将默认 Hive 元存储数据库迁移到外部元存储数据库

项目
10/02/2023

本文介绍如何将元数据从 Hive 的默认元存储数据库迁移到 HDInsight 上的外部 SQL 数据库。

迁移到外部元存储数据库的原因

默认元存储数据库仅限于基本 SKU，无法处理生产规模工作负荷。
使用外部元存储数据库，用户能够通过添加新的 HDInsight 群集共享相同的元存储数据库来水平扩展 Hive 计算资源。
对于 HDInsight 3.6 到 4.0 的迁移，在升级 Hive 架构版本之前，必须将元数据迁移到外部元存储数据库。请参阅将工作负荷从 HDInsight 3.6 迁移到 HDInsight 4.0。

由于默认元存储数据库计算能力有限，因此，我们建议在迁移元数据时，尽量少在群集上进行其他作业。

源数据库和目标数据库都必须使用相同的 HDInsight 版本和相同的存储帐户。如果将 HDInsight 版本从 3.6 升级到 4.0，请先完成本文中的步骤。然后，按照此处的官方升级步骤执行操作。

先决条件

运行以下脚本操作，使这些位置可移植到其他群集。请参阅将脚本操作应用到正在运行的群集。

此操作类似于将符号链接替换为其完整路径。

属性	Value
Bash 脚本 URI	`https://hdiconfigactions.blob.core.windows.net/linuxhivemigrationv01/hive-adl-expand-location-v01.sh`
节点类型	头
parameters	""

使用 sqlpackage 通过导出/导入实现迁移

仅在 2020 年 10 月 15 日后创建的 HDInsight 群集通过使用 sqlpackage 支持 Hive 默认元存储数据库的 SQL 导出/导入。

将 sqlpackage 安装到群集。

通过执行以下命令，将默认的元存储数据库导出到 BACPAC 文件。

wget "https://hdiconfigactions.blob.core.windows.net/linuxhivemigrationv01/hive_metastore_tool.py"
SQLPACKAGE_FILE='/home/sshuser/sqlpackage/sqlpackage'  # replace with sqlpackage location
TARGET_FILE='hive.bacpac'
sudo python hive_metastore_tool.py --sqlpackagefile $SQLPACKAGE_FILE --targetfile $TARGET_FILE

保存 BACPAC 文件。以下是一个选项。

hdfs dfs -mkdir -p /bacpacs
hdfs dfs -put $TARGET_FILE /bacpacs/

按照此处列出的步骤将 BACPAC 文件导入到新数据库。
新数据库已准备就绪，可以在新的 HDInsight 群集上配置为外部元存储数据库。

使用 Hive 脚本迁移

2020 年 10 月 15 日之前创建的群集不支持默认元存储数据库的导出/导入。

对于此类群集，请使用第二个群集和外部 Hive 元存储数据库，按照指南在存储帐户中复制 Hive 表执行操作。第二个群集可以使用相同的存储帐户，但必须使用新的默认文件系统。

“浅表”复制选项

使用上述指南对表进行“深层”复制时，存储消耗会加倍。需要手动清理源存储容器中的数据。相反，如果是非事务性表，则可以对表进行“浅表”复制。默认情况下，HDInsight 3.6 中的所有 Hive 表都是非事务性的，但在 HDInsight 4.0 中只有外部表是非事务性的。必须对事务表进行深层复制。请按照以下步骤对非事务性表进行浅表复制：

在源群集的主头节点上执行脚本 hive-ddls.sh 以便为每个 Hive 表生成 DDL。
将 DDL 写入名为 /tmp/hdi_hive_ddls.hql 的 Hive 本地脚本。在使用外部 Hive 元存储数据库的目标群集上执行此操作。

验证是否已导入所有 Hive 表

以下命令使用元存储数据库上的 SQL 查询来打印所有的 Hive 表及其数据位置。比较新群集和旧群集之间的输出，以验证新元存储数据库中是否缺少任何表。

SCRIPT_FNAME='hive_metastore_tool.py'
SCRIPT="/tmp/$SCRIPT_FNAME"
wget -O "$SCRIPT" "https://hdiconfigactions.blob.core.windows.net/linuxhivemigrationv01/$SCRIPT_FNAME"
OUTPUT_FILE='/tmp/hivetables.csv'
QUERY="SELECT DBS.NAME, TBLS.TBL_NAME, SDS.LOCATION FROM SDS, TBLS, DBS WHERE TBLS.SD_ID = SDS.SD_ID AND TBLS.DB_ID = DBS.DB_ID ORDER BY DBS.NAME, TBLS.TBL_NAME ASC;"
sudo python "$SCRIPT" --query "$QUERY" > $OUTPUT_FILE

通过