title: PgSQL · 最佳实践 · 云上的数据迁移
author: 义从
背景
大多数使用云产品作为 IT 解决方案的客户同时使用多款云产品是一个普遍现象。
用户在多款云产品之间转移数据成为一个基础的需求。
例如
- 1. 用户把线下机房中的 Oracle 数据库中的数据 迁移到云上 RDS PPAS 中。
- 2. 使用 RDS MYSQL 做为数据库支撑交易型业务场景，同时使用 HybridDB for PostgreSQL 作数据仓库解决方案。
- 3. 把 ODPS 中的大量数据导入到 HybridDB for PostgreSQL 进行实时分析。
上述场景都不可避免的需要进行云上的数据迁移。本文给大家聊聊这方面的一些解决方案，希望能帮助大家用好云产品。
一：关于硬件
在开始数据迁移之前，我们要对云相关的硬件有一些了解，这往往决定了我们能做到的最好情况，有助于我们选择最终解决方案。
1. 同一可用区
如果数据在云上，且在同一可用区间进行交换，那么恭喜你，这是最有效率的数据交换方式，也是我们最推荐的场景。数据应该尽量在一个可用区。
现阶段的云产品所配置的网络最差都是千兆网络，万兆网络基本普及。数据的迁移在一个可用区间经过的交换机最小，因此延迟低，带宽较大，可以做到比较理想的吞吐量。
因此，后端数据库、前端ECS和存放大量数据的 OSS 都应该在选择在同一个可用区。
2. 跨可用区、城市间可用区
部分有较高可用性要求的客户，会选择同城多可用区部署，甚至跨城市部署。进一步，阿里云有很多数据产品支持原生的多可用区部署方案。
阿里云在同城或跨城市的可用区间是通过专线网络连接。在这样的网络产品中交换数据效率虽然没有再同一可用区高，但依然能保证较高的网络质量。
从网络通讯效率角度，从高到低自然是：
同可用区 > 同城多可用区间 > 跨城多可用区间
例如：
(华东一 可用区B 内部) > (华东一 可用区B 和 华东一 可用区C 间) > (华东一 可用区B 和 华北一 可用区B 间)
3. 公网和 VPN 网络
这是效率最差的情况，也是背景章节中的数据上云场景的典型。因为该场景的物理通道是公共的且不可控。往往延迟较大，且质量有较大波动。
先天不足，自然需要用软件做适当的弥补，通常建议用户选取具有下列特性的软件或服务。
- a: 支持重试机制，支持断点续传，大任务不能由于一个异常导致整个失败。
- b: 支持并发机制，使用大并发增大吞吐量。
- c: 使用增量数据迁移减少服务的停机时间。
接下来聊一聊数据交换中的数据格式问题。
二：关于数据格式
在不同数据产品间转移数据通常有两种方式
1. 不落地的数据迁移
软件或服务同时连接到源数据端和目的端，把数据从源端拉出来，转换成目的端识别的格式后立即写入到目的端。
该方法不需要数据中转空间，但要求的网络质量较高。如果数据量超大，如 TB 级，那么迁移时间也比较长。
阿里云开源产品 rds_dbsync, CDP（dataX, 云服务 DTS 都属于这类。
2. 通过通用文件格式的数据迁移
如果您的数据量较大，则建议使用离线迁移转移数据，例如几十 TB 的数仓数据。
离线迁移是指把全量数据导出成一种通用的数据格式，再导入到目的数据库。
相比不落地数据迁移，他有这些优势
- 1）离线导出的数据通常都会进行压缩，压缩比一般在 1：2 到 1：5 之间，能较大节省网络开销，从而提升整体效率。
- 2）离线方式很容易并行化，并行是提高效率的最有效手段。
基于文件的数据迁移，文件的格式是其中的关键。文件需要明确的交代数据的组织方式。
目前常用的文件格式有： TXT/CSV TSV ORC Parquet protobuf 等。
这里部分数据格式已经自带数据压缩，例如 ORC Parquet。 对于未压缩的格式，如 CSV 可以自由选择数据压缩格式，例如 gzip bzip2 snappy 等。
2.1 通过 TEXT/CSV 文件中转数据
- 对于结构化数据，比较理想的数据格式是 CSV，CSV 是一种通用的数据格式标准，格式简单且透明，大家可以参考资料：CSV文件标准。
- PostgreSQL CSV 参数在资料2中。适用于社区和阿里云的 PostgreSQL 已经 Greenplum 和 HybridDB for PostgreSQL。
- 任何符合 CSV 标准的文件都可以导入 PostgreSQL 系列产品。
CSV 相对简单的文本格式的优势是定义了清楚的语意，用于很容易处理一些复杂的场景
- CSV 行分割符号是 ‘\n’ ，也就是换行符
- DELIMITER 用于定义列的分割符
- 当用户数据中包括 DELIMITER 时，则需要配合 QUOTE 参数。
- 推荐的列分割符有 ‘,’、‘\t‘ 、‘|’ 或一些不常出现的字符。
- QUOTE 以列为单位包裹有特殊字符的用户数据
- 用户包含有特殊字符的字符串会被 QUOTE 包裹，用于区分用户数据和控制字符。
- 如果不必要，例如整数，数据不会被 QUOTE 包裹（用于优化效率）。
- QUOTE 不能和 DELIMITER 相同，默认 QUOTE 是双引号。
- 当用户数据中包含了 QUOTE 字符，则需要使用转义字符 ESCAPE 加以区分。
- ESCAPE 特殊字符转义
- 转义字符出现在需要转义的特殊字符前，表示它不是一个特殊字符
- ESCAPE 默认和 QUOTE 相同，也就是双引号。
- 也支持设置成 ‘\’(MySQL 默认的转义字符)或别的字符。
这是典型的 TEXT 和 CSV 文件中默认的控制字符
| 控制字符 \ 格式 | TEXT | CSV |
|---|---|---|
| DELIMITER（列分割符） | \t （tab） | , （comma） |
| QUOTE（摘引） | " （double-quote） | "（double-quote） |
| ESCAPE（转义） | (不适用) | 和 QUOTE 相同 |
| NULL（空值） | \N （backslash-N） | （无引号的空字符串） |
所有的控制字符都必须是单字节字符
2.2 用 OSS 中专数据
OSS 和 AWS 的 S3 一样，是云上廉价的存储服务，它打通了几乎所有的云产品。我们推荐用户使用它来中专大容量数据。
OSS 支持跨可用区数据转储数据（跨区域复制），用户可以很高效的把大量数据转移到另一个可用区。
目前，云裳的 PostgreSQL 和 HybridDB for PostgreSQL 都支持 OSS 数据源的读写。
- PostgreSQL + OSS 读写外部数据源 oss_fdw
- HybridDB for PostgreSQL + OSS 并行的导入导出数据 oss_ext
总结
本期分享了云上和数据转移相关的几个简单技巧，希望能帮到大家用好云。我们的产品在快速迭代，也请大家多反馈问题，帮助我们进步。
参考资料
- CSV 格式标准
- PostgreSQL COPY
- PostgreSQL + OSS oss_fdw
- HybridDB for PostgreSQL COPY
- HybridDB for PostgreSQL + OSS oss_ext
- 阿里云开源软件 rds_dbsync
- SLS 支持投递 CSV 格式的数据到 OSS