使用 Azure Databricks 将数据从 MongoDB 迁移到 Azure Cosmos DB for MongoDB 帐户

适用对象： MongoDB

本迁移指南属于将数据库从 MongoDB 迁移到适用于 MongoDB 的 Azure Cosmos DB API 的系列。 关键的迁移步骤包括迁移前步骤、迁移步骤和迁移后步骤，如下所示。

使用 Azure Databricks 进行数据迁移

Azure Databricks 是一种适用于 Apache Spark 的平台即服务 (PaaS) 产品/服务。 它提供一种对大规模数据集执行脱机迁移的方法。 可以使用 Azure Databricks 将数据库从 MongoDB 脱机迁移到 Azure Cosmos DB for MongoDB。

在本教程中，您将学习如何执行以下操作：

• 预配 Azure Databricks 群集

• 添加依赖项

• 创建和运行 Scala 或 Python 笔记本

• 优化迁移性能

• 对迁移过程中可能会看到的速率限制错误进行故障排除

先决条件

要完成本教程，需要：

• 完成迁移前步骤，例如估计吞吐量和选择分区键。
• 创建 Azure Cosmos DB for MongoDB 帐户。

预配 Azure Databricks 群集

可以按说明来预配 Azure Databricks 群集。 建议选择支持 Spark 3.0 的 Databricks 运行时版本 7.6。

添加依赖项

将适用于 Spark 库的 MongoDB 连接器添加到群集，从而连接到本机 MongoDB 和 Azure Cosmos DB for MongoDB 终结点。 在群集中，选择“库”>“安装新库”>“Maven”，然后添加 org.mongodb.spark:mongo-spark-connector_2.12:3.0.1 Maven 坐标 。

选择“安装”，然后在安装完成后重启群集。

之后，你可以创建用于迁移的 Scala 或 Python 笔记本。

创建用于迁移的 Scala 笔记本

在 Databricks 中创建 Scala 笔记本。 运行以下代码之前，请确保为变量输入正确的值：

import com.mongodb.spark._
import com.mongodb.spark.config._
import org.apache.spark._
import org.apache.spark.sql._

var sourceConnectionString = "mongodb://<USERNAME>:<PASSWORD>@<HOST>:<PORT>/<AUTHDB>"
var sourceDb = "<DB NAME>"
var sourceCollection =  "<COLLECTIONNAME>"
var targetConnectionString = "mongodb://<ACCOUNTNAME>:<PASSWORD>@<ACCOUNTNAME>.mongo.cosmos.azure.cn:10255/?ssl=true&replicaSet=globaldb&retrywrites=false&maxIdleTimeMS=120000&appName=@<ACCOUNTNAME>@"
var targetDb = "<DB NAME>"
var targetCollection =  "<COLLECTIONNAME>"

val readConfig = ReadConfig(Map(
  "spark.mongodb.input.uri" -> sourceConnectionString,
  "spark.mongodb.input.database" -> sourceDb,
  "spark.mongodb.input.collection" -> sourceCollection,
))

val writeConfig = WriteConfig(Map(
  "spark.mongodb.output.uri" -> targetConnectionString,
  "spark.mongodb.output.database" -> targetDb,
  "spark.mongodb.output.collection" -> targetCollection,
  "spark.mongodb.output.maxBatchSize" -> "8000"  
))

val sparkSession = SparkSession
  .builder()
  .appName("Data transfer using spark")
  .getOrCreate()

val customRdd = MongoSpark.load(sparkSession, readConfig)

MongoSpark.save(customRdd, writeConfig)

创建用于迁移的 Python 笔记本

在 Databricks 中创建 Python 笔记本。 运行以下代码之前，请确保为变量输入正确的值：

from pyspark.sql import SparkSession

sourceConnectionString = "mongodb://<USERNAME>:<PASSWORD>@<HOST>:<PORT>/<AUTHDB>"
sourceDb = "<DB NAME>"
sourceCollection =  "<COLLECTIONNAME>"
targetConnectionString = "mongodb://<ACCOUNTNAME>:<PASSWORD>@<ACCOUNTNAME>.mongo.cosmos.azure.cn:10255/?ssl=true&replicaSet=globaldb&retrywrites=false&maxIdleTimeMS=120000&appName=@<ACCOUNTNAME>@"
targetDb = "<DB NAME>"
targetCollection =  "<COLLECTIONNAME>"

my_spark = SparkSession \
    .builder \
    .appName("myApp") \
    .getOrCreate()

df = my_spark.read.format("com.mongodb.spark.sql.DefaultSource").option("uri", sourceConnectionString).option("database", sourceDb).option("collection", sourceCollection).load()

df.write.format("mongo").mode("append").option("uri", targetConnectionString).option("maxBatchSize",2500).option("database", targetDb).option("collection", targetCollection).save()

优化迁移性能

可以通过以下配置调整迁移性能：

• Spark 群集中的工作程序和核心数：工作程序越多，意味着执行任务的计算分片越多。

• maxBatchSize：maxBatchSize 值控制将数据保存到目标 Azure Cosmos DB 集合中的速率。 但是，如果 maxBatchSize 对于集合吞吐量太高，则可能会导致速率限制错误。

  你需要根据 Spark 群集中的执行程序数量调整工作器的数量和 maxBatchSize 的值，这可能是写入的每个文档的大小（这就是 RU 成本高的原因），以及目标集合吞吐量限制。

  提示

  maxBatchSize = 集合吞吐量/（1 个文档的 RU 成本 * Spark 工作器数量 * 每个工作器的 CPU 核心数）

• MongoDB Spark 分区程序和 partitionKey：使用的默认分区程序为 MongoDefaultPartitioner，默认 partitionKey 为 _id。 可以通过将值 MongoSamplePartitioner 分配给输入配置属性 spark.mongodb.input.partitioner 来更改分区程序。 同样地，可以通过将相应的字段名称分配给输入配置属性 spark.mongodb.input.partitioner.partitionKey 来更改 partitionKey。 合适的 partitionKey 有助于避免数据倾斜（为同一分区键值写入的大量记录）。

• 在数据传输过程中禁用索引： 对于大量数据迁移，请考虑禁用索引，特别是目标集合上的通配符索引。 索引会增加写入每个文档的 RU 成本。 释放这些 RU 有助于提高数据传输速率。 你可以在数据迁移完成后启用索引。

疑难解答

超时错误（错误代码 50）

对于针对 Azure Cosmos DB for MongoDB 数据库的操作，可能会看到 50 错误代码。 以下情况可能会导致超时错误：

• 分配给数据库的吞吐量较低：确保为目标集合分配足够的吞吐量。
• 存在大量数据而导致过度数据倾斜。 如果有大量的数据要迁移到给定的表中，但存在重大的数据倾斜，那么即使在你的表中预配了多个请求单位，你仍可能会遇到速率限制。 请求单位平均分配在物理分区中，重度的数据倾斜可能会导致对单个分片的请求出现瓶颈。 数据倾斜意味着相同的分区键值有大量的记录。

速率限制（错误代码 16500）

对于针对 Azure Cosmos DB for MongoDB 数据库的操作，可能会看到 16500 错误代码。 这些是速率限制错误，可能会在较旧的帐户或禁用了服务器端重试功能的帐户上看到。

• 启用服务器端重试：启用服务器端重试 (SSR) 功能，并让服务器自动重试速率受限的操作。

迁移后优化

迁移数据后，你可以连接到 Azure Cosmos DB 并管理数据。 还可以执行其他迁移后步骤，例如优化索引策略、更新默认的一致性级别或者为你的 Azure Cosmos DB 帐户配置多区域分布。 有关详细信息，请参阅迁移后优化一文。

其他资源

• 正在尝试为迁移到 Azure Cosmos DB 进行容量计划？
  • 如果只知道现有数据库群集中的 vCore 和服务器数量，请阅读使用 vCore 或 vCPU 估算请求单位
  • 若知道当前数据库工作负载的典型请求速率，请阅读使用 Azure Cosmos DB 容量计划工具估算请求单位

后续步骤

• 管理 Azure Cosmos DB 的用于 MongoDB 的 API 中的索引编制
• 查找操作的请求单位费用