摘要：自建集群要迁移到EMR集群，往往需要迁移已有数据。本文主要介绍hdfs数据和hive meta数据如何迁移。 前置 已按需求创建好EMR集群。 迁移hdfs数据 主要依靠distcp,核心是打通网络，确定hdfs参数和要迁移内容，测速，迁移。
自建集群要迁移到EMR集群，往往需要迁移已有数据。本文主要介绍hdfs数据和hive meta数据如何迁移。
前置
已按需求创建好EMR集群。
迁移hdfs数据
主要依靠distcp,核心是打通网络，确定hdfs参数和要迁移内容，测速，迁移。
网络
需要自建集群和EMR各个节点网络互通。同为VPC网络只需要同一个安全组，不同的安全组需要设置安全组互通。
如果自建集群是经典网络，EMR集群是vpc，网络访问需要设置CLASSICLINK.参见文档,详情可以咨询ECS客服。
设置后可以在新集群节点上ssh 老集群节点确定网络连通情况，distcp操作如果有xx 节点无法连接xx节点的异常，说明没有连通，需要继续设置。
hdfs权限配置确认
hdfs有权限设置，确定老集群是否有acl规则，是否要同步，检查dfs.permissions.enabled 和dfs.namenode.acls.enabled的配置新老集群是否一致，按照实际需要修改。
如果有acl规则要同步，distcp参数要加-p同步权限参数。如果distcp操作提示xx集群不支持acl，说明对应集群没配置。新集群没配置可以修改配置并重启NM。旧集群不支持，说明旧集群根本就没有acl方面的设置，也不需要同步。
同步参数
一般在新集群上运行同步，这样同步的作业可以在新集群上运行，对老集群影响较小。
distcp 参数细节 ，一般命令格式如下：
hadoop distcp -Ddfs.replication=3 -pbugpcax -m 1000 -bandwidth 30 hdfs://oldclusterip:8020 /user/hive/warehouse /user/hive/
注意事项：
1.hdfs://oldclusterip:8020写老集群nameode ip，多个namenode写当前active的。
2.指定了副本数3，如想保留原有副本数-p后加r如-prbugpcax。如果不同步权限和acl，-p后去掉p和a。
3.-m指定map数，和集群规模，数据量有关。比如集群有2000核cpu，就可以指定2000个map。 -bandwidth指定单个map的同步速度，是靠控制副本复制速度实现的，是大概值。
4.迁移整体速度受集群间带宽，集群规模影响。同时文件越多，checksum需要的时间越长。如果迁移数据量大，可以先试着同步几个目录评估一下整体时间。如果只能在指定时间段内同步，可以将目录切为几个小目录，依次同步。
5.如果迁移过程中老集群还有写入，可以用-udpate再将变化同步过来。
6.一般完全同步，需要有个短暂的业务停写，以启用双写双算或直接将业务切换到新集群上。
hive meta数据同步
hive meta数据同步，本质是hive meta db，一般是mysql db的数据同步。和一般的mysql数据同步相比，要注意location改变，和hive版本对齐。
meta db设置
meta数据较多时，一般推荐用rds作为meta db。自建集群可能已有一个rds db，由于location不同，一般需要新建一个数据库。最佳实践是跟EMR集群在一个可用区，一个vpc 安全组下新建一个rds 数据库。
登录新集群master节点（如果是ha集群两个master都需要），修改/usr/local/emr/emr-agent/run/meta_db_info.json，把里面的use_local_meta_db设置为false，meta数据库信息的链接地址、用户名和密码换成新建rds的信息。然后重启hive组件的metaserver。
初始化meta的表信息：
···
cd /usr/lib/hive-current/bin
./schematool - initSchema -dbType mysql
···
location
hive的表，分区等信息是有location信息的，带dfs nameservices前缀，如hdfs://mycluster:8020/，而EMR集群的nameservices前缀是统一的emr-cluster,所以需要订正。订正的最佳方式是先导出数据 mysqldump --databases hivemeta --single-transaction -u root –p > hive_databases.sql ,用sed替换hdfs://oldcluster:8020/为hdfs://emr-cluster/ ,再导入新db中。
mysql hivemeta -p < hive_databases.sql
版本对齐
EMR的hive版本一般是当前社区最新的稳定版，自建集群hive版本可能会更老，所以导入的旧版本数据可能不能直接使用。需要执行hive的升级脚本， 地址 。例如hive从1.2升级到2.3.0，需要依次执行upgrade-1.2.0-to-2.0.0.mysql.sql，upgrade-2.0.0-to-2.1.0.mysql.sql，upgrade-2.1.0-to-2.2.0.mysql.sql，upgrade-2.2.0-to-2.3.0.mysql.sql。脚本主要是建表，加字段，改内容，如有表已存在，字段已存在的异常可以忽略。
验证
meta数据全部订正后，就可以重启metaserver了。命令行 hive ，查询库和表，查询数据，验证正确性。
上文内容不用于商业目的，如涉及知识产权问题，请权利人联系博为峰小编(021-64471599-8017)，我们将立即处理。
