背景

大多数使用云产品作为 IT 解决方案的客户同时使用多款云产品是一个普遍现象。 用户在多款云产品之间转移数据成为一个基础的需求。

例如

  • 1. 用户把线下机房中的 Oracle 数据库中的数据 迁移到云上 RDS PPAS 中。
  • 2. 使用 RDS MYSQL 做为数据库支撑交易型业务场景，同时使用 HybridDB for PostgreSQL 作数据仓库解决方案。
  • 3. 把 ODPS 中的大量离线数据导入到 HybridDB for PostgreSQL 进行实时分析。

上述场景都不可避免的需要进行云上的数据迁移。本文给大家聊聊这方面的一些解决方案，希望能帮助大家用好云产品。

一：关于硬件

在开始数据迁移之前，我们要对云相关的硬件有一些了解，这往往决定了我们能做到的最好情况，有助于我们选择最终解决方案。

1. 同一可用区

如果数据在云上，且在同一可用区间进行交换，那么恭喜你，这是最有效率的数据交换方式，也是我们最推荐的场景。用户的数据应该尽量在一个可用区。

现阶段的云产品所配置的网络最差都是千兆网络，万兆已经基本普及。数据的迁移在一个可用区间经过的交换机最小，因此延迟低，带宽较大，可以最大比较理想的吞吐量。

因此，后端数据库、前端的 ECS、存在大量数据的的 OSS 都应该在选择在同一个可用区。

2. 跨可用区、城市间可用区

部分有较高可用性要求的客户，会选择同城多可用区部署，甚至跨城市部署。进一步，阿里云有很多数据产品支持原生的多可用区部署方案。

阿里云在同城或跨城市的可用区间是通过网络专线连接。在这样的网络产品中交换数据效率虽然没有再同一可用区高，但依然能保证较高的网络质量。

从网络通讯效率角度，自然是：

同可用区 > 同城多可用区间 > 跨城多可用区间

例如：

(华东一 可用区B 内部) > (华东一 可用区B 和 华东一 可用区C 间) > (华东一 可用区B 和 华北一 可用区B 间)

3. 公网和 VPN 网络

这是效率最差的情况，也是背景章节中的数据上云场景的典型。因为该场景的物理通道是公共的且不可控。往往延迟较大，且质量有较大波动。

先天不足的情况，自然需要用软件做适当的弥补，通常建议用户选取具有下列特性的服务。

  • a: 支持重试机制，支持断点续传，大任务不能由于一个异常导致整个失败。
  • b: 支持并发机制，使用大并发增大吞吐量。
  • c: 使用增量数据迁移减少服务的停机时间。

接下来聊一聊数据交换中的数据格式问题

二：关于数据格式

在不同数据产品间转移数据通常有两种方式

1. 不落地的数据迁移

软件或服务同时连接到源数据端和目的端，把数据从源端拉出来，转换成目的端识别的格式后立即写入到目的端。

该和方法不需要数据中转空间，但要求的网络质量较高。如果数据量超大，如上 TB，那么迁移时间也比较长。

阿里云开源产品 rds_dbsync CDP, 云服务 DTS 都属于这类。

2. 通过通用文件格式的数据迁移

如果您的数据量较大，则建议使用离线迁移转移数据，例如几十 TB 的数仓数据。 离线迁移是把全量数据导出成一种通用的数据组织格式，再导入到目的数据库。

相比不落地数据迁移，他有这些优势

  • 1）离线导出的数据通常都会进行压缩，压缩一般都在 1：2 到 1：5 之间，能较大节省网络开销，从而提升整体效率。
  • 2）离线方式很容易并行化，并行是提高效率的最有效手段。

基于通用文件的数据迁移，数据文件的格式是其中的关键。文件需要明确的交代清楚数据的组织方式。

目前常用的通用文件格式有 TXT/CSV TSV ORC Parquet protobuf 等。 这里部分数据格式已经自带数据压缩，例如 ORC Parquet。 对于未压缩的格式，如 CSV 可以自由选择数据压缩格式，例如 gzip bzip2 snappy 等。

2.1 通过 TEXT/CSV 文件中转数据

  • 对于结构化数据，比较理想的数据格式是 CSV，CSV 是一种通用的数据格式标准，大家可以参考资料1。
  • PostgreSQL CSV 参数在资料2中。适用于社区和阿里云的 PostgreSQL 已经 Greenplum 和 HybridDB for PostgreSQL。
  • 任何符合 CSV 标准的文件都可以导入 PostgreSQL 系列产品。
    • PostgreSQL 推送式导入数据 COPY
    • HybridDB for PostgreSQL 推送式写数据 COPY

CSV 相对简单的文本格式的优势是定义了清楚的语意，用于很容易处理一些复杂的场景

  • CSV 行分割符号是 ‘\n’ 也就是换行符
  • 定义 DELIMITER 用于定义列的分割符
    • 当用户数据中包括 DELIMITER 时，则需要配合 QUOTE 参数。
    • DELIMITER 需要是单字节字符，推荐是 ‘|’，‘,’ 或一些不常出现的字符。
  • QUOTE 以列为单位包裹有特殊字符的用户数据
    • 用户包含有特殊字符的 text 类型字符串会被 QUOTE 包裹，用于区分用户数据和 CSV 控制数据。
    • 如果不必要，例如整数，数据不会被 QUOTE 包裹（优化效率）。
    • QUOTE 不能和 DELIMITER 相同，默认 QUOTE 是双引号。
    • 当用户数据中包含了 QUOTE 字符，则需要设置转义字符 escape。
  • ESCAPE 特殊字符转义
    • 转义用户数据中的和 QUOTE 相同的字符。
    • ESCAPE 默认和 QUOTE 相同，也就是双引号。
    • 也支持设置成 ‘\’(MySQL 默认的转义字符)。

2.2 用 OSS 中专数据

OSS 和 AWS 的 S3 一样，是云上廉价的存储服务，它打通了几乎所有的云产品。我们推荐用户使用它来中专大容量数据。

OSS 支持跨可用区数据转储数据（跨区域复制），用户可以很高效的把大量数据转移到另一个可用区。

目前，云裳的 PostgreSQL 和 HybridDB for PostgreSQL 都支持 OSS 数据源的读写。

  • PostgreSQL + OSS 读写外部数据源 oss_fdw
  • HybridDB for PostgreSQL + OSS 并行的导入导出数据 oss_ext

总结

本期分享了云上和数据转移相关的几个简单技巧，希望能帮到大家用好云。我们的产品在快速迭代，也请大家多反馈问题，帮助我们进步。

参考资料

  1. CSV 格式标准
  2. PostgreSQL COPY
  3. PostgreSQL + OSS oss_fdw
  4. HybridDB for PostgreSQL COPY
  5. HybridDB for PostgreSQL + OSS oss_ext
  6. rds_dbsync