Amazon Redshift数据迁移阿里云MaxCompute技术方案

2021-11-10 02:33:25

1 方案概述

本文将介绍如何通过公网环境迁移Amazon Redshift数据到阿里云MaxCompute服务当中。

本方案的总体迁移流程如下：

第一，将Amazon Redshift 中的数据导出到Amazon S3存储上；

第二，借助阿里云在线迁移服务(Data Online Migration)从AWS S3将数据迁移到阿里云OSS上；

第三，将数据从阿里云OSS加载到同Region的MaxCompute项目中，并进行校验数据完整性。

2 前提条件

· 准备Redshift的集群环境及数据环境；

使用已有的Redshift集群或创建新的Redshift集群：

**
**

在Redshift集群中准备好需要迁移的数据，本方案中在public schema中准备了TPC-H数据集进行方案介绍：

· 准备MaxCompute的项目环境；

在阿里云Region创建MaxCompute项目，这里以新加坡Region为例，创建了作为迁移目标的MaxCompute项目：

3 Redshift导出数据到S3

3.1 Unload简介

3.1.1 命令介绍

AWS Redshift支持Role-based access control和Key-based access control两种认证方式实现Redshift UNLOAD命令写入数据到S3。

基于IAM Role的UNLOAD命令：

unload ('select * from venue')   
to 's3://mybucket/tickit/unload/venue_' 
iam_role 'arn:aws:iam::0123456789012:role/MyRedshiftRole';

基于access_key的UNLOAD命令：

 
unload ('select * from venue')   
to 's3://mybucket/tickit/venue_' 
access_key_id '<access-key-id>'
secret_access_key '<secret-access-key>'
session_token '<temporary-token>';

相关语法及说明可参考Redshift官方文档关于UNLOAD到S3的介绍。

本方案选择使用IAM Role方式进行数据导出。

3.1.2 默认格式导出

unload默认导出数据的格式为 | 符合分隔的文本文件，命令如下：

unload ('select * from customer')

to 's3://xxx-bucket/unload_from_redshift/customer/customer_'

iam_role 'arn:aws:iam::xxx:role/redshift_s3_role';

执行成功后，在S3对应的bucket目录下可以查到文件文件：

文件样例如下：

3.1.3 Parquet格式导出

Unload同时支持以Parquet格式导出到S3，便于其他分析引擎直接进行读取消费：

unload ('select * from customer')

to 's3://xxx-bucket/unload_from_redshift/customer_parquet/customer_'

FORMAT AS PARQUET

iam_role 'arn:aws:iam::xxxx:role/redshift_s3_role';

执行成功后，s3对应bucket目录下生成了parquet格式的文件。

得益于Parquet文件的数据压缩特性，可以看到Parquet文件比文本文件大小更小，本方案选择Parquet格式作为数据导出和跨云迁移的数据格式。

3.2 创建可以读写S3的IAM 角色

3.2.1 新建Redshift use case的IAM角色

进入https://console.aws.amazon.com/iam/home?region=ap-southeast-1#/roles(以新加坡Region为例)创建角色。

创建角色时，” Choose a use case”选择Redshift服务，并选择Redshift-Customizable的”use case”

3.2.2 添加读写S3的权限策略

” Attach permissions policies”时，添加具备写S3的Policy，本方案选择使用” AmazonS3FullAccess”。

3.2.3为IAM Role命名并完成IAM 角色创建

本方案中命名为redshift_s3_role

打开刚定义的role并复制角色ARN，unload命令将会使用该Role ARN访问S3.

3.2.4Redshift集群添加IAM Role以获取访问S3权限

进入Redshift集群列表，选择需要迁移的集群，在”Action”列表中选择”Manage IAM Role”菜单，进行IAM角色的关联。

将已经成功创建的具备访问S3权限的IAM Role角色添加到集群可用IAM roles列表以获取Redshift对S3读写的权限并保存生效：

查看添加的IAM roles，确认集群已经添加了前文创建的redshift_s3_role角色。

3.3 卸载数据到Amazon S3

使用unload命令将Redshift数据库中需要迁移的表以Parquet格式导出到S3对应的目录下。

命令如下（需要替换目录及iam role信息）：

`unload ('select * from customer')  to 's3://xxx-bucket/unload_from_redshift/customer_parquet/customer_' FORMAT AS PARQUET iam_role 'arn:aws:iam::xxx:role/redshift_s3_role';`

`unload ('select * from orders')  to 's3://xxx-bucket/unload_from_redshift/orders_parquet/orders_' FORMAT AS PARQUET iam_role 'arn:aws:iam::xxx:role/redshift_s3_role';`

`unload ('select * from lineitem')  to 's3://xxx-bucket/unload_from_redshift/lineitem_parquet/lineitem_' FORMAT AS PARQUET iam_role 'arn:aws:iam::xxx:role/redshift_s3_role';`

`unload ('select * from nation')  to 's3://xxx-bucket/unload_from_redshift/nation_parquet/nation_' FORMAT AS PARQUET iam_role 'arn:aws:iam::xxx:role/redshift_s3_role';`

`unload ('select * from part')  to 's3://xxx-bucket/unload_from_redshift/part_parquet/part_' FORMAT AS PARQUET iam_role 'arn:aws:iam::xxx:role/redshift_s3_role';`

`unload ('select * from partsupp')  to 's3://xxx-bucket/unload_from_redshift/partsupp_parquet/partsupp_' FORMAT AS PARQUET iam_role 'arn:aws:iam::xxx:role/redshift_s3_role';`

`unload ('select * from region')  to 's3://xxx-bucket/unload_from_redshift/region_parquet/region_' FORMAT AS PARQUET iam_role 'arn:aws:iam::xxx:role/redshift_s3_role';`

`unload ('select * from supplier')  to 's3://xxx-bucket/unload_from_redshift/supplier_parquet/supplier_' FORMAT AS PARQUET iam_role 'arn:aws:iam::xxx:role/redshift_s3_role';`

通过Redshift的Editor（客户端工具同样可以提交，客户端工具支持一次提交多行unload命令）提交导出数据到S3命令：

在S3对应的bucke目录下检查导出的数据：

保存的格式为符合预期的Parquet格式：

4 迁移AWS S3数据到阿里云OSS

4.1 在线迁移服务实现S3到OSS迁移

阿里云在线迁移服务支持迁移其他云厂商对象存储数据到阿里云OSS，其中对于在线迁移服务介绍以及S3到OSS的迁移介绍可以参考阿里云官方文档。

目前在线迁移服务处于公测状态，需要工单申请、开放后才可使用。

4.1.1 阿里云对象存储OSS准备

1.在阿里云侧，需要在目标region准备好需要保存迁移数据的OSS目录：

创建RAM子账号并授予OSS bucket的读写权限和在线迁移管理权限。

· 登录RAM 控制台。

· 在左侧导航栏，单击人员管理 > 用户 > 创建用户。

· 选中控制台密码登录和编程访问，之后填写用户账号信息。

· 保存生成的账号、密码、AccessKeyID 和 AccessKeySecret。

· 选中用户登录名称，单击添加权限，授予子账号存储空间读写权限（AliyunOSSFullAccess）和在线迁移管理权限（AliyunMGWFullAccess）。

· 授权完成后，在左侧导航栏，单击概览 > 用户登录地址链接，使用刚创建的 RAM 子账号的用户名和密码进行登录。

4.1.2 AWS侧准备可编程访问S3的IAM账号

· 预估迁移数据，进入管控台中确认S3中有的存储量与文件数量。

· 创建编程访问S3的IAM账号

1．进入IAM，选择创建用户。

2.为新建用户添加读取S3的权限

赋予AmazonS3ReadOnlyAccess权限。

3．记录AK信息，在数据迁移中会用到。

4.1.3 创建在线迁移任务

4.2 使用在线迁移服务迁移数据

进入OSS web-console页面，进入对象存储的”数据导入”功能菜单：

点击”Data Online Migration”菜单，进入在线数据迁移工具页面：

公测期间如未开通，需要填写申请表单进行申请，开通后可使用在线迁移服务。

开通后，按以下步骤创建在线数据迁移任务。

4.2.1定义源数据地址和目标数据地址

进入数据地址(“Data Access”)页面，点击”创建数据地址(Create Data Access)”按钮，开始创建源和目标数据源。

【创建源地址：】

其中:

· 数据类型选择：AWS-S3

· Data Name：填写数据源的别名

· Endpoint：填写S3的Endpoint（Endpoint选择参考）

· Bucket：填写从Redshift unload到S3所在的bucket名称

· Prefix：本方案中将所有Redshift数据导出到同一个目录unload_from_redshift下，填写该目录，迁移该目录下所有数据

· Access Key Id：填写具备访问AWS S3该Bucket目录权限的账号的Access Key Id(使用前文提到的AWS侧可编程访问的IAM账号身份)

· Secret Access Key: 填写具备访问AWS S3该Bucket目录权限的账号的Secret Access Key(使用前文提到的AWS侧可编程访问的IAM账号身份)

保存数据源定义：

【创建目标地址：】

其中:

• 数据类型选择：OSS

• Data Name：填写数据源的别名

• Endpoint：填写oss的Endpoint

• Bucket：填写迁移目标的OSS的bucket名称

• Prefix：填写迁移目标bucket，本方案将迁移数据写入unload_from_redshift下

• Access Key Id：填写具备访问OSS该Bucket目录权限的账号的Access Key Id(使用前文提到的阿里云对象存储OSS准备章节中的账号身份)

• Secret Access Key: 填写具备访问OSS该Bucket目录权限的账号的Secret Access Key(使用前文提到的阿里云对象存储OSS准备章节中的账号身份)

保存数据源定义：

4.2.2创建迁移任务

从左侧tab页面中找到迁移任务，并进入页面，点击创建迁移任务。

定义迁移任务的任务信息：

· 源数据地址填写已经定义的s3数据源；

· 目标地址填写已经定义的oss数据源；

· 本次选择全量迁移的迁移类型；

点击Next，定义作业传输性能相关参数：

这里需要填写迁移的数据大小和文件个数。可通过S3的控制台，右键查看目录的属性，获取迁移目录的数据大小和文件个数并填写到作业参数当中。

完成迁移任务创建后，可在迁移任务列表中查看已经创建好的迁移作业：

作业提交后会在自动运行，通过查看Jobe Status查看作业状态，Finished代表迁移任务成功结束。

点击作业的”Manage”按钮可以查看作业运行情况。

进入到目标OSS的目录，查看数据迁移的结果。

目录及文件全部已从S3迁移到OSS。

5 MaxCompute直接加载OSS数据

通过在线迁移服务，我们将AWS Redshift的导出的数据从S3迁移到了阿里云OSS，下面将利用MaxCompute LOAD命令将OSS数据加载到MaxCompute项目中。

5.1 创建MaxCompute Table

在DataWorks临时查询界面或MaxCompute命令行工具odpscmd中，使用Redshift集群数据的DDL在MaxCompute中创建对应的内表。

示例如下：

--MaxCompute DDL

CREATE TABLE customer(
C_CustKey int ,
C_Name varchar(64) ,
C_Address varchar(64) ,
C_NationKey int ,
C_Phone varchar(64) ,
C_AcctBal decimal(13, 2) ,
C_MktSegment varchar(64) ,
C_Comment varchar(120) ,
skip varchar(64)
);
 
CREATE TABLE lineitem(
L_OrderKey int ,
L_PartKey int ,
L_SuppKey int ,
L_LineNumber int ,
L_Quantity int ,
L_ExtendedPrice decimal(13, 2) ,
L_Discount decimal(13, 2) ,
L_Tax decimal(13, 2) ,
L_ReturnFlag varchar(64) ,
L_LineStatus varchar(64) ,
L_ShipDate timestamp ,
L_CommitDate timestamp ,
L_ReceiptDate timestamp ,
L_ShipInstruct varchar(64) ,
L_ShipMode varchar(64) ,
L_Comment varchar(64) ,
skip varchar(64)
);
CREATE TABLE nation(
N_NationKey int ,
N_Name varchar(64) ,
N_RegionKey int ,
N_Comment varchar(160) ,
skip varchar(64)
);
CREATE TABLE orders(
O_OrderKey int ,
O_CustKey int ,
O_OrderStatus varchar(64) ,
O_TotalPrice decimal(13, 2) ,
O_OrderDate timestamp ,
O_OrderPriority varchar(15) ,
O_Clerk varchar(64) ,
O_ShipPriority int ,
O_Comment varchar(80) ,
skip varchar(64)
);
 
CREATE TABLE part(
P_PartKey int ,
P_Name varchar(64) ,
P_Mfgr varchar(64) ,
P_Brand varchar(64) ,
P_Type varchar(64) ,
P_Size int ,
P_Container varchar(64) ,
P_RetailPrice decimal(13, 2) ,
P_Comment varchar(64) ,
skip varchar(64)
);
CREATE TABLE partsupp(
PS_PartKey int ,
PS_SuppKey int ,
PS_AvailQty int ,
PS_SupplyCost decimal(13, 2) ,
PS_Comment varchar(200) ,
skip varchar(64)
);
CREATE TABLE region(
R_RegionKey int ,
R_Name varchar(64) ,
R_Comment varchar(160) ,
skip varchar(64)
);
CREATE TABLE supplier(
S_SuppKey int ,
S_Name varchar(64) ,
S_Address varchar(64) ,
S_NationKey int ,
S_Phone varchar(18) ,
S_AcctBal decimal(13, 2) ,
S_Comment varchar(105) ,
skip varchar(64)
);

本文的TPC-H数据集需要使用MaxCompute2.0数据类型和Decimal2.0数据类型，在创建数据表前需要检查并设置使用2.0数据类型：

setproject odps.sql.type.system.odps2=true;

setproject odps.sql.decimal.odps2=true;

5.2 LOAD命令加载OSS数据到MaxCompute表

5.2.1 创建具备访问OSS权限的Ram Role

LOAD命令支持STS认证和AccessKey认证两种方式，AccessKey方式需要使用明文AccessKey/ AccessKey Secret，例如：

LOAD overwrite table orders

from LOCATION 'oss:// <yourAccessKeyId>:<yourAccessKeySecret>@oss-ap-southeast-1-internal.aliyuncs.com/sg-migration/unload_from_redshift/orders_parquet/'

ROW FORMAT SERDE 'org.apache.hadoop.hive.ql.io.parquet.serde.ParquetHiveSerDe'

STORED AS PARQUET;

STS授权认证不暴露AccessKey信息，使用更安全，本方案将使用STS方式满足MaxCompute加载OSS数据的跨服务授权需要。

使用STS认证方式加载OSS数据前，您需要：

1.创建可以读取OSS的阿里云RAM Role

在查询OSS上数据之前，需要对将OSS的数据相关权限赋给MaxCompute的访问账号，授权详见授权文档。

本方案中创建了具备” AliyunOSSFullAccess”权限policy的ram角色。

编辑配置该ram角色的信任策略，允许MaxCompute服务(Service:odps.aliyuncs.com)可以扮演使用该角色。

5.2.2 通过LOAD命令加载数据

MaxCompute提供了LOAD命令，通过LOAD命令可实现OSS数据加载到MaxCompute内表的功能。

LOAD overwrite table orders`

from LOCATION 'oss://endpoint/bucket/unload_from_redshift/orders_parquet/'

ROW FORMAT SERDE 'org.apache.hadoop.hive.ql.io.parquet.serde.ParquetHiveSerDe'

WITH SERDEPROPERTIES ('odps.properties.rolearn'='acs:ram::xxx:role/xxx_role')

STORED AS PARQUET;

其中：

· 'odps.properties.rolearn'使用前文创建的ram角色的arn

· STORED AS PARQUET：OSS的文件为Parquet格式，使用STORED AS PARQUET申明导入格式为Parquet。

导入成功后，可以通过SQL命令查看和校验数据导入结果：

通过执行多个LOAD脚本方式将OSS的全部数据迁移到MaxCompute项目中。

6 数据核完整性与正确性核对

您可以通过表的数量、记录的数量、典型作业的查询结果来校验迁移到MaxCompute的数据是否和Redshift集群的数据一致。以典型作业举例如下。

6.1 在Redshift集群中运行查询作业

select l_returnflag, l_linestatus, sum(l_quantity) as sum_qty,
sum(l_extendedprice) as sum_base_price, sum(l_extendedprice*(1-l_discount)) as sum_disc_price,
sum(l_extendedprice*(1-l_discount)*(1+l_tax)) as sum_charge, avg(l_quantity) as avg_qty,
avg(l_extendedprice) as avg_price, avg(l_discount) as avg_disc, count(*) as count_order
from lineitem
group by l_returnflag, l_linestatus
order by l_returnflag,l_linestatus;

查看结果

6.2 在MaxCompute中运行相同的查询结果

在Dataworks或者MaxCompte命令行执行与Redshift相同的Query验证数据一致性：

MaxCompute产品官方地址：https://www.aliyun.com/product/odps

码农公寓