工具进程启动后,会在$base-dir创建copier_YYYYMMHHSS_<PID>格式的子目录(日志文件会在该子目录下,以及辅助型分布式表的相关信息在data目录下),若没有传该参数,则在copier运行的当前目录创建。
clickhouse-copier同步流程
1.创建zookeeper.xml配置信息
<yandex>
<logger>
<level>trace</level>
<log>./log/clickhouse-copier/copier/log.log</log>
<errorlog>./log/clickhouse-copier/copier/log.err.log</errorlog>
<size>100M</size>
<count>3</count>
</logger>
<zookeeper>
<node>
<host>data-hadoop-1</host>
<port>2181</port>
</node>
<node>
<host>data-hadoop-2</host>
<port>2181</port>
</node>
<node>
<host>data-hadoop-3</host>
<port>2181</port>
</node>
<node>
<host>data-hadoop-4</host>
<port>2181</port>
</node>
<node>
<host>data-hadoop-5</host>
<port>2181</port>
</node>
</zookeeper>
</yandex>
2.在zookeeper上创建任务路径
zkCli -server hadoop-110:2181 create /clickhouse/copier_task
zkCli -server hadoop-110:2181 create /clickhouse/copier_task/${task_name}
3.创建对应的${task_name}.xml配置信息
<yandex>
<!-- remote_servers与/etc/clickhouse-server/config.xml下的remote_servers相同 -->
<remote_servers>
<!-- 需要同步的source集群的集群名 -->
<test_shard_localhost>
<shard>
<internal_replication>false</internal_replication>
<replica>
<host>data-hadoop-5</host>
<port>9000</port>
<user>default</user>
<password>test</password>
</replica>
</shard>
</test_shard_localhost>
<!-- 目标集群配置信息 -->
<bigdata_one_shard_two_replication>
<shard>
<internal_replication>true</internal_replication>
<replica>
<host>data-clickhouse-1</host>
<port>9000</port>
<user>default</user>
</replica>
<replica>
<host>data-clickhouse-2</host>
<port>9000</port>
<user>default</user>
</replica>
</shard>
</bigdata_one_shard_two_replication>
</remote_servers>
<!-- copier最大进程数 -->
<max_workers>4</max_workers>
<!-- 同步表信息 -->
<tables>
<!-- table_test 分类标签,仅用来区分不同的表同步任务 -->
<table_test>
<!-- pull信息,被同步的表位置 -->
<cluster_pull>test_shard_localhost</cluster_pull>
<database_pull>dw</database_pull>
<table_pull>test</table_pull>
<!-- push信息 -->
<cluster_push>bigdata_one_shard_two_replication</cluster_push>
<database_push>dw</database_push>
<table_push>test</table_push>
<!-- 目的表的engine信息,同步时会根据此engine配置创建表 -->
<engine>
ENGINE=ReplicatedMergeTree('/clickhouse/tables/{shard}/dw/test', '{replica}')
PARTITION BY toYYYYMMDD(toDateTime(trace_download_ts))
ORDER BY tuple()
SETTINGS index_granularity = 8192
</engine>
<!-- 分布式表shard -->
<sharding_key>01</sharding_key>
<!-- 查询源数据时可以添加的过滤条件 -->
<!--
<where_condition> CounterID != 0 </where_condition>
-->
<!-- 指定同步的具体分区,若无此参数,则默认同步全部分区,partition值为system.part对应表的partition column -->
<!--
<enabled_partitions></enabled_partitions>
-->
</table_test>
<!--
<table_2>
....
</table_2>
-->
</tables>
</yandex>
4.将相应的${task_name}.xml上传到相应zookeeper路径的${path}/description节点上,有两种方法。
一种是直接将文件内容上传至description节点上
zkCli -server hadoop-110:2181 create /clickhouse/copier_task/${task_name}/description "`cat ${task_name}.xml`"
一种是利用参数上传文件
clickhouse-copier --config zookeeper.xml --task-path /clickhouse/copier_task/${task_name} --task-file=${task_name}.xml
5.执行clickhouse-copier
clickhouse-copier --config zookeeper.xml --task-path /clickhouse/copier_task/${task_name}
————————————————
版权声明:本文为CSDN博主「团子Yui」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/qq_39182815/article/details/116935419
三、clickhouse-copier
clickhouse-copier是 ClickHouse 官方提供的一款数据迁移工具,可用于把表从一个集群迁移到另一个(也可以是同一个)集群。Clickhouse-copier 使用 Zookeeper 来管理同步任务,可以同时运行多个 clickhouse-copier 实例
由于数据迁移后的每个表需要在集群上创建一份副本集,因此将迁移后的所有表引擎需要修改为ReplicatedMergeTree家族。
这里使用clickhouse-copier和remote(用来同步没有分区的表)进行数据迁移
clikhouse-copier
优点
支持并发同步,可以运行多个clickhouse-copier实例
使用zookeeper同步写入状态,支持增量同步
可以在配置文件内重新定义写入的表引擎
表名与数据库名不需要相同
可指定source与sink的shard,replica
缺点
配置文件较为繁琐,每个不同实例clickhouse-copier任务的配置文件都需要上传至zookeeper相应实例节点上
慢。相比于直接迁移文件,clickhouse-copier相当于多次执行insert into操作,因此迁移速度较慢
使用clickhouse-copier需要注意的点
source表需要定义了partition,不然任务同步报错
zookeeper内存储的是已处理过的partition信息,再次运行clickhouse-copier,同步的仅是未处理过的partition数据。对于已经同步后的partition,即使partition内有新增数据,也不会同步到目标集群上。
clickhouse-copier无法同步普通视图,但可以同步物化视图,若同步物化视图,需要在source的表名前加上.inner.,不然会提示找不到table
使用Clickhouse-copier需要借助zookeeper,为减少网络流量,建议clickhouse-copier在源数据所在的服务器上运行。
clickhouse-copier --config test.xml --task-path /clickhouse/copier_task2/download_task
常用参数
daemon — 后台运行copier工具,进程将在后台启动。
config — zookeeper.xml的存放路径,用来连接zookeeper集群。
task-path — zookeeper上的存储节点路径,例如:/clickhouse/copier_task/task1;该路径中的内容用来存储任务,以及多个copier进程间的协调信息,建议不同的数据任务,路径不要重名,例如:/clickhouse/copier_task/task2,task3,task4,或者每天同步做一次数据copy的话,也可以以当天日期命名,task-2021-01-27,但同一任务的不同copier进程要保持一致的配置路径。
task-file — 指向配置了任务的配置文件,例如:copy-job.xml,该文件内容会上传到zookeeper的/clickhouse/copier_task/task1/description节点。
task-upload-force — 若设置为true,那么将根据task-file文件的内容,强制刷新覆盖上个参数提到的zookeeper的description节点。
base-dir — 会存储一些日志以及相关的辅助型文件,copier工具进程启动后,会在$base-dir创建copier_YYYYMMHHSS_<PID>格式的子目录(日志文件会在该子目录下,以及辅助型分布式表的相关信息在data目录下),若没有传该参数,则在copier运行的当前目录创建。
clickhouse-copier同步流程
1.创建zookeeper.xml配置信息
<yandex>
<logger>
<level>trace</level>
<log>./log/clickhouse-copier/copier/log.log</log>
<errorlog>./log/clickhouse-copier/copier/log.err.log</errorlog>
<size>100M</size>
<count>3</count>
</logger>
<zookeeper>
<node>
<host>data-hadoop-1</host>
<port>2181</port>
</node>
<node>
<host>data-hadoop-2</host>
<port>2181</port>
</node>
<node>
<host>data-hadoop-3</host>
<port>2181</port>
</node>
<node>
<host>data-hadoop-4</host>
<port>2181</port>
</node>
<node>
<host>data-hadoop-5</host>
<port>2181</port>
</node>
</zookeeper>
</yandex>
2.在zookeeper上创建任务路径
zkCli -server hadoop-110:2181 create /clickhouse/copier_task
zkCli -server hadoop-110:2181 create /clickhouse/copier_task/${task_name}
3.创建对应的${task_name}.xml配置信息
<yandex>
<!-- remote_servers与/etc/clickhouse-server/config.xml下的remote_servers相同 -->
<remote_servers>
<!-- 需要同步的source集群的集群名 -->
<test_shard_localhost>
<shard>
<internal_replication>false</internal_replication>
<replica>
<host>data-hadoop-5</host>
<port>9000</port>
<user>default</user>
<password>test</password>
</replica>
</shard>
</test_shard_localhost>
<!-- 目标集群配置信息 -->
<bigdata_one_shard_two_replication>
<shard>
<internal_replication>true</internal_replication>
<replica>
<host>data-clickhouse-1</host>
<port>9000</port>
<user>default</user>
</replica>
<replica>
<host>data-clickhouse-2</host>
<port>9000</port>
<user>default</user>
</replica>
</shard>
</bigdata_one_shard_two_replication>
</remote_servers>
<!-- copier最大进程数 -->
<max_workers>4</max_workers>
<!-- 同步表信息 -->
<tables>
<!-- table_test 分类标签,仅用来区分不同的表同步任务 -->
<table_test>
<!-- pull信息,被同步的表位置 -->
<cluster_pull>test_shard_localhost</cluster_pull>
<database_pull>dw</database_pull>
<table_pull>test</table_pull>
<!-- push信息 -->
<cluster_push>bigdata_one_shard_two_replication</cluster_push>
<database_push>dw</database_push>
<table_push>test</table_push>
<!-- 目的表的engine信息,同步时会根据此engine配置创建表 -->
<engine>
ENGINE=ReplicatedMergeTree('/clickhouse/tables/{shard}/dw/test', '{replica}')
PARTITION BY toYYYYMMDD(toDateTime(trace_download_ts))
ORDER BY tuple()
SETTINGS index_granularity = 8192
</engine>
<!-- 分布式表shard -->
<sharding_key>01</sharding_key>
<!-- 查询源数据时可以添加的过滤条件 -->
<!--
<where_condition> CounterID != 0 </where_condition>
-->
<!-- 指定同步的具体分区,若无此参数,则默认同步全部分区,partition值为system.part对应表的partition column -->
<!--
<enabled_partitions></enabled_partitions>
-->
</table_test>
<!--
<table_2>
....
</table_2>
-->
</tables>
</yandex>
4.将相应的${task_name}.xml上传到相应zookeeper路径的${path}/description节点上,有两种方法。
一种是直接将文件内容上传至description节点上
zkCli -server hadoop-110:2181 create /clickhouse/copier_task/${task_name}/description "`cat ${task_name}.xml`"
一种是利用参数上传文件
clickhouse-copier --config zookeeper.xml --task-path /clickhouse/copier_task/${task_name} --task-file=${task_name}.xml
5.执行clickhouse-copier
clickhouse-copier --config zookeeper.xml --task-path /clickhouse/copier_task/${task_name}
引用于:https://blog.csdn.net/qq_39182815/article/details/116935419