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

  1. 在源集群的硬盘上打包好对应数据库或表的 data 和 metadata 数据

  2. 拷贝到目标集群对应的目录

  3. 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}