本页面介绍了使用 Datastream 从 Dataflow Datastream 到 BigQuery 模板迁移到 Datastream 内置 BigQuery 复制解决方案的最佳实践。
准备工作
本页面中的说明假定:
- 您熟悉并已安装 Docker。
- 您知道如何从 GitHub 等服务克隆代码库。
- 了解如何在 Datastream 中运行数据流。
- 您已安装 Google Cloud CLI。
迁移工具包概览
Datastream BigQuery Migration Toolkit 是由 Google Cloud 提供的开源软件。该工具包可让您从 Dataflow Datastream to BigQuery 模板进行迁移,但在从其他流水线迁移时也可以使用该工具包,如后面的从其他流水线迁移部分所述。
如需使用该工具包迁移 BigQuery 表,您需要执行以下步骤:
- 使用 BigQuery 目标位置创建、启动和暂停 Datastream 流。
- 对需要迁移的每个 BigQuery 表运行迁移。
- 恢复直播。
该工具包会执行以下操作:
- 使用 Datastream discover API 检索源表架构。
- 根据检索到的架构创建与 Datastream 兼容的 BigQuery 表。
- 提取您要从中进行迁移的 BigQuery 表的架构,以确定必要的数据类型转换。
- 将所有现有行从原始表复制到新表,包括适当的列类型类型转换。
如需详细了解该工具包的结构及其使用的参数,请参阅工具包的 README.md
文件。
设置迁移工具包
如需使用 Docker 运行迁移工具包,请执行以下步骤:
克隆代码库并将目录更改为:
git clone https://github.com/GoogleCloudPlatform/datastream-bigquery-migration-toolkit && cd datastream-bigquery-migration-toolkit
构建映像:
docker build -t migration-service .
使用您的 Google Cloud CLI 凭据进行身份验证:
docker run -ti \ --name gcloud-config migration-service gcloud auth application-default login
设置您的 Google Cloud 项目属性:
docker run -ti --volumes-from gcloud-config migration-service \ gcloud config set project PROJECT_ID
将 PROJECT_ID 替换为您的 Google Cloud 项目的标识符。
从 Dataflow 迁移到 Datastream 内置解决方案
开始直播,然后立即暂停。这样,Datastream 便可以在迁移开始之前捕获其捕获更改的位置。
排空 Datastream 和 Dataflow 流水线:
- 暂停现有的 Cloud Storage 目标数据流。
- 检查数据流的总延迟时间指标,并等待至少与当前延迟时间一样长,以确保将所有传输中的事件写入目标位置。
- 排空 Dataflow 作业。
执行迁移:
在
dry_run
模式下运行迁移。借助dry_run
模式,您可以生成用于复制数据的CREATE TABLE
DDL 语句和 SQL 语句,而无需执行它们:docker run -v output:/output -ti --volumes-from gcloud-config \ migration-service python3 ./migration/migrate_table.py dry_run \ --project-id PROJECT_ID \ --stream-id STREAM_ID \ --datastream-region STREAM_REGION \ --source-schema-name SOURCE_SCHEMA_NAME \ --source-table-name SOURCE_TABLE_NAME \ --bigquery-source-dataset-name BIGQUERY_SOURCE_DATASET_NAME \ --bigquery-source-table-name BIGQUERY_SOURCE_TABLE_NAME
替换以下内容:
- PROJECT_ID:您的 Google Cloud 项目的唯一标识符。
- STREAM_ID:BigQuery 目标流的唯一标识符。
- STREAM_REGION:您的数据流的位置,例如
us-central1
。 - SOURCE_SCHEMA_NAME:源架构的名称。
- SOURCE_TABLE_NAME:源表的名称。
- BIGQUERY_SOURCE_DATASET_NAME:现有 BigQuery 数据集的名称。
- BIGQUERY_SOURCE_TABLE_NAME:现有 BigQuery 表的名称。
检查
output/create_target_table
和output/copy_rows
下的.sql
文件。以下是将在 Google Cloud 项目中执行的 SQL 命令:docker run -v output:/output -ti migration-service find output/create_target_table \ -type f -print -exec cat {} \;
docker run -v output:/output -ti migration-service find output/copy_rows \ -type f -print -exec cat {} \;
如需执行 SQL 命令,请在
full
模式下运行迁移。借助full
模式,您可以在 BigQuery 中创建表,并从现有 BigQuery 表中复制所有行:docker run -v output:/output -ti --volumes-from gcloud-config \ migration-service python3 ./migration/migrate_table.py full \ --project-id PROJECT_ID \ --stream-id STREAM_ID \ --datastream-region STREAM_REGION \ --source-schema-name SOURCE_SCHEMA_NAME \ --source-table-name SOURCE_TABLE_NAME \ --bigquery-source-dataset-name BIGQUERY_SOURCE_DATASET_NAME \ --bigquery-source-table-name BIGQUERY_SOURCE_TABLE_NAME
恢复已暂停的直播。
打开 Google Cloud Logs Explorer,然后查找具有以下查询的 Datastream 日志:
resource.type="datastream.googleapis.com/Stream" resource.labels.stream_id=STREAM_ID
查找以下日志,其中
%d
是一个数字:Completed writing %d records into..
此日志表示新数据流已成功将数据加载到 BigQuery 中。只有有要加载的 CDC 数据时,系统才会显示此选项。
从其他流水线迁移
该工具包还支持从其他流水线迁移到 Datastream 内置 BigQuery 解决方案。该工具包可以使用 dry_run
模式,根据源数据库架构为与 Datastream 兼容的 BigQuery 表生成 CREATE TABLE
DDL:
docker run -v output:/output -ti --volumes-from gcloud-config \
migration-service python3 ./migration/migrate_table.py dry_run \
--project-id PROJECT_ID \
--stream-id STREAM_ID \
--datastream-region STREAM_REGION \
--source-schema-name SOURCE_SCHEMA_NAME \
--source-table-name SOURCE_TABLE_NAME \
--bigquery-source-dataset-name BIGQUERY_SOURCE_DATASET_NAME \
--bigquery-source-table-name BIGQUERY_SOURCE_TABLE_NAME
由于 BigQuery 表架构可能有所不同,因此很难提供用于复制行的通用 SQL 语句。您可以使用源表 DDL 目录 (output/source_table_ddl
) 和目标表 DDL 目录 (output/create_target_table
) 中的架构,创建针对源列进行适当类型转换的 SQL 语句。
以下是您可以使用的示例 SQL 语句格式:
INSERT INTO DESTINATION_TABLE (DESTINATION_COLUMN1, DESTINATION_COLUMN2...)
SELECT SOURCE_COLUMN1, SOURCE_COLUMN2
FROM SOURCE_TABLE;
替换以下内容:
- DESTINATION_TABLE:BigQuery 中目标表的名称。
- DESTINATION_COLUMN:目标表中列的名称。
- SOURCE_COLUMN:源表中列的名称。
- SOURCE_TABLE:源表的名称。
限制
该工具包具有以下限制:
- 现有 BigQuery 表中的列名称需要与新 BigQuery 表中的列名称匹配(忽略元数据列)。如果您应用的 Dataflow 用户定义的函数 (UDF) 会更改现有表中的列名称(例如,通过添加前缀或更改大小写),则迁移将失败。
- 不支持跨区域和跨项目迁移。
- 迁移是按表进行的。
- 仅支持 Oracle 和 MySQL 源。