Clickhouses数据迁移工具：Clickhouse-copier介绍
Clickhouses数据迁移工具：Clickhouse-copier介绍
在使用clickhouse的时候，可能会有不同集群间迁移数据需求，这里可以使用如下几种方式：
- DETACH/FREEZE分区，进行SCP拷贝，然后再ATTACH alter table db.table DETACH PARTITION [partition]; #下线分区 alter table db.table FREEZE PARTITION [partition]; #备份分区 alter table db.table ATTACH PARTITION [partition]; #上线分区
- 利用remote函数 insert into ... select * from remote('ip',db.table,'user','password')
- clickhouse-copier工具 这个工具是标准发布的clickhouse server的一部分，它可以在完全并行的模式下工作, 并以最有效的方式分发数据
三种方式的优缺点：
方式 | 优点 | 缺点 |
|---|---|---|
DETACH/FREEZE | 适用小表； | 源和目标集群分区数量需要一样；操作较繁琐； |
remote | 适用小表；操作方便； | 大表速度较慢； |
clickhouse-copier | 并行操作；可以变更表名主键；可以变更分区； | 配置繁琐；需要借助zookeeper使用； |
本文主要介绍Clickhouse-copier的使用方式
Clickhouse-copier是在安装clickhouse软件后自带的工具命令。
> clickhouse-copier --help
usage: clickhouse-copier --config-file <config-file> --task-path <task-path>Copies tables from one cluster to another | |
|---|---|
--daemon | ★守护进程 |
--umask=mask | 设置守护进程的umask |
--pidfile=path | Pid文件路径 |
-C<file>, --config-file=<file> | ★配置文件，zookeeper等信息 |
-L<file>, --log-file=<file> | 日志文件 |
-E<file>, --errorlog-file=<file> | 错误日志文件 |
-P<file>, --pid-file=<file> | Pid文件 |
--task-path=task-path | ★Zookeeper中的任务路径 |
--safe-mode | ★禁止ALTER DROP PARTITION |
--copy-fault-probability=copy-fault-probability | 指定分区时，测试分区状态 |
--log-level=log-level | 日志级别，debug |
--base-dir=base-dir | ★默认当前路径，生成目录clickhouse-copier_日期_Pid |
--help | 查看帮助 |
标★的比较重要，通常情况只需指定--daemon、--config和--task-path ，其他采用默认即可。
使用Clickhouse-copier需要借助zookeeper，为减少网络流量，建议clickhouse-copier在源数据所在的服务器上运行。
一、首先需要准备一个schema.xml配置
包括源和目标的集群分片信息，以及需要同步的表信息
<yandex><!--ck集群节点--><remote_servers><!--原集群--><source_cluster><!--分片01--><shard><weight>1</weight><replica><host>10.10.1.1</host><user>user</user><password>password</password><port>9000</port></replica></shard><!--分片02--><shard><weight>1</weight><replica><host>10.10.1.2</host><user>user</user><password>password</password><port>9000</port></replica></shard></source_cluster><!--目标集群--><destination_cluster><shard><weight>1</weight><replica><host>10.10.1.3</host><user>user</user><password>password</password><port>9000</port></replica></shard><shard><weight>1</weight><replica><host>10.10.1.4</host><user>user</user><password>password</password><port>9000</port></replica></shard></destination_cluster></remote_servers><!--最大工作线程--><max_workers>2</max_workers><!--源拉数据节点--><settings_pull> <readonly>1</readonly></settings_pull><!--目标写数据节点--><settings_push> <readonly>0</readonly></settings_push><!--上面的配置--><settings> <connect_timeout>3</connect_timeout> <!-- Sync insert is set forcibly, leave it here just in case. --> <insert_distributed_sync>1</insert_distributed_sync></settings><!--需要同步的表，每个任务一个表--><tables> <test1> <!--源--> <cluster_pull>source_cluster</cluster_pull> <database_pull>default</database_pull> <table_pull>test1</table_pull> <!--目标--> <cluster_push>destination_cluster</cluster_push> <database_push>default</database_push> <table_push>test1</table_push> <engine> ENGINE=ReplicatedMergeTree('/clickhouse/tables/{layer}-{shard}/default/test1', '{replica}') PARTITION BY toMonday(EventDate) ORDER BY (ID, EventDate) </engine> <sharding_key>rand()</sharding_key> <!--where_condition>ID != 0</where_condition--> </test1> <!--下一个表--></tables></yandex> |
|---|
关于schema.xml配置格式可参考： https://clickhouse.yandex/docs/en/operations/utils/clickhouse-copier/
二、完成schema.xml配置后，需要将此配置上载至 Zookeeper 节点的特定路径下 (/<task-path>/description)
可以创建多个任务
在zookeeper随便一个节点机器执行以下命令：
> ./zkCli.sh create /clickhouse/copytasks "" > ./zkCli.sh create /clickhouse/copytasks/task1 "" > ./zkCli.sh create /clickhouse/copytasks/task1/description "`cat schema.xml`"
三、准备zookeeper.xml配置文件
<yandex><zookeeper><node index="1"> <host>10.1.1.5</host> <port>2181</port></node></zookeeper><logger> <level>trace</level> <log>./log/log.log</log> <errorlog>./log/log.err.log</errorlog> <size>1000M</size> <count>10</count> <stderr>./log/stderr.log</stderr> <stdout>./log/stdout.log</stdout></logger></yandex> |
|---|
四、在clickhouse机器启动
源和目标都可以，为减少网络流量，建议clickhouse-copier在源数据所在的服务器上运行。
> clickhouse-copier --config zookeeper.xml --task-path /clickhouse/copytasks/task1 --daemon
工具启动后，需要一段时间才能完成任务，具体取决于要复制的表的大小。若未指定--base-dir，则在当前所在目录下生成 clickhouse-copier_时间_pid 格式的目录，目录下包含两个日志文件，可以通过这两个日志文件查看复制错误及详情。
log.err.log #记录错误，此错误是目标没有表，但会自动创建
log.log #记录执行详细信息
五、注意事项 1、源和目标集群名称不能一样，会把源覆盖掉（重要） 2、如果目标没有库，不会自动创建库，需要提前建库 3、如果目标没有表，会自动创建表 4、复制表，副本需要手动创建表 5、目标库可以更改表名、分区、排序等 六、性能
源 | 目标 | 数据量 | 数据大小 | 时间 |
|---|---|---|---|---|
1片 | 1片 | 60亿 | 80G | 180分钟 |
1片 | 2片 | 60亿 | 80G | 180分钟 |
2片 | 2片 | 60亿 | 80G | 60分钟 |
6片 | 6片 | 60亿 | 80G | 40分钟 |
七、结论
Clickhouse-copier可以在不同集群间迁移数据，还可以用于重新分片或更改表名及主键。在一个1对1的环境中，它的性能与insert ... select相同，但当它应用于大型ClickHouse集群时，它的性能拷贝速度会有很大提升，并且规避了并行复制任务带来的诸多问题。