背景

随着互联网的飞速发展，互联网的业务量呈爆发性增长，对于的数据量也迅速激增。传统的单机数据库在存储空间及性能的瓶颈，导致其将无法支撑企业业务的高速发展。伴随着海量数据对系统性能，成本以及扩展性的新需求，分布式数据库系统应运而生。sequoiadb作为是一款优秀的分布式文档型数据库，其底层基于分布式，高可用，高性能与动态数据类型设计的，能够应对海量数据的存储，及提供高效检索。

传统数据库可以利用分布式数据库的优势来缓解其自身的瓶颈。比如，将历史数据迁移到sequoiadb，由sequoiadb提供存储及业务服务，以缓解传统数据库自身的压力。数据迁移分为全量迁移和增量迁移，本文主要对mysql到sequoiadb的增量数据迁移过程进行分析。

场景介绍

本文将通过一个小案例来分析数据从mysql数据库抽取，并经由spark对数据进行清洗转换，最后装载到sequoiadb的迁移过程。

源数据mysql中有两张待迁移的数据表分别为student表和grade表，我们需要对grade表进行增量迁移，每次只迁移更新的数据；此外，我们需要一张由student和grade整合的大表，方便提供查询服务。

具体方案为先通过select … into outfile …方式从mysql数据库中导出数据为csv格式文件，指定导出编码为gb18030（此处模拟银行数据编码），经由java将文件编码由gb18030转为utf8编码类型；然后，针对不同的数据，选择不同的导入的方式。对于增量的数据可以调用sdbimprt和sdbupsert工具结合的方式来导入到SDB集群中，对于需要额外加工处理的数据可以利用spark的RDD特性进行处理并加装到sequoiadb集群中。

数据迁移实现

3.1 mysql数据抽取

mysql导出数据可以使用mysqldump工具，也可用select into outfile的方式，此处使用select into outfile方式进行数据抽取，执行以下语句即可实现带条件抽取指定数据到指定目录下。其中参数character 指定为gb18030 编码，fields 分隔符为","，lines 分隔符为’\n’。

select * from student where id < 51 into outfile ‘/data/hbh/student.csv’ character set gb18030 fields terminated by ‘,’ lines terminated by ‘\n’;
select * from grade into outfile ‘/tmp/grade.csv’ character set gb18030 fields terminated by ‘,’ lines terminated by ‘\n’;

在执行select into outfile语句时，应确保具有MySQL的FILE权限，否则会遇到权限问题；并且输出文件必须不存在。这可以防止MySQL破坏重要的文件。

3.2 数据迁移准备

我们迁移的目标数据库为sequoiadb，此案例中我们根据sequoiadb分布式的优势，结合它的数据分区特性，采用多维分区的方式将海量数据分散到多个数据分区组上进行存储。该方式通过结合了Hash分布方式和Partition分布方式的优点，让集合中的数据以更小的颗粒度分布到数据库多个数据分区组上，使得数据库的性能得到极大提升。

1. 对抽取出来的数据进行转码

利用Linux自带的转码工具iconv进行转码，将编码由gb18030 转为utf8

iconv -t utf-8 -f gb2312 -c filename > newFilename

-f 原编码
-t 目标编码
-c 忽略无法转换的字符

2. 创建目标表（主子表模式）

//创建主表
sdb ‘db.createCS(“test”)’
db.test.createCL(“clname”,{ShardingKey:{_id:1},ShardingType:“range”,IsMainCL:true})
//创建子表
db.createCS(“clname1”,{Domain:“test_domain”}).createCL(“clname1”,{ShardingKey:{"_id:1"},ShardingType:“hash”,Compressed:true,CompressionType:“lzw”,AutoSplit:true})
//挂载
db.test.clname.attachCL(“clname1.clname1”,{LowBound:{_id:MinKey()},UpBound:{_id:MaxKey()}})’
//对主键建立唯一索引
db.test.clname.createIndex(“id_Idx”,{id:1},true,true)

3.3 增量数据迁移

3.3.1 sdbupsert更新迁移

增量的数据分为新增数据和更新数据，对于新增数据可以根据import工具直接导入，对于更新数据可以利用sdbupsert工具进行更新插入。sdbimprt工具导入数据时，对于更新后的数据而不是新插入的数据，在有唯一性约束的情况下就会出现键值重复（Duplicate Key）的异常，并且这些异常数据会以Json格式记录在.rec结尾的文件中（与导入的数据文件在同一目录下）。sdbupsert的功能就是将这些键值重复的数据upsert到SDB数据库中。并且支持多线程并发导入。

1. 使用sdbimprt导入工具进行导入迁移

sdbimprt --hosts=“server1:11810,server2:11810,server3:11810” --delfield="\44" --type=csv --file=clname.csv -c test -l clname --fields=‘id string, user_id string,project string, score double, create_time string’ -n 1000 -j 100

2. 使用sdbupsert进行更新迁移

对于键值重复的数据sdbimprt会记录在.rec结尾的文件，使用sdbupert进行更新导入。
java -jar sdbupsert.jar sdb.properties clname.rec
参数说明：
sdb.properties: 配置文件，含有调控参数，及连接参数配置
clname.rec：需导入的数据文件，json格式类型

3.3.2 表合并操作

在数据库的常见模型中（比如星型模型或者雪花模型），表一般分为两种：事实表和维度表。维度表一般指固定的、变动较少的表，例如联系人、物品种类等，一般数据有限。而事实表一般记录流水，比如销售清单等，通常随着时间的增长不断膨胀。这里的student表类似于维度表，grade表类似于事实表。对于这种大小表关联的join操作，sparkSQL有两种实现分为Broadcast Join和Shuffle Hash Join。在SparkSQL中，对两个表做Join最直接的方式是先根据key分区，再在每个分区中把key值相同的记录拿出来做连接操作。但这样就不可避免地涉及到shuffle，而shuffle在Spark中是比较耗时的操作，Broadcast Join为了避免shuffle，我们可以将大小有限的维度表的全部数据分发到每个节点上，供事实表使用。
executor存储维度表的全部数据，一定程度上牺牲了空间，换取shuffle操作大量的耗时。但是这种方式只能用于广播较小的表，否则数据的冗余传输就远大于shuffle的开销。当维度表较大时，可以使用Shuffle Hash Join方式，利用key相同必然分区相同的这个原理，SparkSQL将较大表的join分而治之，先将表划分成n个分区，再对两个表中相对应分区的数据分别进行Hash Join，这样即在一定程度上减少了driver广播一侧表的压力，也减少了executor端取整张被广播表的内存消耗。

Spark作为一个分布式的计算引擎，可以通过分区的形式将大批量的数据划分成n份较小的数据集进行并行计算。我们利用其这种特性可以进行大批量的数据的join关联操作，并落地到sequoiadb数据库中。

将需要做join的两张表数据分别加载出来做成dataframe，然后创建为临时视图进行join操作，之后将没份结果集插入到sequoiadb中。

val db= new Sequoiadb("192.168.5.188:11810","","")
val stu_grade=db.getCollectionSpace("test").getCollection("stu_grade")
 
import spark.implicits._
val spark = SparkSession
       .builder()
       .appName("SparkSQL_join")
       .config("spark.some.config.option", "some-value")
       .getOrCreate()
    
    val user_array = Array(StructField("id", StringType, nullable = true),StructField("name", StringType, nullable = true),StructField("age", IntegerType, nullable = true))
    val user_schema = (StructType(user_array))
    val user_df = spark.read.schema(user_schema).csv("user.csv")
    user_df.createTempView("user_tbl");
    val grade_array = Array(StructField("id", StringType, nullable = true),StructField("user_id", StringType, nullable = true),StructField("project", StringType, nullable = true),StructField("grade", IntegerType, nullable = true),StructField("create_time", IntegerType, nullable = true))
    val grade_schema = (StructType(grade_array))
    val grade_df = spark.read.schema(grade_schema).csv("grade.csv")
    grade_df.createTempView("grade_tbl")
    val user_grade = spark.sql("select g.id,u.name,g.project,g.grade,g.create_time from user_tbl u right join grade_tbl g on u.id=g.user_id")

    user_grade.foreachPartition(partitionOfRecords => {
      partitionOfRecords.foreach(pair => {
        val id = pair.get(0)
        val name = pair.get(1)
        val project = pair.get(2)
        val grade = pair.get(3)
        val create_time = pair.get(4);
         stu_grade.insert("{'id':'"+id+"','name':'"+name+"','project':'"+project+"','grade':'"+grade+"','create_time':"+create_time+ "}")
      })

结论

数据迁移是系统开发经常涉及到的一项工作。在企业级应用系统中，新系统的开发，新旧系统的升级换代，以及正常的系统维护，不可避免地涉及到大量的迁移工作。数据迁移看视简单却蕴含许多技术实现细节。本文粗劣的介绍了数据迁移的整个流程，及一些迁移的方式，还有许多迁移的细节，包括数据的检查，迁移前后数据一致性等尚未涉及。