CN110543520A - 一种数据迁移的方法和装置 - Google Patents

Abstract

本发明公开了数据迁移的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括根据需要迁移的原数据分区，获得文件路径名称；基于预设的特殊字符字典，对具有特殊字符的文件路径名称所对应的原数据分区进行标注，进而将标注的原数据分区下的数据文件迁移至对应的目标数据分区，并标注该目标数据分区；获取数据库在原数据分区对应的原集群上的建表语句，以在目标数据分区对应的目标集群上执行该建表语句；将原数据分区的所有数据文件同步到相应的目标数据分区，并对当前所有目标数据分区进行修复，再对其中具有标注的目标数据分区进行迁移前后数据文件的对比修复。从而，本发明的实施方式能够解决数据迁移时重建表还需人工处理的问题。

Description

一种数据迁移的方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种数据迁移的方法和装置。

背景技术

随着业务的迅猛发展，集群的规模也在不断扩展，业务从A集市迁移到B集市的需求也日渐增多。常用的方法为DistCp(分布式拷贝)是用于大规模集群内部和集群之间拷贝的工具，它使用Map/Reduce(Map/Reduce是一种编程模型，用于大规模数据集的并行运算。)实现文件分发，错误处理和恢复，以及报告生成。并且，把文件和目录的列表作为Map任务的输入，每个任务会完成源列表中部分文件的拷贝。由于使用了Map/Reduce方法，这个工具在语义和执行上都会有特殊的地方。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

采用DistCp方法同步数据后，对于业务使用人员来说，并没有完成迁移内容，数据虽然已经同步，但相关的表重建及映射关系处理并没有完成，仍需要手工重建表。

发明内容

有鉴于此，本发明实施例提供一种数据迁移的方法和装置，能够解决数据迁移时重建表还需人工处理的问题。

为实现上述目的，根据本发明实施例的一个方面，提供了一种数据迁移的方法，包括根据需要迁移的原数据分区，获得文件路径名称；基于预设的特殊字符字典，对具有特殊字符的文件路径名称所对应的原数据分区进行标注，进而将标注的原数据分区下的数据文件迁移至对应的目标数据分区，并标注该目标数据分区；获取数据库在原数据分区对应的原集群上的建表语句，以在目标数据分区对应的目标集群上执行该建表语句；将原数据分区的所有数据文件同步到相应的目标数据分区，并对当前所有目标数据分区进行修复，再对其中具有标注的目标数据分区进行迁移前后数据文件的对比修复。

可选地，对其中具有标注的目标数据分区进行迁移前后数据文件的对比修复，包括：

基于数据文件的质量满足预设条件，完成对其中具有标注的目标数据分区进行迁移前后数据文件的对比修复。

可选地，将标注的原数据分区下的数据文件迁移至对应的目标数据分区之前，包括：

通过程序日志记载标注的原数据分区。

可选地，通过多层分区文件目录信息同步命令，对其中具有标注的目标数据分区进行迁移前后数据文件的对比修复。

另外，根据本发明实施例的一个方面，提供了一种数据迁移的装置，包括获取模块，用于根据需要迁移的原数据分区，获得文件路径名称；迁移模块，用于基于预设的特殊字符字典，对具有特殊字符的文件路径名称所对应的原数据分区进行标注，进而将标注的原数据分区下的数据文件迁移至对应的目标数据分区，并标注该目标数据分区；获取数据库在原数据分区对应的原集群上的建表语句，以在目标数据分区对应的目标集群上执行该建表语句；将原数据分区的所有数据文件同步到相应的目标数据分区；修复模块，用于对当前所有目标数据分区进行修复，再对其中具有标注的目标数据分区进行迁移前后数据文件的对比修复。

可选地，所述修复模块对其中具有标注的目标数据分区进行迁移前后数据文件的对比修复，包括：

基于数据文件的质量满足预设条件，完成对其中具有标注的目标数据分区进行迁移前后数据文件的对比修复。

可选地，所述迁移模块将标注的原数据分区下的数据文件迁移至对应的目标数据分区之前，包括：

通过程序日志记载标注的原数据分区。

可选地，所述修复模块通过多层分区文件目录信息同步命令，对其中具有标注的目标数据分区进行迁移前后数据文件的对比修复。

根据本发明实施例的另一个方面，还提供了一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一数据迁移的实施例所述的方法。

根据本发明实施例的另一个方面，还提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一基于数据迁移的实施例所述的方法。

上述发明中的一个实施例具有如下优点或有益效果：本发明根据需要迁移的原数据分区，获得文件路径名称；基于预设的特殊字符字典，对具有特殊字符的文件路径名称所对应的原数据分区进行标注，进而将标注的原数据分区下的数据文件迁移至对应的目标数据分区，并标注该目标数据分区；获取数据库在原数据分区对应的原集群上的建表语句，以在目标数据分区对应的目标集群上执行该建表语句；将原数据分区的所有数据文件同步到相应的目标数据分区，并对当前所有目标数据分区进行修复，再对其中具有标注的目标数据分区进行迁移前后数据文件的对比修复。因此，本发明能够有效降低数据迁移的成本，实现了自动化，减少了数据迁移的重复性工作，并且保证了数据迁移的数据完整性。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的数据迁移的方法的主要流程的示意图

图2是根据本发明再一实施例的数据迁移的方法的主要流程的示意图；

图3是根据本发明实施例的数据迁移的装置的主要模块的示意图；

图4是本发明实施例可以应用于其中的示例性系统架构图；

图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本发明实施例的数据迁移的方法的主要流程的示意图，所述数据迁移的方法可以包括：

步骤S101，根据需要迁移的原数据分区，获得文件路径名称。

步骤S102，基于预设的特殊字符字典，对具有特殊字符的文件路径名称所对应的原数据分区进行标注，进而将标注的原数据分区下的数据文件迁移至对应的目标数据分区，并标注该目标数据分区。

较佳地，在对具有特殊字符的文件路径名称所对应的原数据分区进行标注之后，可以通过程序日志记载标注的原数据分区，以便执行完步骤S104之后可以反馈最后的运行结果及日志内容，进行相关的记录和备注。

步骤S103，获取数据库在原数据分区对应的原集群上的建表语句，以在目标数据分区对应的目标集群上执行该建表语句。

步骤S104，将原数据分区的所有数据文件同步到相应的目标数据分区，并对当前所有目标数据分区进行修复，再对其中具有标注的目标数据分区进行迁移前后数据文件的对比修复。

较佳地，可以通过多层分区文件目录信息同步命令，对其中具有标注的目标数据分区进行迁移前后数据文件的对比修复。例如：通过让msck.path.validation选择为ignore(msck.path.validation是Hive特有的多层分区文件目录信息同步命令，旨在将Hive分区下的文件目录信息进行迁移前后的拷贝。)，对具有标注的目标数据分区进行前后数据文件的对比。

另外，在对其中具有标注的目标数据分区进行迁移前后数据文件的对比修复，即在对所有目标数据分区进行修复之后执行对具有标注的目标数据分区进行二次修复时，可以基于数据文件的质量满足预设条件，完成对其中具有标注的目标数据分区进行迁移前后数据文件的对比修复。

还值得说明的是，本发明可以通过Map/Reduce默认自带API(ApplicationProgram Interface应用程序接口)进行数据迁移过程。其中，Input输入端为读取迁移前数据源文件内容，经[key，value]形式划分牵引文件及数据路径。而Output输出端也采用[key，value]形式还原读取前文件数据内容及文件命名。

在优选地一个实施例中，可以将数据迁移的过程封装成程序，即将上述各种实施例进行封装。

综上所述的各种实施例，本发明针对无法导入迁移后特殊符号路径文件，采用二次修复方法，自动扫描路径并且自动追查修复路径分区。同时，缩短数据迁移中的处理时间，并且将数据迁移和修复分区过程实现自动化。

图2是根据本发明再一实施例的数据迁移的方法的主要流程的示意图，基于Hadoop数据迁移，所述数据迁移的方法可以包括：

步骤S201，获取需要迁移的原数据分区和目标数据分区。

较佳地，还可以获取Hive分区下的库名或表名，以及Hive下表的基础元数据。

其中，Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供完整的sql查询功能，可以将sql语句转换为Map/Reduce任务进行运行。Hadoop是一个由Apache基金会所开发的分布式系统基础架构。

步骤S202，对原数据分区进行扫描，获得文件路径名称。

较佳地，通过全路径扫描获得文件路径名称。

步骤S203，根据预设的特殊字符字典，判断文件路径名称中是否存在特殊字符，若是则先进行步骤S204至步骤S206再进行步骤S207，否则直接进行步骤S207。

步骤S204，查找并标注具有特殊字符的文件路径名称存在的原数据分区。

步骤S205，通过程序日志记载标注的原数据分区。

步骤S206，根据目标数据分区路径，将标注的原数据分区下的数据文件迁移至对应的目标数据分区，并标注该目标数据分区。

步骤S207，扫描并复制Hive表在原集群上的建表语句。

步骤S208，在目标集群上执行该建表语句，以完成自动建表。

步骤S209，将原数据分区中的数据文件同步到相应的目标数据分区。

步骤S210，通过Hadoop API进行目标数据分区的修复。

在实施例中，当目标集群表已经建立完成，数据文件也已经同步到目标数据分区下的路径后，可以使用Hadoop API进行目标数据分区的修复。

其中，数据分区的修复是指把一个大的数据集根据业务需要分割成若干个数据集，当被分割成的若干个数据集在指定拆分文件目录下无法被系统读取时，此时的数据分区即文件目录，需要进行修复，修复完的文件目录，可以被系统正常读取到。

步骤S211，扫描具有标注的目标数据分区，通过多层分区文件目录信息同步命令，对具有标注的目标数据分区进行迁移前后数据文件的对比修复。

较佳地，普通目标数据分区修复可直接使用hadoop API进行，如果是具有标注的目标数据分区，需指定特定的特殊符号的数据分区，进行单独的目标数据分区的二次修复，通过让msck.path.validation选择为ignore(msck.path.validation是Hive特有的多层分区文件目录信息同步命令，旨在将Hive分区下的文件目录信息进行迁移前后的拷贝。)，对具有标注的目标数据分区进行前后数据文件的对比，最终检验数据文件的质量满足预设条件后，完成具有标注的目标数据分区的二次修复。其中，所述数据文件的质量可以是指存在错误的数量。例如：预设条件是错误数量少于2个。

步骤S212，反馈运行结果和日志内容。

在实施例中，当程序运行完成后，反馈给用户最后的运行结果及日志内容，进行相关的记录和备注。

图3是根据本发明实施例的数据迁移的装置的主要模块的示意图，如图3所示，所述数据迁移的装置300包括获取模块301、迁移模块302和修复模块302。其中，获取模块，用于根据需要迁移的原数据分区，获得文件路径名称。迁移模块302基于预设的特殊字符字典，对具有特殊字符的文件路径名称所对应的原数据分区进行标注，进而将标注的原数据分区下的数据文件迁移至对应的目标数据分区，并标注该目标数据分区。获取数据库表在原数据分区对应的原集群上的建表语句，以在目标数据分区对应的目标集群上执行该建表语句。将原数据分区的所有数据文件同步到相应的目标数据分区。修复模块403对当前所有目标数据分区进行修复，再对其中具有标注的目标数据分区进行迁移前后数据文件的对比修复。

较佳地，所述修复模块303对其中具有标注的目标数据分区进行迁移前后数据文件的对比修复时，可以基于数据文件的质量满足预设条件，完成对其中具有标注的目标数据分区进行迁移前后数据文件的对比修复。

另外，所述修复模块303可以通过多层分区文件目录信息同步命令，对其中具有标注的目标数据分区进行迁移前后数据文件的对比修复。

作为另一个较佳地实施例，所述迁移模块302将标注的原数据分区下的数据文件迁移至对应的目标数据分区之前，通过程序日志记载标注的原数据分区。

需要说明的是，在本发明所述数据迁移的方法和所述数据迁移的装置在具体实施内容上具有相应关系，故重复内容不再说明。

图4示出了可以应用本发明实施例的数据迁移的方法或数据迁移的装置的示例性系统架构400。

如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。

需要说明的是，本发明实施例所提供的数据迁移的方法一般由服务器405执行，相应地，数据迁移的装置一般设置于服务器405中。

应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图5，其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中，还存储有系统500操作所需的各种程序和数据。CPU501、ROM502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、迁移模块和修复模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：根据需要迁移的原数据分区，获得文件路径名称；基于预设的特殊字符字典，对具有特殊字符的文件路径名称所对应的原数据分区进行标注，进而将标注的原数据分区下的数据文件迁移至对应的目标数据分区，并标注该目标数据分区；获取数据库在原数据分区对应的原集群上的建表语句，以在目标数据分区对应的目标集群上执行该建表语句；将原数据分区的所有数据文件同步到相应的目标数据分区，并对当前所有目标数据分区进行修复，再对其中具有标注的目标数据分区进行迁移前后数据文件的对比修复。

根据本发明实施例的技术方案，能够解决数据迁移时重建表还需人工处理的问题。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种数据迁移的方法，其特征在于，包括：

根据需要迁移的原数据分区，获得文件路径名称；

基于预设的特殊字符字典，对具有特殊字符的文件路径名称所对应的原数据分区进行标注，进而将标注的原数据分区下的数据文件迁移至对应的目标数据分区，并标注该目标数据分区；

获取数据库在原数据分区对应的原集群上的建表语句，以在目标数据分区对应的目标集群上执行该建表语句；

将原数据分区的所有数据文件同步到相应的目标数据分区，并对当前所有目标数据分区进行修复，再对其中具有标注的目标数据分区进行迁移前后数据文件的对比修复。

2.根据权利要求1所述的方法，其特征在于，对其中具有标注的目标数据分区进行迁移前后数据文件的对比修复，包括：

基于数据文件的质量满足预设条件，完成对其中具有标注的目标数据分区进行迁移前后数据文件的对比修复。

3.根据权利要求1所述的方法，其特征在于，将标注的原数据分区下的数据文件迁移至对应的目标数据分区之前，包括：

通过程序日志记载标注的原数据分区。

4.根据权利要求1-3任一所述的方法，其特征在于，通过多层分区文件目录信息同步命令，对其中具有标注的目标数据分区进行迁移前后数据文件的对比修复。

5.一种数据迁移的装置，其特征在于，包括：

获取模块，用于根据需要迁移的原数据分区，获得文件路径名称；

迁移模块，用于基于预设的特殊字符字典，对具有特殊字符的文件路径名称所对应的原数据分区进行标注，进而将标注的原数据分区下的数据文件迁移至对应的目标数据分区，并标注该目标数据分区；

获取数据库在原数据分区对应的原集群上的建表语句，以在目标数据分区对应的目标集群上执行该建表语句；

将原数据分区的所有数据文件同步到相应的目标数据分区；

修复模块，用于对当前所有目标数据分区进行修复，再对其中具有标注的目标数据分区进行迁移前后数据文件的对比修复。

6.根据权利要求5所述的装置，其特征在于，所述修复模块对其中具有标注的目标数据分区进行迁移前后数据文件的对比修复，包括：

基于数据文件的质量满足预设条件，完成对其中具有标注的目标数据分区进行迁移前后数据文件的对比修复。

7.根据权利要求5所述的装置，其特征在于，所述迁移模块将标注的原数据分区下的数据文件迁移至对应的目标数据分区之前，包括：

通过程序日志记载标注的原数据分区。

8.根据权利要求5-7任一所述的装置，其特征在于，所述修复模块通过多层分区文件目录信息同步命令，对其中具有标注的目标数据分区进行迁移前后数据文件的对比修复。

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。