海量数据迁移之分区并行切分（r2笔记60天）

在海量的数据迁移中，如果某个表特别大，可以考虑对表中的分区进行切分，比如某个表有100g,还有100个分区，那么可以考虑针对这100个分区，那么可以考虑把这100个分区看成100个表进行并行抽取，如果某个分区数据比较多，可能生成5个dump，那么着100个分区，就可能生成105个分区以上。 那么如果有100多个表，那么可能分区都算进来就可能有上千个。如何对这上千个dump进行最快的加载呢。 可以考虑基于分区的并行切分，里面可能还涉及一些算法的知识。 目前生成了如下的数据报告，我们需要基于这个报告来对如下的表/分区进行切分。 REEMENT这个表不是分区表，所以在分区信息的地方填写了默认值'x',在数据加载的时候会进行过滤。 MEMO这个表比较大，对于分区partition(P0_A1000_E3)，生成的dunp序号为21，22，23，总共有3个dump。在数据加载的时候就可以先加载21号dump，然后22号dump,23号dump MEMO partition(P0_A1000_E3) 3 21..23 MEMO partition(P0_A1000_E2) 3 18..20 MEMO partition(P0_A1000_E1) 3 15..17 USR_GRP_MEMBERS x 2 1..3 REEMENT x 2 1..3 MEMO partition(PMAXVALUE_AMAXVALUE_EMAXVALUE) 1 699..700 MEMO partition(P9_A3000_E5) 2 697..698 MEMO partition(P9_A3000_E4) 2 695..696 MEMO partition(P9_A3000_E3) 2 693..694 MEMO partition(P9_A3000_E2) 2 691..692 MEMO partition(P9_A3000_E1) 2 689..690 MEMO partition(P9_A3000_E0) 2 687..688 MEMO partition(P9_A2000_E5) 2 685..686 MEMO partition(P9_A2000_E4) 2 683..684 MEMO partition(P9_A2000_E3) 2 681..682 MEMO partition(P9_A2000_E2) 2 679..680 MEMO partition(P9_A2000_E1) 2 677..678 MEMO partition(P9_A1000_E0) 2 657..658 我们现在就需要基于第三列的信息，对表、分区表进行切分。使得启用的多个并行进程能够最大程度的达到平衡。 我们可以使用如下的脚本来进行表、分区的并行切分。 比如我们考虑启用6个并行的进程，生成的日志类似下面的形式。可以看到切分还是很均匀的。 move INVOICE partition(A11_B6) to par6_ move INVOICE partition(A11_B4) to par1_ move INVOICE partition(A11_B2) to par2_ move INVOICE partition(A11_B10) to par3_ move INVOICE partition(A10_B8) to par4_ move INVOICE partition(A10_B6) to par5_ move INVOICE partition(A10_B4) to par6_ move INVOICE partition(A10_B2) to par1_ move INVOICE partition(A10_B10) to par2_ move RESOURCE partition(A9) to par3_ move RESOURCE partition(A8) to par4_ move RESOURCE partition(A7) to par5_ move RESOURCE partition(A6) to par6_ move RESOURCE partition(A5) to par1_ move RESOURCE partition(A4) to par2_ move RESOURCE partition(A3) to par3_ move RESOURCE partition(A2) to par4_ move RESOURCE partition(A1) to par5_ move RESOURCE partition(A0) to par6_ 213 213 213 213 214 214 脚本如下： par_file_name=$1 sort -rn -k3 $par_file_name > ${par_file_name}_tmp mv ${par_file_name}_tmp ${par_file_name}

par_no=$2 obj_length=`cat ${par_file_name}|wc -l ` echo $obj_length

for i in {1..$par_no} do sed -n ''$i'p' ${par_file_name}> par${i}_${par_file_name} export par${i}_sum=`cat par${i}_${par_file_name}|awk '{print $3}' | awk '{sum+=$1}END{print sum}'` #echo `eval echo \\${par${i}_sum}` done

function getMin { param_no=$#

for i in {1..$param_no} do export par${i}_=`eval echo \\${${i}}` done

min_sum=$par1_ min_par=par1_

for i in {2..$param_no}; do j=`expr $i - 1` tmp_cur_par=par${i}_ tmp_cur_sum=`eval echo \\${${tmp_cur_par}}` if [ $min_sum -le $tmp_cur_sum ] then min_sum=$min_sum min_par=$min_par else min_sum=$tmp_cur_sum min_par=$tmp_cur_par fi done

echo $min_par }

function getSumList { for k in {1..$par_no} do #export par${k}_sum=`cat par${k}_${par_file_name}|awk '{print $3}' | awk '{sum+=$1}END{print sum}'` #echo `eval echo \\${par${k}_sum}`

#par_list="$par_list `eval echo \\${par${k}_sum}`" #echo $par_list

tmp_sum=`cat par${k}_${par_file_name}|awk '{print $3}' | awk '{sum+=$1}END{print sum}'` echo $tmp_sum #tmp_par_list=${tmp_par_list} "" $tmp_sum done #echo $tmp_par_list }

j=`expr $par_no + 1` for i in {$j..${obj_length}} do tmp_obj=`sed -n ''$i'p' ${par_file_name}`

par_list=`getSumList` tmp_par=`getMin $par_list` echo 'move '`sed -n ''$i'p' ${par_file_name}|awk '{print $1 " " $2}'` ' to '$tmp_par echo $tmp_obj >> ${tmp_par}${par_file_name} tmp_par=0 done

for i in {1..$par_no} do cat par${i}_${par_file_name}|awk '{print $3}' | awk '{sum+=$1}END{print sum}' done