如何将其他RDBMS的数据到迁移到Trafodion

摘要：为了避免这种情况，可以针对表短期内被两个以上的语句所加载执行一个大的数据压缩。通常，对一张大表执行数据压缩会花费大量的时间几分钟到几小时不等。

本文介绍了如何将数据从现有的RDBMS迁移到Trafodion数据库。从其它的RDBMS或外部数据源向Trafodion集群中导入大量的重要数据，可以通过下面两步完美实现：

在Trafodion集群中，将数据从源头导入Hive表。使用下列方法之一:

在Trafodion系统中，使用一个类似Apache Sqoop的工具，将数据从远程的RDBMS（例如，MySQL或Oracle）迁移到Hive表。更多信息，请参阅使用Sqoop将数据导入Hive。

在Trafodion集群中，将需要导入Trafodion的数据复制到HDFS。使用Hive外部表，使这些数据能从Hive中看到。更多信息，请参阅创建Hive外部表。

使用Trafodion的LOAD语句，将数据从Hive导入Trafodion表。更多信息，请参阅使用BulkLoad将数据加载到Trafodion表。

使用Apache SqoopTM工具，在关系型数据库和Apache Hadoop生态系统之间实现高效的海量数据传输。

默认情况下，Sqoop并非安装在Trafodion集群中。可以通过Ambari或Cloudera Manager GUI，在Trafodion集群中安装并启动Sqoop。更多信息，请参阅Scoop用户指南。

在Trafodion集群中安装JDK 1.8 and the Oracle JDBC 驱动，仅用于将数据从RDBMS导入Hive表。请设置以下环境变量：

export JAVA_HOME=/opt/java/jdk1.8.0_11
export JAVA_OPTIONS=-Dmapred.child.java.opts=-Djava.security.egd=file:/dev/urandom+

以下是使用sqoop命令的几个示例。关于可与sqoop一起使用的更多选项，请参阅Scoop用户指南。

sqoop list-tables –driver oracle.jdbc.OracleDriver –connect jdbc:oracle:thin:@:/ –username  –password

  sqoop import –connect jdbc:oracle:thin:@/ –username   –password  –table  –split-by  –hive-import –create-hive-table –hive-table  –hive-overwrite –null-string ” –null-non-string ” –hive-drop-import-delims –verbose

Hive表必须从Hive接口（例如，Hive shell）中创建。在加载期间使用Hive的外部表会非常方便。你可以将源数据文件复制到单个HDFS文件夹下，并创建一个指向该文件夹的Hive外部表，从而将数据轻松导入Hive表。

Hive表各列的数据类型必须与源数据一致。关于创建外部表的语法，请参阅Hive wiki。关于Hive表可用的数据类型，请参阅Hive语言手册类型。

可以通过Trafodion的整型、字符串型和字符型的列，访问Hive表。若要填充外部表，请使用以下类型的Hadoop命令，将数据复制到HDFS文件夹下：

hadoop fs -copyFromLocal

使用包含SALT USING PARTITIONS子句（salting）的CREATE TABLE语句，新建Trafodion表。例如：

CREATE TABLE TRAFODION.SCH.DEMO
(
demo_sk int not null,
name varchar(100),
primary key (demo_sk)
)
SALT USING 8 PARTITIONS ON (demo_sk);

表中任何的索引都可能被盐粒分布（salted），也可能未被盐粒分布（salted）。如果被盐粒分布了，则盐粒分布的键和分区数必须与表一致。

CREATE INDEX demo_ix ON sch.demo(name)
SALT LIKE TABLE;

必须根据访问表的工作负载，选择Trafodion表的主键。由于HBase是键值（key-value）存储，所以通过键来访问Trafodion表非常有效率。当您知道一些语句在断言（predicate）和连接（join）条件之外来访问一张表，您可以选择一个主键，使头键列有很高的选择断言。这会限制在HBase中需要被扫描的行数。如果断言只出现在边键列而非头键列中，Trafodion使用MDAM来限制被扫描的行数。如果头键列（没有断言出现）的唯一条目数（unique entry count）很低，MDAM能很好工作。

Trafodion表能被盐粒分布，以避免热污点（hot-spotting）。在一些工作负载下，有了排列分区数据，数据的某种键的排列会比另一些排列有更多对表的访问量。这会导致某些HBase RegionServers处理大多数的加载，从而出现不平衡的使用行为。

对于本机HBase表，往往可以通过设计合适的键来处理。在Trafodion中，一旦您选择了表的键（请参阅选择一个主键），就可以使用盐粒分布（salting）来均匀分布数据。盐粒分布对salt键使用一个哈希函数，并且根据该哈希的值来将数据分布到分区中。这个哈希的值被物理存储在表中，作为头键值。表的每次拆分只会有一个salt键值。salting键可以是主键的任意子集（包括主键本身）。

保持salting键尽可能小，这是一个很好的实践。这个键必须提供数据平均分配。当键值有很大的唯一条目数（unique entry count）并没有严重倾斜的时候，能够实现数据的平均分配。在创建表的时候，必须指定分区数。分区数取决于集群的大小和表的期望大小。

如果添加的数据量超出了原本的预期，则盐粒分布的表就能被拆分。这会导致有多个分区具有salt值相同的行，也可能产生基于该表的次优执行计划。

您也可以选择不盐粒分布Trafodion表，这就与传统RDBMS的range分区类似。分区数随着表的增大而增多，并且range的边界由HBase根据指定的拆分策略而确定。

使用命令接口工具（例如，trafci），设置控制查询默认（Control Query Defaults，CQD），从而提高加载性能：

cqd hive_max_string_length ‘1000’; // if the widest column is 1KB

如果目标的Trafodion表具有时间相关的列，则需要进行以下设置：

cqd allow_incompatible_assignment ‘on’;

使用LOAD语句，将数据从Hive加载到Trafodion表。例如：

LOAD WITH NO POPULATE INDEXES INTO trafodion.sch.demo SELECT * FROM hive.hive.demo;

关于LOAD语句的语法，请参阅《Trafodion SQL 参考手册》.

如果多次调用LOAD语句，向单个目标表逐渐加载数据集，则目标表的每个分区会有多个HFile。这会导致SELECT查询期间无效率的访问，也可能导致数据压缩（基于HBase设置中的配置策略）。为了避免这种情况，可以针对表（短期内被两个以上的LOAD语句所加载）执行一个大的数据压缩。使用以下的HBase shell命令，执行这样的压缩：

major_compact ‘TRAFODION.SCH.DEMO’

这个命令不需要等待时间，并且会立即返回。通常，对一张大表执行数据压缩会花费大量的时间（几分钟到几小时不等）。您可以通过HBase Master Web UI，监控数据压缩的进程。