本期导读 ：【数据迁移】第四讲

主题：如何将 Hive 数据按分区归档到 OSS

讲师：健身，阿里巴巴计算平台事业部 EMR 技术专家

内容框架：

• 背景/具体功能介绍
• 实现原理详解
• 使用实例

直播回放链接：（3/4讲）

https://developer.aliyun.com/live/246750

一、背景/功能简述

传统集群架构

• 存储计算一体
• 存储量与计算量无法始终匹配
• 存储无法水平扩展
• 存储与计算竞争硬盘资源

存储分层架构

• 计算资源动态伸缩
• 存储资源使用云存储作为 HDFS 的替代或补充
• 相比存算分离架构，对于已有 HDFS 数据比较平滑，可以逐渐过渡到存算分离架构

数据仓库

• 数据仓库是大数据的典型场景
• 每天的 ETL 作业新增大量数据
• Hive 支持分区表，使用分区可以快速裁剪数据
• Hive 数仓中大量 Hive 表以时间日期作为分区字段
• 在数仓中很多表的较老的日期分区平常一般不会被访问，可以考虑把这部分数据移出 HDFS
• Hive 的每个分区都有自己的 storagedescriptor，可以有单独的存储路径

分区表的结构

partitioned_table_xx

• dt=2021-05-16/category=1/
• dt=2021-05-16/category=2/
• dt=2021-05-16/category=5/
• dt=2021-05-16/category=8/
• dt=2021-05-15/category=2/
• dt=2021-05-15/category=3/
• dt=2021-05-15/category=4/
• ……

使用 JindoTable 按分区归档数据

• 在本地盘机型上，HDFS 可以提供较好的性能，对集群已有存储空间也能较好利用
• 一般情况下用不到的数据移动到 OSS，释放集群存储空间，减小NameNode 压力
• 需要读取这部分数据时，也可以直接从 OSS 读取，不影响上层作业
• 每天 ETL 完成后可以移动数据

⭐具体文档下载和参考见 Github：
https://github.com/aliyun/alibabacloud-jindofs/blob/master/docs/tools/table_moveto.md

二、实现原理

• Jindodistcp 作为底层工具
• 使用 jindodistcp 事务模式
• 使用 HDFS 文件锁保证同一时间每个分区只有一个作业在操作
• 先修改分区元数据再清理 hdfs 数据确保数据可用

三、使用示例

数据准备

移动分区字段 ds 大于 ‘b’的分区

检查移动后的分区情况

直接观看视频回放，获取实例讲解~https://developer.aliyun.com/live/246750

---

⭐Github链接：
https://github.com/aliyun/alibabacloud-jindofs

不错过每次直播信息、探讨更多数据湖 JindoFS+OSS 相关技术问题，欢迎扫码加入钉钉交流群！