两集群数据拷贝

业务场景：

• 公司有两套集群，A集群专门做数据存储，B集群专门做数据清洗和数据展现
• A集群每天定时把数据同步过来B集群后，B集群负责后续清洗和供业务系统使用

集群背景

• 两套集群都配有各自的KDC服务器
• A集群没做namenode HA，B集群是HA
• 集群拷贝的数据为parquet格式
• A集群域为A.CN，B集群域为B.COM
• 数据从A到B

第一步 KDC互信 (没有配置kerberos的可以忽略)

• 假设是A集群拷贝数据到B集群
• 两边添加相同principal

#A访问B，两个REALM需要共同拥有名为 krbtgt/B.COM@A.CN的principal
#两个Keys需要保证密码，version number和加密方式一致
#在主KDC节点执行以下命令，两个集群都要
kadmin.local
addprinc –e "aes128-cts:normal des3-hmac-sha1:normal arcfour-hmac:normal camellia256-cts:normal camellia128-cts:normal des-hmac-sha1:normal des-cbc-md5:normal " krbtgt/B.COM@A.CN

• 两边添加user和principal规则映??

  
  受信任的领域.png

设置hadoop.security.auth_to_local参数

<property>
<name>hadoop.security.auth_to_local</name> 
<value>RULE:[1:$1@$0](^.*@A\.CN$)s/^(.*)@A\.CN$/$1/g 
RULE:[2:$1@$0](^.*@A\.CN$)s/^(.*)@A\.CN$/$1/g 
RULE:[1:$1@$0](^.*@B\.COM$)s/^(.*)@B\.COM$/$1/g 
RULE:[2:$1@$0](^.*@B\.COM$)s/^(.*)@B\.COM$/$1/g 
DEFAULT 
</value> 
</property>

• 在krb5.conf中配置信任关系
• 在两集群/etc/krb5.conf文件配置domain和realm的映射关系
• A集群

[capaths]
  A.CN = {
     B.COM= .
  }

• B集群

[capaths]
  B.COM = {
    A.CN = .
  }

• 配置realms
• A集群添加以下

[realms]
B.COM = {
  kdc = node1
  admin_server = node1
  kdc = node2
}

• B集群添加以下

[realms]
A.CN = {
   kdc = snn
   admin_server = snn
   default_realm = A.CN
}

• 两边配置domain_realm
• A B集群添加以下

[domain_realm] 
.B.COM = B.COM 
B.COM = B.COM
snn = A.CN

• 重启kerberos

• 配置hdfs-site.xml，设置dfs.namenode.kerberos.principal.pattern为"*"

  
  namenode,kerberos.principal.png

• 重启hdfs

• 测试

[root@node1 ~]# hdfs dfs -ls /
Found 7 items
drwxr-xr-x   - hdfs  supergroup          0 2018-06-29 14:23 /flume
drwx------   - hbase hbase               0 2018-08-08 11:53 /hbase
drwxr-xr-x   - hdfs  supergroup          0 2018-04-04 23:47 /lsltest
drwxr-xr-x   - sdc   sdc                 0 2018-07-12 10:18 /sdc
drwxrwxrwt   - hdfs  supergroup          0 2018-08-16 10:53 /tmp
drwxr-xr-x   - hdfs  supergroup          0 2018-08-09 11:02 /user
drwxr-xr-x   - hdfs  supergroup          0 2018-04-23 17:03 /usr
[root@node1 ~]# hdfs dfs -ls hdfs://node1:8020/
Found 3 items
drwxrwxrwx   - hdfs supergroup          0 2018-06-04 14:52 hdfs://node1:8020/data
drwxrwxrwt   - hdfs supergroup          0 2018-07-03 19:26 hdfs://node1:8020/tmp
drwxr-xr-x   - hdfs supergroup          0 2018-06-11 12:17 hdfs://node1:8020/user
[root@node1 ~]# 

• 这样两集群算是互通了

第二步 数据拷贝

• 数据拷贝用hadoop自带的distcp命令
• 执行该命令为mapreduce操作，需消耗本机yarn资源

#数据拷贝，往活动的namenode发送数据
hadoop distcp  -overwrite -i hdfs://snn:9000/dev_hive/warehouse/gtp.db/product/partition_date=20180601 webhdfs://node1:50070/user/hive/warehouse/gtp_tmp.db/product/partition_date=20180601

• 这时候有个问题：集群B是做了namenode高可用，而且活动节点会时不时切换，这就会导致一个问题，假如A集群写死往一个namenode写数据，那该namenode变成standby状态的时候，就会导致拷贝失败

    ERROR tools.DistCp: Exception encountered
    org.apache.hadoop.security.AccessControlException: Authentication required
    at org.apache.hadoop.hdfs.web.WebHdfsFileSystem.validateResponse(WebHdfsFileSystem.java:457)
    at org.apache.hadoop.hdfs.web.WebHdfsFileSystem.access$200(WebHdfsFileSystem.java:113)
    at org.apache.hadoop.hdfs.web.WebHdfsFileSystem$AbstractRunner.runWithRetry
    (WebHdfsFileSystem.java:738)
    at org.apache.hadoop.hdfs.web.WebHdfsFileSystem$AbstractRunner.access$100(WebHdfsFileSystem.java:582)
    at org.apache.hadoop.hdfs.web.WebHdfsFileSystem$AbstractRunner$1.run(WebHdfsFileSystem.java:612)
    at java.security.AccessController.doPrivileged(Native Method)
    at javax.security.auth.Subject.doAs(Subject.java:422)
    at org.apache.hadoop.security.UserGroupInformation.doAs(UserGroupInformation.java:1724)

或者

ls: Operation category READ is not supported in state standby

• 这时候需要在A集群hdfs-site.xml配置B集群namenode信息

 <property>
    <name>dfs.nameservices</name>
    <value>bdap-nameservice</value>
  </property>
  <property>
    <name>dfs.client.failover.proxy.provider.bdap-nameservice</name>
    <value>org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider</value>
  </property>
  <property>
    <name>dfs.ha.automatic-failover.enabled.bdap-nameservice</name>
    <value>true</value>
  </property>
  <property>
    <name>ha.zookeeper.quorum</name>
    <value>node1:2181,node2:2181,node1:2181</value>
  </property>
  <property>
    <name>dfs.ha.namenodes.bdap-nameservice</name>
    <value>namenode81,namenode132</value>
  </property>
  <property>
    <name>dfs.namenode.rpc-address.bdap-nameservice.namenode81</name>
    <value>node1:8020</value>
  </property>
  <property>
    <name>dfs.namenode.servicerpc-address.bdap-nameservice.namenode81</name>
    <value>node1:8022</value>
  </property>
  <property>
    <name>dfs.namenode.http-address.bdap-nameservice.namenode81</name>
    <value>node1:50070</value>
  </property>
  <property>
    <name>dfs.namenode.https-address.bdap-nameservice.namenode81</name>
    <value>node1:50470</value>
  </property>
  <property>
    <name>dfs.namenode.rpc-address.bdap-nameservice.namenode132</name>
    <value>node2:8020</value>
  </property>

• 集群的客户端信息可以从CDH直接下载

  
  下载客户端.png

• 重启hdfs

• 命令从明确的一个namenode ip改为bdap-nameservice，根据上述的配置

hadoop distcp  -overwrite -i hdfs: //snn:9000/dev_hive/warehouse/gtp.db/product/partition_date=20180601 webhdfs://bdap-nameservice/user/hive/warehouse/gtp_tmp.db/product/partition_date=20180601

第三步 数据修复

• 第二步是直接把parquet文件或者整个分区拷贝到相应的目录下，这时候还不能直接使用这些数据，需要修复表，刷新元数据
• 这时候可以通过ssh命令从A集群登陆B集群，通过表修复命令实现修复元数据

#ssh到B集群，执行B集群的脚本实现表修复
#自动填充密码
#!/bin/sh
#假设有以下表
a=('product' 'product' 'product')

for var in ${a[@]};
do
expect<<-END
set timeout 10000
 spawn sh /usr/deng_yb/repair.sh $var
 expect "password: "
 send "wms\n"
expect eof
exit
END
done

# 通过beeline，msck repair table命令修复表结构
#!/bin/sh
table=$1
ssh wms@node1  << eeooff
beeline -u 'jdbc:hive2://node1:10000/gtp_tmp;principal=hive/node1@B.COM' --hiveconf mapreduce.job.queuename=datacenter  -e 'msck repair table ${table};'
eeooff

• 这样第二步和第三步就可以在同一个调度系统按顺序完成
• 这时候表修复完后，通过hive是可以查到数据的，但是impala还不行
• 这时候要刷新impala元数据，最好再做下表分析，这样查表的时候评估的内存使用就会更加准确

#impala刷新元信息
INVALIDATE METADATA gtp_tmp.product
#表分析
COMPUTE INCREMENTAL STATS gtp_tmp.product

第四步 数据清洗

• 第二和三步骤把把数据拷贝过来修复好后，B集群可以在基础数据上面做清洗，整理出业务系统需要的报表数据
• B集群是impala清洗，为什么用impala不用hive，原因如下
  1. A集群把数据清洗完，并distcp过来，做完元信息修复后，剩余给B集群做清洗的时间不多
  2. yarn和impala资源对半分情况下，impala比MapReduce任务快至少20倍

• 大表全量的任务要分区跑，或者根据时间切分跑，否则会报以下异常

  
  内存消耗过多.png

• impala任务，类似以下

impala-shell -i node1:25003 -q  "
 INSERT OVERWRITE TABLE gtp.product_target
      select 
        id,
        item_no,
       ....
     from  gtp_tmp.product
     group by id, item_no....
          
"

• B端集群清洗完后的表做刷新元数据和表分析，然后就可以给业务系统通过jdbc方式连接impala查询相应数据了
• 注意：所有执行脚本都统一在一个调度系统中，可以选择开源的azkaban
• 整体流程结构就是

1. A 集群数据清洗
2. AB端kerberos认证通过
3. A distcp数据 B
4. A ssh B 修复hive和impala表结构和元信息
5. B 数据清洗以及更新impala元信??