ClickHouse数据迁移

原创

charmer

发布于 2023-01-06 20:20:09

5.9K0

发布于 2023-01-06 20:20:09

文章被收录于专栏：QAPM-腾讯客户端性能分析

在使用ClickHouse过程中免不了需要数据迁移，比如更新表结构、迁移数据到新的集群。如何尽量将影响降低，加快迁移过程是数据迁移的关键。

可用方案横向对比

Altinity Wiki详细罗列了所有可用的迁移方案^data_migration，这里做一个汇总。没有最好的方案，只有最适合的方案。

	导出导入	clickhouse-backup	remote/remoteSecure和cluster/Distributed表	clickhouse-copier	手动分区迁移freeze/rsync/attach	利用zookeeper同步	利用clickhouse自带Replication同步
方案描述	使用clickhouse-client工具将数据从源实例导出，再导入到目标实例	使用第三方clickhouse-backup工具将数据从源实例导出，再导入到目标实例	利用remote、cluster或者Distributed表函数直接在目标实例访问源实例数据	使用官方clickhouse-copier工具迁移数据	手动将一个个分区在源实例freeze，利用rsync工具传输到目标实例，在目标实例attach分区	ALTER TABLE FETCH PARTITION FROM zookeeper实现自动迁移	clickhouse会自动保持同一shard之间不同replica的数据同步，所以将目标实例注册成源实例的replica，就会自动同步数据
速度	慢	中	中	快	慢	慢	快
复杂性	低	低	低	高	高	中	中
资源消耗	中	低	（目标实例）高	（目标实例）高	低	低	低
数据分布可变	可以	不可以	可以	可以	可以	不可以	不可以
schema可变	完全可变	不可变	完全可变	部分可变*	不可变	不可变	不可变
依赖工具	clickhouse-client	clickhouse-backup	无	zookeeper	rsync等数据同步工具	zookeeper	zookeeper
要求	无	无	目标实例可以访问源实例TCP端口	无	手动实现脚本、操作	目标实例使用源实例的zookeeper	目标实例使用源实例的zookeeper
适数据用场景	少量数据变备份边迁移	海量数据边备份边迁移	部分数据迁移，特别是需要修改schema	海量数据迁移	不推荐	海量数据迁移且希望低资源开销	数据插入不可停止的实时迁移

部分可变：可以修改表meta定义，比如主键、TTL。可以修改字段CODEC。但是不能修改字段名、字段类型。

remote/remoteSecure和cluster/Distributed表

这个方案是最简单的，速度不错且自由度极高。除非海量数据，迁移数据首选该方案。

这个方案有三个需要注意的地方：

两边实例max_execution_time配置限制SQL执行超时。执行查询前务必将max_execution_time设置为0或者一个极大值，避免数据插入一半因为超时被中止。
数据迁移一旦中途中止，需要手动清理目标实例中迁移的数据后重试，否则会有数据重复。
目标节点负载较高，一般是性能瓶颈，为了加速插入，可以调整配置。ClickHouse将插入的数据拆封为block，min_insert_block_size_rows或min_insert_block_size_bytes命中就会将block落盘。当max_insert_threads大于1，就会同时在内存中形成多个block。最大内存使用可以计算max_insert_threads * first(min_insert_block_size_rows OR min_insert_block_size_bytes)。可以根据行大小在内存允许的条件下调大这几个值。

clickhouse-copier

clickhouse-copier是第二推荐的方案，除非需要修改字段名/类型，都可以使用该方案。

该方案需要额外的zookeeper，但是可以同时执行大量数据迁移。clickhouse-copier会在目标实例创建_piece_x表，将源实例的数据拆分到这些临时表中，最后将数据插入回目标实例的目标表。由于实际还是INSERT，建议将所有物化视图DETACH避免影响插入速度。

clickhouse-copier执行过程如下图所示：

clickhouse-copier execution process.excalidraw.png

任务配置文件^clickhouse_copier有几个需要注意的地方：

remote_servers部分中，不同shard尽量设置internal_replication减少网络数据IO。
tables部分中cluster_pull、cluster_push填入的是remote_servers中定义的cluster而不是实例中的cluster。
clickhouse-copier旧版本存在bug^clickhouse_copier_bugs，若遇到DB::Exception: Engine Distributed doesn't support skipping indices.、DB::Exception: Engine Distributed doesn't support TTL.，可以尝试使用更新版本的clickhouse-copier。
使用clickhouse-copier时，源表、目标表的数据插入都要停止。迁移时设置好数据时间范围，方便迁移完成后补全迁移期间空档数据。
如果迁移的目标是Replicated表，一定设置internal_replication为true，否则会导致数据重复。^clickhouse_copier_distributed