《数据迁移》-- 单库迁移
作者: Ming 原文来源:https://tidb.net/blog/7606d56c
前言
采用 Dumpling+Lightning+TiDB Binlog 的方式进行
Dumpling 介绍: 导出数据的格式可分为:SQL 格式、CSV 格式 支持将数据导出到 Amazon S3 当中 还可以针对 SQL 文件进行压缩为 gz 格式
Lightning 介绍: 将全量数据告诉导入导 TiDB 集群的工具 导入数据的格式:Dumpling 输出的数据、CSV 文件和 Amazon 生成的 Apache Parquet 文件
TiDB Binlog 介绍: 收集 TiDB 的 binlog,并提供准实时备份和同步功能 拥有 Pump、Drainer 组件,支持水平扩容
+
+
Dumpling 参数介绍
Lightning 参数介绍
TiDB Binlog 参数介绍
注释:以上参数只是列举出采用了的参数,并不代表所有参数,具体配置还需根据官方文档进行添加、更改。
背景
在制定迁移任务之前,我们通常会考虑数据库的数据量大小,与为了尽量不影响业务,可能通常会在深夜进行导出,白天停止导出计划。1、在这种供我们导出时间有明确规定的情况下,可能会因为数据量过大的情况,导致数据导入时间不够而执行失败 2、GC 时间我们也没法强行进行过大的设置,有很大的风险导致意外发生
在这种情况之下,我们需要考虑好针对于数据迁移的规划,为此写了一偏关于单库分表导出的内容,以此来解决不可能长时间进行的问题。
规划
一、从导出的数据量入手,来判断进行导出的数据量大小
可以通过 sql 来进行估算数据量的大小
也可以通过监控信息来确定数据量的大小(监控只能看到整个 TiDB 的大小或各个节点的大小,并不能看到指定库的大小)
二、判断数据导出需要的大致时间,进行规划
当我们确定了大致的数据量大小后,我们可以在测试环境进行一下试验,判断数据导出所需要消耗的时间
根据我们得出的判断,再根据业务给的允许我们导出的时间来进行制定计划
假设我这里给的是一晚上 5h 时间,那我由于单库过大,所以需要将指定的库拆分为两次进行数据导出
实施
一、通过上面判断我们可以得到单表的数据量估算值,通过这个估算值来对单表进行划分
二、划分好导出的顺序之后我们就会针对此次导出进行脚本编写
三、对导出数据的命令执行,这样我们会通过两次来进行单库的导出
注意:不要忘记调整 GC 的时间,防止在导出过程中 GC 过期导致任务报错
update mysql.tidb set VARIABLE_VALUE=“5h ” where VARIABLE_NAME=“tikv_gc_life_time”;
四、对导出数据进行导入
注意事项:Dumpling 导出数据的目录要明确
五、Lightning 导入数据后,开启 binlog 做增量同步
而 pump 的 GC 时间是有限制的,不能开太长,如果导出的过多,肯定是不能放在一起在进行增量同步的,那样会导致 drainer 调取不到 pump 的 binlog
所以在执行一个导入计划之后,就针对一个计划开启增量同步注意事项: 1、过滤同步的时候需要注意优先级别 2、下游自动生成的 tidb_binlog 库,我们需要设置不同的名字来进行区分 3、迁移的上游需要提前开启了 binlog、pump
六、当我们所有的数据都迁移完毕之后,我们现在有多个 drainer,这时候我们可以把 drainer 进行合并
当所有的 drainer 将增量数据追平以后,我们可以在扩容一个 drainer 以最小的 checkpoint 为时间点,进行整个库的增量同步
查看延迟,追平后,将其他 drainer 进行缩容即可
七、当我们的 drainer 合并完以后,开始进行数据校验 sync-diff-inspector
合并 drainer 可以防止我们需要执行多次 sync-diff-inspector 如果表中有 double、json、bit、blob,需要找出来进行忽略 snapshot 通过对应的下游 checkpoint 获取
采用的 5.4 版本的 sync-diff-inspector # 每个版本的数据校验参数差距不小
总结
整体来说,这篇文章主要是介绍对于大数据量迁移过程中使用的一种策略,针对数据量过大带来的烦恼,结合自己做过的实践来进行编写的,有几个值得注意的地方,在每个步骤的过程中进行了标记,注释。
本文并没有过多的介绍相应的理论,而是大概的讲述了整体的一个步骤流程。
版权声明: 本文为 InfoQ 作者【TiDB 社区干货传送门】的原创文章。
原文链接:【http://xie.infoq.cn/article/0984c7c97fd8c387770e661cc】。文章转载请联系作者。
评论