Hive数据如何同步到MaxCompute之实践讲解
摘要：本次分享主要介绍 Hive数据如何迁移到MaxCompute。MMA（MaxCompute Migration Assist）是一款MaxCompute数据迁移工具，本文将为大家介绍MMA工具的功能、技术架构和实现原理，再通过实际操作MMA，演示将Hive数据迁移到MaxCompute。
演讲嘉宾简介：阿里云智能产品专家-云花
精彩视频回顾：Hive数据如何同步到MaxCompute
以下内容根据演讲视频以及PPT整理而成。
本次分享主要围绕以下两个方面：
一、MMA功能介绍、技术架构和原理
二、MMA数据迁移操作演示
一、MMA功能介绍、技术架构和原理
1.MMA功能介绍
MMA主要覆盖的场景包括批处理，存储，数据集成，作业编排及调度。MMA提供迁移评估分析功能，自动化生成迁移评估报告。迁移评估报告会报告出从Hive表的数据结构到MaxCompute的数据结构之间是否有数据类型映射兼容性问题，如语法问题。MMA支持自动化数据迁移功能，支持批量建表以及数据自动化批量迁移。另外，MMA还支持作业语法分析，可以检查Hive SQL能否直接运行在MaxCompute里。MMA还支持工作流迁移，对主流数据集成工具Sqoop进行作业的迁移转换，并自动创新DataWorks数据继承作业。
2.MMA迁移服务架构
MMA迁移服务架构如下图。左侧是客户Hadoop集群，右侧的是Aliyun 大数据服务，主要是DataWorks和MaxCompute。MMA工具会跑在客户的Hadoop集群上，客户的服务器需要能够访问Hive Server。在机器上部署MMA客户端工具时会自动化获取Hive Meta里的数据，既将Hive的Meta数据从MySQL中读出来，还可以将Meta信息自动转换成MaxCompute DDL，然后用DDL在MaxCompute中批量创建表，批量拉起数据同步的作业，向Hive Server并发提交Hive SQL作业。基于Hive SQL作业调用一个UDF，UDF里面会集成Tunnel的SDK，基于Tunnel将数据批量写到MaxCompute的表中。作业和工作流的迁移也是基于MMA客户端工具自动发现的Hive Meta数据，做工作流的作业检查，包括把工作流的组件中的工作流的配置批量转换成DataWorks工作流的配置，直接生成DataWorks工作流。以上步骤完成了数据到作业到工作流的迁移。最后一步是迁移完成后需要基于MaxCompute和DataWorks架构对接业务系统。
3.MMA Agent技术构架和原理
通过客户端和服务端，MMA可支持数据和工作流的批量迁移。安装在客户服务器上的MMA客户端工具包含下图中的四个能力。首先可自动获取Hive Metadata，并自动创建生成DDL和UDTF，而且可批量创建表和批量Hive数据迁移。相应的，MMA有四个主要组件。Meta Carrier工具自动将Hive Meta信息提取出来，在本地生成Hive Meta结构。Meta Processor是基于Meta Carrier工具产出的结果，基于Hive Meta数据批量转成MaxCompute的DDL，既批量转成建表语句和数据类型的转换。此外，MMA客户端工具还内置了ODPS Console，基于ODPS Console将Meta Processor产出的ODPS DDL在MaxCompute上批量创建表。最后基于Data Carrier批量创建Hive SQL作业。每个Hive SQL作业相当于多个表或者多个分区并行的数据的同步。
二、MMA数据迁移操作演示
1.环境准备
如下图所示，MMA环境运行要求是jdk1.6版本以上，Python3+。另外，运行MMA的机器，通过Hive Client提交Hive SQL的作业。机器还需要可以访问Hive Server，并连接MaxCompute服务。下图右侧的场景案例是客户在基于MMA做同步数据时发现的问题。例子中客户有自己的IDC，在阿里云有自己的ECS，客户从IDC拉一条专线访问阿里云。在安装MMA之前，客户可以从ECS上直接访问MaxCompute，但IDC里的机器不能访问MaxCompute。此时需要在这条专线上增加VBR路由配置，既在边界路由上增加一个配置。配置之后可以打通从IDC到ECS，甚至到MaxCompute服务的网络访问。
2.下载和编译工具包
下载编译工具包有两种方法。一是下载下图中编译好的工具包。此外，由于用户的Hive版本各不相同，用户可以根据MMA官网上提供的GitHub地址下载源码，拉到本地进行编译。
3.MMA Agent操作说明
使用meta-carrier采集Hive Metadata：机器提前安装好Hadoop环境，本地有Hive Server。提前下载客户端的odps-data-carrier.zip包，并在本地解压。解压完成后会显示下图所示目录。
bin目录下有几个文件，首先是MMA的几个核心角色：meta-carrier、meta-processor、odps_ddl_runner用于批量创建表，hive_udtf_sql_runner用于同步数据。libs目录下是工具依赖的jar包和库。 res目录的console目录下的bin目录包含odpscmd，是MMA客户端的工具，odps_config,ini配置文件。
本地Hive上面有三个库，其中dma_demo库下有五个表，可将五个表自动批量同步到MaxCompute上。首先需要在MaxCompute上创建一个project，既在DataWorks控制台创建一个空Project。打开新的命令窗口，在本地运行的ODPS Command客户端工具，连接新创建的空的project。在已经安装了MMA Hive的机器上运行，解压，进入odps-data-carrier工具的目录。执行 bin/meta-carrier -h查看其参数说明，-d表示用户可以指定数据库，通过指定数据库提取meta数据，若不指定，会将Hive下所有的库的meta都拉取出来。-o指定输出目录，-t参数指定表，-u参数指定uri地址，即Hive Meta的地址。开始测试时首先指定地址，因为是thirft地址，所以用thirft协议连接。此外由于Hive Meta在本地，所以只需要将dma_demo库的meta拉取出来，加-o参数，指定目录。通过tree meta可以查看meta目录结构。meta目录下生成和数据库同名的dma_demo目录。dma_demo目录下的json文件是描述数据库meta信息的文件。partition_meta里面的两个表是分区表，table_meta的表是非分区表，会把所有表集的meta信息写在下面。
使用network-measurement-tool：网络测量工具network-measurement-tool用于网络测速，测量Hive集群到MaxCompute各region的网络连通质量。通过网络测速可以知道网络传输速度和大概的数据量，根据网络传输速度预估数据传输时间。network-measurement-tool工具连接MaxCompute上所有region的节点ENDPOINT地址，由最快到最慢做测速排序。下图中执行结果最快的是HANGZHOU，连接时间为51ms，最慢的是一个海外region KUALA_LUMPUR，连接时间为3393ms。
使用sql-checker检查Hive SQL是否可以直接在MaxCompute上执行：sql-checker可用于检查Hive SQL语法兼容性，判断SQL能否直接在MaxCompute上运行。其参数input要指定meta目录，指定缺省project和sql参数。若执行结果返回其兼容性OK，即此sql语句可以直接在MaxCompute上运行。
使用meta-processor生成ODPS DDL和Hive UDTF SQL：通过第一步已经拉出了Hive Meta库的metadata信息。下一步需要将Hive Meta转换成MaxCompute DDL。使用bin/meta-processor -h查看参数。-i即input，-o是output目录。bin/meta-processor的-i就是第一个命令的输出结果，代表meta的目录，存放的是carrier拉出的Hive Meta数据。指定-i meta -o output。将bin/meta-processor运行结果放入output中。生成output目录。tree output可查看结构。output目录下也会生成一个以MaxCompute的project命名的dma_demo目录。dma_demo目录下面有一个hive_udtf_sql目录，目录下面的.sql用于批量数据迁移。还包含odps_ddl目录，用于后续批量创建表，目录下的.sql是创建表的语句。
使用odps_ddl_runner.py批量创建表和分区：既然DDL已经生成，下一步需要批量创建表。批量创建表依赖MaxCompute的命令行工具（客户端工具）。工具包一级目录下的odps_config包含几个基本参数，其中project_name、access_id、access_key、end_point为必填项。配置完成可以开始批量创建表。批量创建表工具要执行Python命令，python36 bin/odps_ddl_runner.py -h。参数中input参数由meta processer自动生成，odpscmd参数不是必须指定的，它会默认找到所在目录，不需要单独配置参数。创建表过程要拉起odps_command工具，基于客户端工具来向MaxCompute提交建表语句。通过show table查看是否创建了五个表，再查看分区是否也建好。若Hive和MaxCompute上的分区创建完成，两边的表结构也应相同。
使用hive_udtf_sql_runner.py迁移数据：通过命令行python36 bin/hive_udtf_sql_runner.py开始读output目录下的.sql语句。查看python36 bin/hive_udtf_sql_runner.py命令的参数，Input_all会批量迁移output下所有数据。若只想做单表的迁移或者单分区的迁移，需要使用input_single_file参数。parallelism参数表示并行度。数据迁移完成后在MaxCompute中查看表中是否有数据。对比MaxCompute中的数据和Hive中对应表的数据。若其size相同，Hive和MaxCompute中对应表的数据相同，说明已经完整迁移数据。
进阶功能1：仅生成指定的database或table的metadata：在生成meta时可以不生成整个数据库的meta，可以指定一个表，生成一个表的meta。Meta carrier 工具提供了抓取指定数据库可表的能力。
进阶功能2：进灵活的hive到MaxCompute映射：如果用户需要自定义MaxCompute上的表，可以更改命名，加前缀或后缀，修改自定义字段名。如可以修改MaxCompute DDL里的json文件实现表名或字段名的自定义。
进阶功能3：单表或单分区迁移：上面的例子中已经批量迁移五张表，通过drop table inventory，演示单分区迁移。首先若只需同步一个分区的数据，需要重新创建一张表。执行python36 bin/odps_ddl_runner.py创建表，指定其output目录，开始批量创建表。此时inventory表以及其五个分区已经创建完成。但创建的分区中没有数据，可指定其中一个分区，如第二个分区。通过使用input_single_file参数，指定具体分区的sql目录。可指定目录为output/dma_demo/hive_udtf_sql/single_partition/inventory_1.sql。执行完成后查看结果，对比在Hive上第二分区的数据和迁移进MaxCompute的单分区的数据，若两个单分区数据一致，则表示迁移完成。
4.使用DataWorks自动迁移数据和工作流
MMA1.0版本还未将工作流迁移做成服务化功能，目前还是一个线下工具。客户需要根据下图模板生成相应目录。在做工作流迁移时，如果使用开源组件，可以按照模板将配置放到相应目录下。如果不使用开源组件，如自研的工作流调度编排服务，可基于标准化模板，按照模板的目录结构生成用户自己的工作流数据，打成zip包上传到DataWorks。目前MMA1.0还需要客户手动打包文件上传zip包，后台会进行自动解析并加载到DataWorks工作流。上传完成后，DataWorks服务会根据ODPS DDL 批量生成MaxCompute的table。MaxCompute表创建后，DataWorks服务会自动拉起DataX的数据同步任务，完成批量数据迁移。
下图是可配置的项目描述文件project.xml，其中project信息可以自定义。另外一个是工作流描述文件，workflow.xml中是工作流自定义的参数，用户可以通过编辑配置文件进行修改。
5.其他类型作业的迁移方案
UDF、MR迁移：用户直接将jar包上传到MaxCompute上，开启2.0支持，开启对Hive兼容的flag。将Hive兼容的flag设置为true，再在MaxCompute下直接迁移Hive下的UDF和MR。需求注意不支持UDF，MR中直接访问文件系统，网络访问和外部数据源连接。
外表迁移：原则上能结构化的数据尽量迁移到MaxCompute内部表。如果必须通过外表访问外部文件，建议先将数据从HDPS迁移到OSS或OTS，再在MaxCompute中创建外部表，实现对文件的访问。
Spark作业迁移：MMA对开源Spark的语法完全兼容。用户只需要下载Spark On MaxCompute客户端，在编写Spark SQL时仅增加MaxCompute的连接参数，其它部分和Spark SQL的语法相同。
6.查看迁移评估报告
创建MaxCompute DDL完成后，除了生成DDL会SQL以外，还会生成迁移评估报告report.html文件。迁移评估报告是一个兼容性报告，显示Hive表的数据结构和MaxCompute表的数据结构之间的映射关系是否有风险，并标识风险等级。另外会给出明细说明以及预警提示，如数据类型不兼容或语法不兼容等。用户在迁移之前可以查看此报告评估迁移风险。
本文作者：亢海鹏
本文为云栖社区原创内容，未经允许不得转载。
