网站设计提成多少钱,网站 打赏功能,vs做网站创建项目时选哪个,台州临海市建设局网站点击关注“有赞coder”获取更多技术干货哦#xff5e;作者#xff1a;郭理想 任海潮部门#xff1a;数据中台一、背景有赞是一家商家服务公司#xff0c;向商家提供强大的基于社交网络的#xff0c;全渠道经营的 SaaS 系统和一体化新零售解决方案。随着近年来社… 点击关注“有赞coder”获取更多技术干货哦作者郭理想 任海潮部门数据中台一、背景有赞是一家商家服务公司向商家提供强大的基于社交网络的全渠道经营的 SaaS 系统和一体化新零售解决方案。随着近年来社交电商的火爆有赞大数据集群一直处于快速增长的状态。在 2019 年下半年原有云厂商的机房已经不能满足未来几年的持续扩容的需要同时考虑到提升机器扩容的效率(减少等待机器到位的时间)以及支持弹性伸缩容的能力我们决定将大数据离线 Hadoop 集群整体迁移到其他云厂商。在迁移前我们的离线集群规模已经达到 200 物理机器每天 40000 调度任务本次迁移的目标如下将 Hadoop 上的数据从原有机房在有限时间内全量迁移到新的机房如果全量迁移数据期间有新增或者更新的数据需要识别出来并增量迁移对迁移前后的数据要能对比验证一致性(不能出现数据缺失、脏数据等情况)迁移期间(可能持续几个月)保证上层运行任务的成功和结果数据的正确有赞大数据离线平台技术架构上文说了 Hadoop 集群迁移的背景和目的我们回过头来再看下目前有赞大数据离线平台整体的技术架构如图1.1所示从低往上看依次包括图1.1 有赞大数据离线平台的技术架构Hadoop 生态相关基础设施包括 HDFS、YARN、Spark、Hive、Presto、HBase、Kafka、Kylin等基础组件包括 Airflow (调度)、DataX (离线数据同步)、基于binlog的增量数据同步、SQL解析/执行引擎选择服务、监控诊断等平台层面包括 数据开发平台(下文简称DP)、资产管理平台、数据可视化平台、算法训练平台等本次迁移会涉及到从底层基础设施到上层平台各个层面的工作。二、方案调研在开始迁移之前我们调研了业界在迁移 Hadoop 集群时常用的几种方案2.1 单集群两个机房公用一个 Hadoop 集群(同一个Active NameNodeDataNode节点进行双机房部署)具体来讲有两种实现方式(记为方案A) 新机房DataNode节点逐步扩容老机房DataNode节点逐步缩容缩容之后通过 HDFS 原生工具 Balancer 实现 HDFS Block 副本的动态均衡最后将Active NameNode切换到新机房部署完成迁移。这种方式最为简单但是存在跨机房拉取 Shuffle 数据、HDFS 文件读取等导致的专线带宽耗尽的风险如图2.1所示(记为方案B) 方案 A 由于两个机房之间有大量的网络传输实际跨机房专线带宽较少情况下一般不会采纳另外一种带宽更加友好的方案是:通过Hadoop 的 Rack Awareness 来实现 HDFS Block N副本双机房按比例分布(通过调整 HDFS 数据块副本放置策略比如常用3副本两个机房比例为12)通过工具(需要自研)来保证 HDFS Block 副本按比例在两个机房间的分布(思路是通过 NameNode 拉取 FSImage读取每个 HDFS Block 副本的机房分布情况然后在预定限速下实现副本的均衡)图2.1 单集群迁移方案优点对用户透明基本无需业务方投入数据一致性好相比多集群机器成本比较低缺点需要比较大的跨机房专线带宽保证每天增量数据的同步和 Shuffle 数据拉取的需要需要改造基础组件(Hadoop/Spark)来支持本机房优先读写、在限速下实现跨机房副本按比例分布等最后在完成迁移之前需要集中进行 Namenode、ResourceManager 等切换有变更风险2.2 多集群在新机房搭建一套新的 Hadoop 集群第一次将全量 HDFS 数据通过 Distcp 拷贝到新集群之后保证增量的数据拷贝直至两边的数据完全一致完成切换并把老的集群下线如图2.2所示。这种场景也有两种不同的实施方式(记为方案C) 两边 HDFS 数据完全一致后一键全部切换(比如通过在DP上配置改成指向新集群)优点是用户基本无感知缺点也比较明显一键迁移的风险极大(怎么保证两边完全一致、怎么快速识别快速回滚)(记为方案D) 按照DP上的任务血缘关系分层(比如按照数据仓库分层依次迁移 ODS / DW / DM 层数据)、分不同业务线迁移优点是风险较低(分治)且可控缺点是用户感知较为明显图2.2 多集群迁移方案优点跨机房专线带宽要求不高(第一次全量同步期间不跑任务后续增量数据同步两边双跑任务不存在跨机房 Shuffle 问题)风险可控可以分阶段(ODS / DW / DM)依次迁移每个阶段可以验证数据一致性后再开始下一阶段的迁移不需要改造基础组件(Hadoop/Spark)缺点对用户不透明需要业务方配合在平台层需要提供工具来实现低成本迁移、数据一致性校验等2.3 方案评估从用户感知透明度来考虑我们肯定会优先考虑单集群方案因为单集群在迁移过程中能做到基本对用户无感知的状态但是考虑到如下几个方面的因素我们最终还是选择了多集群方案(主因)跨机房的专线带宽大小不足。上述单集群的方案 A 在 Shuffle 过程中需要大量的带宽使用方案 B 虽然带宽更加可控些但副本跨机房复制还是需要不少带宽同时前期的基础设施改造成本较大(次因)平台上的任务类型众多之前也没系统性梳理过透明的一键迁移可能会产生稳定性问题同时较难做回滚操作因此我们通过评估最终采用了方案 D。三、实施过程在方案确定后我们便开始了有条不紊的迁移工作整体的流程如图3.1所示图3.1 离线Hadoop多集群跨机房迁移流程图上述迁移流程中核心要解决几个问题第一次全量Hadoop数据复制到新集群如何保证过程的可控(有限时间内完成、限速、数据一致、识别更新数据)(工具保证)离线任务的迁移如何做到较低的迁移成本且保障迁移期间任务代码、数据完全一致(平台保证)完全迁移的条件怎么确定如何降低整体的风险(重要考虑点)3.1 Hadoop 全量数据复制首先我们在新机房搭建了一套 Hadoop 集群在进行了性能压测和容量评估后使用 DistCp工具在老集群资源相对空闲的时间段做了 HDFS 数据的全量复制此次复制 HDFS 数据时新集群只开启了单副本整个全量同步持续了两周。基于 DistCp 本身的特性(带宽限制-bandwidth / 基于修改时间和大小的比较和更新-update)较好的满足全量数据复制以及后续的增量更新的需求。3.2 离线任务的迁移目前有赞所有的大数据离线任务都是通过 DP 平台来开发和调度的由于底层采用了两套 Hadoop 集群的方案所以迁移的核心工作变成了怎么把 DP 平台上任务迁移到新集群。3.2.1 DP 平台介绍有赞的 DP 平台是提供用户大数据离线开发所需的环境、工具以及数据的一站式平台(更详细的介绍请参考另一篇博客)目前支持的任务主要包括离线导入任务( MySQL 全量/增量导入到 Hive)基于binlog的增量导入 (数据流binlog - Canal - NSQ - Flume - HDFS - Hive)导出任务(Hive - MySQL、Hive - ElasticSearch、Hive - HBase 等)Hive SQL、Spark SQL 任务Spark Jar、MapReduce 任务其他比如脚本任务本次由于采用多集群跨机房迁移方案(两个 Hadoop 集群)因此需要在新旧两个机房搭建两套 DP 平台同时由于迁移周期比较长(几个月)且用户迁移的时间节奏不一样因此会出现部分任务先迁完部分任务还在双跑还有一些任务没开始迁移的情况。3.2.2 DP 任务状态一致性保证在新旧两套 DP 平台都允许用户创建和更新任务的前提下如何保证两边任务状态一致呢(任务状态不限于MySQL的数据、Gitlab的调度文件等因此不能简单使用MySQL自带的主从复制功能)我们采取的方案是通过事件机制来实现任务操作时间的重放展开来讲用户在老 DP 产生的操作(包括新建/更新任务配置、任务测试/发布/暂停等)通过事件总线产生事件消息发送到 Kafka新系统通过订阅 Kafka 消息来实现事件的回放如图 3.2 所示。 图3.2 通过事件机制来保证两个平台之间的任务状态一致3.2.3 DP 任务迁移状态机设计DP 底层的改造对用户来说是透明的最终暴露给用户的仅是一个迁移界面每个工作流的迁移动作由用户来触发。工作流的迁移分为两个阶段双跑和全部迁移状态流转如图 3.3 所示图 3.3 工作流迁移状态流转双跑工作流的初始状态为未迁移然后用户点击迁移按钮会弹出迁移界面如图 3.4 所示用户可以指定工作流的任意子任务的运行方式主要选项如下两边都跑任务在新老环境都进行调度老环境跑任务只在老环境进行调度新环境跑任务只在新环境进行调度图 3.4 工作流点击迁移时弹框提示选择子任务需要运行的方式不同类型的子任务建议的运行方式如下导入任务 (MySQL - Hive)通常是双跑也就是两个集群在调度期间都会从业务方的 MySQL 拉取数据(由于拉取的是 Slave 库且全量拉取的一般是数据量不太大的表)Hive、SparkSQL 任务通常也是双跑双跑时新老集群都会进行计算。MapReduce、Spark Jar 任务需要业务方自行判断任务的输出是否是幂等的、代码中是否配置了指向老集群的地址信息等导出任务一般而言无法双跑如果两个环境的任务同时向同一个 MySQL表(或者 同一个ElasticSearch 索引)写入/更新数据容易造成数据不一致建议在验证了上游 Hive 表数据在两个集群一致性后进行切换(只在新环境跑)。同时处于用户容易误操作导致问题的考虑DP 平台在用户设置任务运行方式后进行必要的规则校验如果任务状态是双跑则任务依赖的上游必须处于双跑的状态否则进行报错。如果任务是第一次双跑会使用 Distcp 将其产出的 Hive 表同步到新集群基于 Distcp 本身的特性实际上只同步了在第一次同步之后的增量/修改数据。如果工作流要全部迁移(老环境不跑了)则工作流的下游必须已经全部迁移完。双跑期间的数据流向如下图 3.5 所示图 3.5 DP 任务双跑期间数据流向迁移过程中工作流操作的限制规则由于某个工作流迁移的持续时间可能会比较长(比如DW层任务需要等到所有DM层任务全部迁移完)因此我们既要保证在迁移期间工作流可以继续开发同时也要做好预防误操作的限制具体规则如下迁移中的工作流在老环境可以进行修改和发布的新环境则禁止工作流在老环境修改发布后会将修改的元数据同步到新环境同时对新环境中的工作流进行发布。工作流全部迁移需要所有的下游已经完成全部迁移。3.3 有序推动业务方迁移工具都已经开发好了接下来就是推动 DP 上的业务方进行迁移DP 上任务数量大、种类多、依赖复杂推动业务方需要一定的策略和顺序。有赞的数据仓库设计是有一定规范的所以我们可以按照任务依赖的上下游关系进行推动导入任务( MySQL 全量/增量导入 Hive) 一般属于数据仓库的 ODS 层可以进行全量双跑。数仓中间层任务主要是 Hive / Spark SQL 任务也可以全量双跑在验证了新老集群的 Hive 表一致性后开始推动数仓业务方进行迁移。数仓业务方的任务一般是 Hive / Spark SQL 任务和导出任务先将自己的 Hive 任务双跑验证数据一致性没有问题后用户可以选择对工作流进行全部迁移此操作将整个工作流在新环境开始调度老环境暂停调度。数仓业务方的工作流全部迁移完成后将导入任务和数仓中间层任务统一在老环境暂停调度。其他任务主要是 MapReduce、Spark Jar、脚本任务需要责任人自行评估。3.4 过程保障工具已经开发好迁移计划也已经确定是不是可以让业务进行迁移了呢慢着我们还少了一个很重要的环节如何保证迁移的稳定呢在迁移期间一旦出现 bug 那必将是一个很严重的故障。因此如何保证迁移的稳定性也是需要着重考虑的经过仔细思考我们发现问题可以分为三类迁移工具的稳定数据一致性和快速回滚。迁移工具稳定新 DP 的元数据同步不及时或出现 Bug导致新老环境元数据不一致最终跑出来的数据必定天差地别。应对措施通过离线任务比对两套 DP 中的元数据如果出现不一致及时报警。工作流在老 DP 修改发布后新 DP 工作流没发布成功导致两边调度的 airflow 脚本不一致。应对措施通过离线任务来比对 airflow 的脚本如果出现不一致及时报警。全部迁移后老环境 DP 没有暂定调度导致导出任务生成脏数据。应对措施定时检测全部迁移的工作流是否暂停调度。用户设置的运行状态和实际 airflow 脚本的运行状态不一致比如用户期望新环境空跑但由于程序 bug 导致新环境没有空跑。应对措施通过离线任务来比对 airflow 的脚本运行状态和数据库设置的状态。Hive 表数据一致性Hive 表数据一致性指的是双跑任务产出的 Hive 表数据如何检查数据一致性以及识别出来不一致的数据的内容具体方案如下(如图3.6所示)双跑的任务在每次调度运行完成后我们会上报 信息用于数据质量校验(DQC)等两个集群产出的表A都准备好了就触发数据一致性对比根据 参数提交一个 MapReduce Job由于我们的 Hive 表格式都是以 Orc格式存储提交的 MapReduce Job 在 MapTask 中会读取表的任意一个 Orc 文件并得到 Orc Struct 信息根据用户指定的表唯一键来作为 Shuffle Key这样新老表的同一条记录就会在同一个 ReduceTask 中处理计算得到数据是否相同如果不同则打印出差异的数据表数据比对不一致的结果会发送给表的负责人及时发现和定位问题图 3.6 Hive表新老集群数据一致性校验方案四、迁移过程中的问题总结使用 DistCp 同步 HDFS 数据时漏配参数(-p)导致 HDFS 文件 owner 信息不一致。使用 DistCp 同步 HDFS 数据时覆盖了 HBase 的 clusterId导致 Hbase 两个集群之间同步数据时发生问题。在迁移开始后新集群的 Hive 表通过 export import 表结构来创建再使用 DistCp 同步表的数据。导致 Hive meta 信息丢失了 totalSize 属性造成了 Spark SQL 由于读取不到文件大小信息无法做 broadcast join解决方案是在 DistCp 同步表数据之后执行 Hive 命令 ANALYZE TABLE TABLE_NAME COMPUTE STATISTICS 来生成表相关属性。迁移期间由于在夜间启动了大量的 MapReduce 任务进行 Hive 表数据比对占用太多离线集群的计算资源导致任务出现了延迟最后将数据比对任务放在资源相对空闲的时间段。工作流之间存在循环依赖导致双跑-全部迁移的流程走不下去所以数仓建设的规范很重要解决方案就是要么让用户对任务重新组织来重构工作流的依赖关系要么两个工作流双跑后一起全部迁移。迁移期间在部分下游已经全部迁移的情况下上游出现了问题需要重刷所有下游由于只操作了老 DP导致新环境没有重刷使迁移到新环境的下游任务受到了影响。MapReduce 和 Spark Jar 类型的任务无法通过代码来检测生成的上下游依赖关系导致这类任务只能由用户自己来判断存在一定的风险后续会要求用户对这类任务也配上依赖的 Hive 表和产出的 Hive 表。五、总结与展望本次的大数据离线集群跨机房迁移工作时间跨度近6个月(包括4个月的准备工作和2个月的迁移)涉及PB的数据量和4万日均调度任务。虽然整个过程比较复杂(体现在涉及的组件众多、任务种类和实现复杂、时间跨度长和参与人员众多)但通过前期的充分调研和探讨、中期的良好迁移工具设计、后期的可控推进和问题修复我们做到了整体比较平稳的推进和落地。同时针对迁移过程中遇到的问题在后续的类似工作中我们可以做的更好做好平台的治理比如代码不能对当前环境配置有耦合完善迁移工具尽量让上层用户无感知单 Hadoop 集群方案的能力储备主要解决跨机房带宽的受控使用扩展阅读有赞埋点实践有赞埋点质量保障Flink 滑动窗口优化基于时间加权的用户购买类目意愿计算有赞推荐系统关键技术有赞数据中台建设实践数据资产赞之治理SparkSQL在有赞大数据的实践(二)HBase Bulkload 实践探讨Vol.323最后打个小广告有赞数据中台团队长期招人期待你的加入大数据开发、数据仓库、数据产品、算法、基础组件欢迎投递简历renhaichaoyouzan.com加入我们一起enjoy~
