Data Online Migration：ossimport概述

支援特性

• 支援豐富的資料來源，包括本地檔案、七牛雲Kodo、百度BOS、Amazon S3、Azure Blob、又拍雲USS、騰訊雲COS、金山KS3、HTTP或HTTPS URL列表、阿里雲OSS等，並可根據需要擴充。

• 支援單機模式和分布式模式。單機模式部署簡單，使用方便，分布式模式適合大規模資料移轉。

  說明

  單機模式下一次只能遷移一個Bucket。

• 支援斷點續傳。

• 支援流量控制。

• 支援遷移指定時間以後的檔案、特定首碼的檔案。

• 支援並發資料下載和上傳。

計費說明

ossimport工具本身不收費。在公用雲端情況下，資料來源可能會產生公網流出流量、請求等費用，目的端為OSS會產生請求費用等。如果OSS開通和使用了傳輸加速，還會產生傳輸加速的費用。

注意事項

• 遷移速度

  ossimport遷移速度取決於源端的讀取頻寬、本網頻寬、檔案大小等因素。對於小於200 KB檔案的遷移，因IOPS使用率高的原因，可能會導致遷移較慢的問題。

• 源端資料為歸檔類型

  通過ossimport遷移資料時，如果源端資料為歸檔類型，您需要對這部分資料解凍完成後再進行遷移。

• 本地中轉

  通過ossimport遷移資料時，資料流會經過本地記憶體中轉後再上傳至目的端。

• 保留源端資料

  通過ossimport遷移資料時，僅對源端資料執行讀取操作，不對源端資料進行修改和刪除。

• 其他遷移工具（ossutil）

  對於遷移小於30 TB的資料，推薦使用ossutil。該工具簡單方便，通過-u，--update和--snapshot-path選項還可以實現檔案的增量遷移，詳細說明請參見cp。

運行環境

部署方式選擇

ossimport有單機模式和分布式模式兩種部署方式。

• 單機模式：當您需要遷移的資料小於30 TB時，推薦部署單機模式。您可以將ossimport部署在任意一台可以訪問您待遷移資料，且可以訪問OSS的機器上。

• 分布式模式：當您需要遷移的資料大於30 TB時，推薦部署分布式模式。您可以將ossimport部署在任意多台可以訪問您待遷移資料，且可以訪問OSS的機器上。

  說明

  當您待遷移的資料過大時，為了節約時間，您可以將ossimport部署到與您OSS相同地區的ECS執行個體上，並通過專線將來源資料存放的伺服器掛載到阿里雲VPC網路中。多台ECS執行個體將資料通過內網遷移至OSS，會極大的提升資料移轉效率。

  您也可以使用ossimport通過公網傳輸，傳輸速度受您本機伺服器的頻寬影響。

單機模式

Master、Worker、Tracker、Console運行在一台機器上，統一打包成ossimport2.jar。系統中有且只有一個Worker。

ossimport
├── bin
│ └── ossimport2.jar  # 包括Master、Worker、Tracker、Console四個模組的總jar
├── conf
│ ├── local_job.cfg   # 單機Job設定檔
│ └── sys.properties  # 系統運行參數設定檔
├── console.bat         # Windows命令列，可以分布執行調入任務
├── console.sh          # Linux命令列，可以分布執行調入任務
├── import.bat          # Windows一鍵匯入，執行設定檔為conf/local_job.cfg配置的資料移轉任務，包括啟動、遷移、校正、重試
├── import.sh           # Linux一鍵匯入，執行設定檔為conf/local_job.cfg配置的資料移轉任務，包括啟動、遷移、校正、重試
├── logs                # 日誌目錄
└── README.md           # 說明文檔，強烈建議使用前仔細閱讀

分布式模式

Master --------- Job --------- Console
    |
    |
   TaskTracker
    |_____________________
    |Task     | Task      | Task
    |         |           |
Worker      Worker      Worker

分布式模式下可以啟動多台機器執行資料移轉，每台機器上只能啟動一個Worker。Task平均分配到Worker上執行，一個Worker執行多個Task。

ossimport
├── bin
│ ├── console.jar     # Console模組jar包
│ ├── master.jar      # Master模組jar包
│ ├── tracker.jar     # Tracker模組jar包
│ └── worker.jar      # Worker模組jar包
├── conf
│ ├── job.cfg         # Job設定檔範本
│ ├── sys.properties  # 系統運行參數設定檔
│ └── workers         # Worker列表
├── console.sh          # 命令列工具，目前支援只Linux
├── logs                # 日誌目錄
└── README.md           # 說明文檔，強烈建議使用前仔細閱讀

設定檔

單機模式下有兩個設定檔sys.properties、local_job.cfg，分布式模式下有三個設定檔sys.properties、job.cfg、workers。其中local_job.cfg和job.cfg的配置項是完全一樣的，只是名稱不一樣，workers是分布式環境特有的。

• sys.properties：系統運行參數

  參數	含義	說明
  workingDir	工作目錄	工具包解壓後的目錄。單機模式下請不要修改此參數，分布式模式下每個機器的工作目錄必須相同。
  workerUser	Worker機器的ssh使用者名稱	如果配置了privateKeyFile ，則優先使用privateKeyFile。 如果沒有配置privateKeyFile，則使用workerUser/workerPassword。 單機模式不需要修改此參數。
  workerPassword	Worker機器的ssh使用者密碼	單機模式不需要修改此參數。
  privateKeyFile	private key檔案路徑	如果已經打通了ssh通道，則可以指定此參數，否則為空白。 如果配置了privateKeyFile，則優先使用privateKeyFile。 如果沒有配置privateKeyFile，則使用workerUser/workerPassword。 單機模式不需要修改此參數。
  sshPort	ssh連接埠	預設22，一般情況無需更改。 單機模式不需要修改此參數。
  workerTaskThreadNum	Worker執行Task的最大線程數	該參數與機器的記憶體/網路有關，建議值60 。 物理機可以適當加大，例如150 。如果網路頻寬已佔滿，請不要再加大。 如果網路較差，請適當降低，例如30。防止請求競爭網路造成大量請求逾時。
  workerMaxThroughput(KB/s)	worker資料移轉的資料傳輸量上限	該值能起到限流作用，預設0表示不限流。
  dispatcherThreadNum	Tracker的Task分發與狀態確認的線程數	預設值一般夠用，沒有特殊需要請不要修改預設值。
  workerAbortWhenUncatchedException	表示遇到未知錯誤時是跳過還是終止	預設跳過。
  workerRecordMd5	在OSS中是否使用中繼資料x-oss-meta-md5記錄遷移檔案的MD5值，預設不記錄。	主要用於使用者使用MD5校正檔案資料。

• job.cfg：資料移轉任務配置，local_job.cfg和job.cfg的配置項是完全一樣的，只是名稱不一樣。

  參數	含義	說明
  jobName	任務名字，字串。	任務的唯一標識，命名規則 [a-zA-Z0-9_-]{4,128}，支援提交多個名字不同的任務。 如果重複提交同名任務會提示任務已存在，清理（clean）同名任務前， 無法提交同名任務。
  jobType	任務類型，字串	預設為 import。
  isIncremental	是否開啟增量移轉模式，布爾類型。	預設值false。 如果設為true，會每間隔incrementalModeInterval（單位秒）重新掃描一次增量資料，並將增量資料移轉到OSS。
  incrementalModeInterval	增量模式下的同步間隔，整型，單位秒。	isIncremental=true時有效。可配置的最小間隔為900秒，不建議配置成小於3600秒的值，會浪費大量請求，造成額外的系統開銷。
  importSince	遷移大於該時間的資料，整型，單位秒。	該時間為 Unix時間戳記，即自1970年1月1日UTC零點以來的秒數，通過命令date +%s擷取。 預設為0，表示遷移全部資料。
  srcType	同步源類型，字串， 請注意大小寫。	支援以下類型： local：從本地檔案遷移資料到OSS，該選項只需要填寫srcPrefix， 不需要填寫srcAccessKey，srcSecretKey，srcDomain，srcBucket。 oss：從一個 OSS bucket 遷移到另一個 bucket。 qiniu：從七牛雲端儲存遷移到OSS。 bos：從百度的雲端儲存遷移到OSS。 ks3：從金山雲端儲存遷移到OSS。 s3：從 Amazon S3遷移到OSS。 youpai：從又拍雲遷移到OSS。 http：通過提供的HTTP或者HTTPS連結清單遷移資料到OSS。 cos：從騰訊雲端儲存COS遷移到OSS。 azure：從Azure Blob遷移到OSS。
  srcAccessKey	源AccessKey，字串。	如果srcType設定為oss、qiniu、baidu、ks3、s3，則填寫資料來源的AccessKey。 如果srcType設定為local、http，則該項不需要填寫。 如果srcType設定為youpai、azure，則填寫使用者名稱AccountName。
  srcSecretKey	源SecretKey，字串。	如果srcType設定為oss、qiniu、baidu、ks3、s3，則填寫資料來源的 SecretKey。 如果srcType設定為local、http，則該項不需要填寫。 如果srcType設定為youpai，則填寫操作員密碼。 如果srcType設定為azure，則填寫AccountKey。
  srcDomain	源Endpoint	如果srcType設定為local、http，則該項不需要填寫。 如果srcType設定為oss，則填寫從控制台擷取的網域名稱，非帶bucket首碼的次層網域。 如果srcType設定為qiniu，則填寫從七牛控制台擷取的對應bucket的網域名稱。 如果srcType設定為bos，則填寫百度BOS網域名稱，如http://bj.bcebos.com 或 http://gz.bcebos.com。 如果srcType設定為ks3，則填寫金山ks3網域名稱，如http://kss.ksyun.com或http://ks3-cn-beijing.ksyun.com或http://ks3-us-west-1.ksyun.coms。 如果srcType設定為S3， 則填寫Amazon S3各region的網域名稱。 如果srcType設定為youpai，則填寫又拍雲網域名稱，如自動判斷最優線路http://v0.api.upyun.com或電信線路http://v1.api.upyun.com或聯通網通線路http://v2.api.upyun.com或移動鐵通線路http://v3.api.upyun.com。 如果srcType設定為cos，則填寫騰訊雲bucket所在的地區，例如華南園區為ap-guangzhou。 如果srcType設定為azure，則填寫Azure Blob連接字串中的EndpointSuffix ，如core.chinacloudapi.cn。
  srcBucket	源bucket名字或container名稱	如果srcType設定為 local、http，則不需要填寫。 如果srcType設定為azure，則填寫container名稱。 其他填寫bucket名稱。
  srcPrefix	源首碼，字串，預設為空白	如果srcType設定為local，則填寫本地目錄，需要完整路徑，以單個正斜線（/）進行分割並且以單個正斜線（/）結尾，僅支援如c:/example/ 或者/data/example/ 的格式。 重要 c:/example//或 /data//example/ 或 /data/example//是非法的。 如果srcType設定為oss、qiniu、bos、ks3、youpai、s3，則填寫待同步object的首碼，不包括bucket名稱，如data/to/oss/。 如需同步所有檔案，則srcPrefix設定為空白 。
  destAccessKey	目的AccessKey，字串。	訪問OSS服務的AccessKey ID，請到阿里雲控制台查看。
  destSecretKey	目的SecretKey，字串。	訪問OSS的AccessKey Secret，請到阿里雲控制台查看。
  destDomain	目的endpoint，字串。	從阿里雲控制台擷取，非帶bucket首碼的次層網域，列表請參見網域名稱列表。
  destBucket	目的bucket，字串。	OSS的bucket名稱，不需要以/結尾。
  destPrefix	目標首碼，字串，預設為空白。	目標首碼，預設為空白，直接放在目標bucket下。 如果要將資料同步到oss的某個目錄下，請以/結尾，如data/in/oss/。 注意oss不支援以/作為檔案的開頭，所以destPrefix請不要配置以/作為開頭。 一個本地檔案路徑為srcPrefix+relativePath的檔案，遷移到oss的路徑為destDomain/destBucket/destPrefix +relativePath。 一個雲端檔案路徑為srcDomain/srcBucket/srcPrefix+relativePath的檔案，遷移到oss的路徑為destDomain/destBucket/destPrefix+relativePath。
  taskObjectCountLimit	每個Task最大的檔案數，整型，預設10000。	該配置項會影響到任務執行的並行度，一般配置為總檔案數/Worker總數/遷移線程數（workerTaskThreadNum） ，最大值不要超過50000，如果不知道總檔案數，請使用預設值。
  taskObjectSizeLimit	每個Task最巨量資料量，整型，單位bytes，預設1GB。	該配置項會影響到任務執行的並行度，一般配置為總資料量/Worker總數/遷移線程數（workerTaskThreadNum），如果不知道總資料量，請使用預設值。
  isSkipExistFile	資料移轉時是否跳過已經存在的檔案，布爾類型。	當設定為true時，根據檔案的size和LastModifiedTime判斷是否跳過；為false時，總是覆蓋OSS上已有檔案。預設為值為false。
  scanThreadCount	並行掃描檔案的線程數，整型。 預設值：1 有效值：1-32	該配置項與掃描檔案的效率有關，沒有特殊需求請不要修改。
  maxMultiThreadScanDepth	最大允許並行掃描目錄的深度，整型。 預設值：1 有效值：1-16	預設值1表示在頂級目錄間並行掃描。 沒有特殊需求不要修改，隨意配置過大值會導致任務無法正常運行 。
  appId	騰訊雲COS的appId ，整型。	srcType=cos時有效。
  httpListFilePath	HTTP列表檔案的絕對路徑，字串。	srcType=http時有效，源為HTTP連結地址時，需要提供內容為HTTP連結地址檔案的絕對路徑，如c:/example/http.list。 該檔案中的HTTP連結需要劃分成兩列，以一個或多個空格分開，分別代表首碼和上傳到OSS後的相對路徑。例如c:/example/http.list檔案內容如： http://xxx.xxx.com/aa/ bb.jpg http://xxx.xxx.com/cc/ dd.jpg 指定destPrefix為ee/，則遷移到OSS的檔案名稱如下： ee/bb.jpg ee/dd.jpg

• workers：分布式模式特有，每個IP一行。如：

  192.168.1.6
  192.168.1.7
  192.168.1.8

  • 上述配置情況下，第一行的192.168.1.6一定是 master ；即192.168.1.6上會同時啟動Master 、 Worker、TaskTracker。Console也需要在該機上運行。

  • 多個Worker機器的使用者名稱、登入方式、工作目錄請確保相同。

設定檔樣本

下表中是分布式部署下的資料移轉任務設定檔，單機的設定檔名是local_job.cfg，配置項與分布式部署時沒有區別。

進階設定

• 分時限流

  sys.properties中的workerMaxThroughput(KB/s)表示Worker流量的上限，如果業務需要限流，例如源端流控控制、網路限制等情況。該參數的值應該小於機器的最大網路流量，並根據業務需要評估。修改後需要重啟服務才會生效。

  分布式部署情況下，需要修改每個Worker的$OSS_IMPORT_WORK_DIR/conf下的sys.properties，然後重啟服務。

  要實現分時限流，可通過crontab定時修改sys.properties，然後重啟服務生效。

• 修改任務並發數

  • sys.properties中的workerTaskThreadNum表示Worker並發執行的任務數量，如果網路較差、並發大，會出現大量逾時錯誤，此時應該修改此配置，降低並發量，並重啟服務。

  • sys.properties中的workerMaxThroughput(KB/s)表示Worker流量的上限，如果業務需要限流，例如源端流控控制、網路限制等情況。該參數的值應該小於機器的最大網路流量，並根據業務需要評估。

  • job.cfg中的taskObjectCountLimit ，每個Task 最大的檔案數，預設10000。該參數會影響Task的數量，數量過小無法實現有效並發。

  • job.cfg中的taskObjectSizeLimit ， 每個Task最巨量資料量，預設1GB。該參數會影響Task的數量，數量過小無法實現有效並發。

    重要

    • 請在啟動遷移任務前，完成各項參數配置。

    • sys.properties中的參數修改後，重啟遷移伺服器後才會生效。

    • job.cfg任務提交後，任務的配置參數無法更改。

• 只校正不遷移資料

  ossimport支援只校正資料不遷移資料，設定任務設定檔job.cfg或local_job.cfg的配置項jobType為audit而不是import，其他配置與資料移轉相同。

• 資料移轉增量模式

  資料移轉增量模式，是指資料移轉任務啟動後，先進行一次全量遷移，每隔一段時間自動的進行增量資料移轉。第一次資料移轉任務為全量遷移，提交任務後立即啟動；後面的增量資料移轉每隔一個周期啟動一次。資料移轉增量模式適用於資料備份和資料同步。

  增量模式有兩個配置項：

  • job.cfg中的isIncremental ，表示是否開啟增量移轉模式， true表示開啟增量模式，false表示關閉增量模式，預設關閉。

  • job.cfg中的incrementalModeInterval，表示增量模式下的同步間隔，即增量資料移轉的間隔周期，單位秒。isIncremental=true時有效。可配置的最小值為900秒 ，不建議配置成小於3600秒的值，會浪費大量請求，造成額外的系統開銷。

• 指定遷移檔案的過濾條件

  遷移檔案的過濾條件，即只遷移滿足特定條件的檔案。ossimport支援指定首碼和最後修改時間：

  • job.cfg中的srcPrefix，用來指定遷移檔案的首碼，預設為空白。

    • 如果srcType=local，則填寫本地目錄。填寫時需要完整路徑，以正斜線（/）進行分割並且以正斜線（/）結尾，如c:/example/或/data/example/。

    • 如果srcType為oss、qiniu、bos、ks3、youpai、s3，則為待同步object的首碼，不包括bucket名稱。如data/to/oss/。遷移所有檔案時srcPrefix設定為空白。

  • job.cfg中的importSince，用來指定遷移檔案的最後修改時間，單位秒。importSince為Unix時間戳記，即自1970年1月1日UTC零點以來的秒數，通過命令date +%s擷取。預設值0，表示遷移全部資料。增量模式下只對第一次全量遷移有效，非增量模式對整個遷移任務有效。

    • 如果檔案的LastModified Time在importSince之前，檔案不被遷移。

    • 如果檔案的LastModified Time在importSince之後，檔案將被遷移。