TiDB Lightningを使用してデータを並行してインポートする

v5.3.0 以降、 TiDB Lightningのローカル バックエンド モードは単一テーブルまたは複数テーブルの並列インポートをサポートしています。複数のTiDB Lightningインスタンスを同時に実行することで、異なる単一のテーブルまたは複数のテーブルからデータを並行してインポートできます。このように、 TiDB Lightningは水平方向にスケーリングする機能を提供し、大量のデータのインポートに必要な時間を大幅に短縮します。

技術的な実装では、 TiDB Lightningは各インスタンスのメタデータとインポートされた各テーブルのデータをターゲット TiDB に記録し、異なるインスタンスの Row ID 割り当て範囲、グローバル チェックサムの記録、および TiKV の構成変更と回復を調整します。とPD。

次のシナリオでは、 TiDB Lightningを使用してデータを並行してインポートできます。

  • シャード スキーマとシャード テーブルをインポートします。このシナリオでは、複数のアップストリーム データベース インスタンスからの複数のテーブルが、異なるTiDB Lightningインスタンスによって並行してダウンストリーム TiDB データベースにインポートされます。
  • 単一のテーブルを並行してインポートします。このシナリオでは、特定のディレクトリまたはクラウド ストレージ (Amazon S3 など) に保存されている単一のテーブルが、異なるTiDB Lightningインスタンスによって並行して下流の TiDB クラスターにインポートされます。これは TiDB 5.3.0 で導入された新機能です。

ノート:

  • 並列インポートは、TiDB で初期化された空のテーブルのみをサポートし、既存のサービスによって書き込まれたデータを含むテーブルへのデータの移行はサポートしていません。そうしないと、データの不整合が発生する可能性があります。

  • 並列インポートは通常、ローカル バックエンド モードで使用されます。

  • 複数のTiDB Lightningインスタンスを使用して同じターゲットにデータをインポートする場合は、一度に 1 つのバックエンドのみを適用します。たとえば、ローカル バックエンド モードと TiDB バックエンド モードの両方で同時に同じ TiDB クラスターにデータをインポートすることはできません。

考慮事項

TiDB Lightningを使用したパラレル インポートでは、追加の構成は必要ありません。 TiDB Lightningを起動すると、下流の TiDB クラスターにメタデータを登録し、同時にターゲット クラスターにデータを移行している他のインスタンスが存在するかどうかを自動的に検出します。あれば自動的に並行輸入モードに入る。

ただし、データを並行して移行する場合は、次の点を考慮する必要があります。

  • 複数のシャード テーブル間で主キーまたは一意のインデックス間の競合を処理する
  • インポートのパフォーマンスを最適化する

主キーまたは一意のインデックス間の競合を処理する

ローカル バックエンド モードを使用してデータを並行してインポートする場合は、データ ソース間、およびターゲット TiDB クラスター内のテーブル間に主キーまたは一意のインデックスの競合がないこと、およびインポート中にターゲット テーブルにデータが書き込まれないことを確認してください。そうしないと、 TiDB Lightningはインポートされたデータの正確性を保証できず、インポートの完了後にターゲット テーブルに一貫性のないインデックスが含まれます。

インポートのパフォーマンスを最適化する

TiDB Lightningは、生成された Key-Value データを、対応するリージョンの各コピーが配置されている TiKV ノードにアップロードする必要があるため、インポート速度はターゲット クラスターのサイズによって制限されます。ターゲット TiDB クラスター内の TiKV インスタンスの数とTiDB Lightningインスタンスの数が n:1 より大きいことを確認することをお勧めします (n はリージョンのコピーの数です)。同時に、最適なインポート パフォーマンスを実現するには、次の要件を満たす必要があります。

  • 各TiDB Lightningインスタンスを専用マシンにデプロイします。デフォルトでは、1 つのTiDB Lightningインスタンスがすべての CPU リソースを消費するため、1 台のマシンに複数のインスタンスをデプロイしてもパフォーマンスは向上しません。
  • 並列インポートを実行する各TiDB Lightningインスタンスのソース ファイルの合計サイズは、5 TiB 未満にする必要があります。
  • TiDB Lightningインスタンスの総数は 10 未満にする必要があります。

TiDB Lightningを使用して共有データベースとテーブルを並行してインポートする場合は、データ量に応じて適切な数のTiDB Lightningインスタンスを選択してください。

  • MySQL データ ボリュームが 2 TiB 未満の場合は、1 つのTiDB Lightningインスタンスを並列インポートに使用できます。
  • MySQL データ ボリュームが 2 TiB を超え、MySQL インスタンスの総数が 10 未満の場合、各 MySQL インスタンスに 1 つのTiDB Lightningインスタンスを使用し、並列TiDB Lightningインスタンスの数が 10 を超えないようにすることをお勧めします。
  • MySQL データ ボリュームが 2 TiB を超え、MySQL インスタンスの総数が 10 を超える場合、これらの MySQL インスタンスによってエクスポートされたデータをインポートするために、5 ~ 10の TiDB Lightningインスタンスを割り当てることをお勧めします。

次に、このドキュメントでは 2 つの例を使用して、さまざまなシナリオでの並行輸入の操作手順を詳しく説明します。

  • 例 1: Dumpling + TiDB Lightningを使用して、シャードされたデータベースとテーブルを TiDB に並行してインポートする
  • 例 2: 単一のテーブルを並行してインポートする

制限

TiDB Lightningは、実行中に一部のリソースを排他的に使用します。複数のTiDB Lightningインスタンスを単一のマシン (本番環境には推奨されません) または複数のマシンで共有されるディスクにデプロイする必要がある場合は、次の使用制限に注意してください。

  • TiDB Lightningインスタンスごとに一意のパスにtikv-importer.sorted-kv-dirを設定します。複数のインスタンスが同じパスを共有すると、意図しない動作が発生する可能性があり、インポートの失敗やデータ エラーが発生する可能性があります。
  • 各TiDB Lightningチェックポイントを個別に保存します。チェックポイント構成の詳細については、 TiDB Lightningチェックポイントを参照してください。
    • checkpoint.driver = "file" (デフォルト) を設定する場合は、チェックポイントへのパスがインスタンスごとに一意であることを確認してください。
    • checkpoint.driver = "mysql" を設定する場合、インスタンスごとに一意のスキーマを設定する必要があります。
  • 各TiDB Lightningのログ ファイルは、一意のパスに設定する必要があります。同じログ ファイルを共有すると、ログのクエリとトラブルシューティングに影響します。
  • ウェブインターフェースまたは Debug API を使用する場合は、インスタンスごとに一意のアドレスにlightning.status-addrを設定する必要があります。そうしないと、ポートの競合が原因でTiDB Lightningプロセスの開始に失敗します。

例 1: Dumpling + TiDB Lightningを使用して、シャードされたデータベースとテーブルを並列で TiDB にインポートする

この例では、アップストリームが 10 個のシャード テーブルを持つ MySQL クラスターであり、合計サイズが 10 TiB であると想定しています。 5 つの TiDB Lightningインスタンスを使用して並列インポートを実行でき、各インスタンスは 2 TiB をインポートします。合計のインポート時間 (Dumplingのエクスポートに必要な時間を除く) は、約 40 時間から約 10 時間に短縮できると推定されます。

アップストリーム ライブラリの名前がmy_dbで、各シャード テーブルの名前がmy_table_01 ~ my_table_10であるとします。それらをマージして下流のmy_db.my_tableテーブルにインポートします。具体的な手順については、次のセクションで説明します。

ステップ 1: Dumplingを使用してデータをエクスポートする

TiDB Lightningがデプロイされている 5 つのノードで 2 つのシャード テーブルをエクスポートします。

  • 2 つのシャード テーブルが同じ MySQL インスタンスにある場合は、 Dumplingの--filterパラメータを使用してそれらを直接エクスポートできます。 TiDB Lightningを使用してインポートする場合、 Dumplingがデータをエクスポートするディレクトリとしてdata-source-dirを指定できます。
  • 2 つのシャード テーブルのデータが異なる MySQL ノードに分散されている場合は、 Dumplingを使用してそれらを個別にエクスポートする必要があります。エクスポートされたデータは、同じ親ディレクトリに配置する必要がありますが、異なるサブディレクトリに配置する必要があります。 TiDB Lightningを使用して並列インポートを実行する場合、親ディレクトリとしてdata-source-dirを指定する必要があります。

Dumplingを使用してデータをエクスポートする方法の詳細については、 Dumplingを参照してください。

ステップ 2: TiDB Lightningデータソースを構成する

構成ファイルtidb-lightning.tomlを作成し、次の内容を追加します。

[lightning]
status-addr = ":8289"

[mydumper]
# Specify the path for Dumpling to export data. If Dumpling performs several times and the data belongs to different directories, you can place all the exported data in the same parent directory and specify this parent directory here.
data-source-dir = "/path/to/source-dir"

[tikv-importer]
# Whether to allow importing data to tables with data. The default value is `false`.
# When you use parallel import mode, you must set it to `true`, because multiple TiDB Lightning instances are importing the same table at the same time.
incremental-import = true
# "local": The default mode. It applies to large dataset import, for example, greater than 1 TiB. However, during the import, downstream TiDB is not available to provide services.
# "tidb": You can use this mode for small dataset import, for example, smaller than 1 TiB. During the import, downstream TiDB is available to provide services.
backend = "local"

# Specify the path for local sorting data.
sorted-kv-dir = "/path/to/sorted-dir"

# Specify the routes for shard schemas and tables.
[[routes]]
schema-pattern = "my_db"
table-pattern = "my_table_*"
target-schema = "my_db"
target-table = "my_table"

データ ソースが Amazon S3 や GCS などの外部ストレージに保存されている場合は、 外部ストレージを参照してください。

ステップ 3: TiDB Lightningを起動してデータをインポートする

並行インポート中、各TiDB Lightningノードのサーバー構成要件は、非並行インポート モードと同じです。各TiDB Lightningノードは同じリソースを消費する必要があります。それらを異なるサーバーにデプロイすることをお勧めします。詳細な導入手順については、 TiDB Lightningをデプロイを参照してください。

各サーバーで順番にTiDB Lightningを開始します。 nohupを使用してコマンド ラインから直接起動すると、SIGHUP シグナルが原因で終了する場合があります。したがって、スクリプトにnohupを入れることをお勧めします。たとえば、次のようになります。

# !/bin/bash
nohup tiup tidb-lightning -config tidb-lightning.toml > nohup.out &

並行インポート中、 TiDB Lightningはタスクの開始後に次のチェックを自動的に実行します。

  • ローカル ディスク ( sort-kv-dir構成で制御) と TiKV クラスターに、データをインポートするための十分なスペースがあるかどうかを確認します。必要なディスク容量については、 ダウンストリームのストレージ容量要件およびリソース要件を参照してください。 TiDB Lightningはデータ ソースをサンプリングし、サンプル結果からインデックス サイズのパーセンテージを推定します。推定にはインデックスが含まれているため、ソース データのサイズがローカル ディスクの使用可能な領域よりも小さい場合がありますが、それでもチェックは失敗します。
  • TiKV クラスター内のリージョンが均等に分散されているかどうか、および空のリージョンが多すぎるかどうかを確認します。空の領域の数が max(1000, テーブル数 * 3) を超える場合、つまり、「1000」または「テーブル数の 3 倍」のいずれか大きい方より大きい場合、インポートは実行できません。
  • データソースから順番にデータがインポートされているか確認してください。 mydumper.batch-sizeのサイズは、チェックの結果に基づいて自動的に調整されます。したがって、 mydumper.batch-size構成は使用できなくなりました。

チェックをオフにして、 lightning.check-requirementsの構成で強制インポートを実行することもできます。詳細なチェックについては、 TiDB Lightningの事前チェックを参照してください。

ステップ 4: インポートの進行状況を確認する

インポートを開始したら、次のいずれかの方法で進行状況を確認できます。

  • grepログ キーワードprogressで進行状況を確認します。デフォルトでは 5 分ごとに更新されます。
  • 監視コンソールで進行状況を確認します。詳細については、 TiDB Lightningモニタリングを参照してください。

すべてのTiDB Lightningインスタンスが完了するまで待ってから、インポート全体が完了します。

例 2: 単一のテーブルを並行してインポートする

TiDB Lightningは、単一テーブルの並列インポートもサポートしています。たとえば、異なるTiDB Lightningインスタンスによって Amazon S3 に格納された複数の単一テーブルを、下流の TiDB クラスターに並行してインポートします。この方法により、全体的なインポート速度を高速化できます。外部ストレージの詳細については、 外部ストレージ ) を参照してください。

ノート:

ローカル環境では、 Dumplingの--filesizeまたは--whereパラメータを使用して、1 つのテーブルのデータを複数のパーツに分割し、複数のサーバーのローカル ディスクに事前にエクスポートできます。このようにして、並行インポートを引き続き実行できます。構成は例 1 と同じです。

ソースファイルが Amazon S3 に保存されていると仮定すると、テーブルファイルはmy_db.my_table.00001.sql ~ my_db.my_table.10000.sqlで、合計 10,000 個の SQL ファイルです。インポートを高速化するために 2 つの TiDB Lightningインスタンスを使用する場合は、構成ファイルに次の設定を追加する必要があります。

[[mydumper.files]]
# the db schema file
pattern = '(?i)^(?:[^/]*/)*my_db-schema-create\.sql'
schema = "my_db"
type = "schema-schema"

[[mydumper.files]]
# the table schema file
pattern = '(?i)^(?:[^/]*/)*my_db\.my_table-schema\.sql'
schema = "my_db"
table = "my_table"
type = "table-schema"

[[mydumper.files]]
# Only import 00001~05000 and ignore other files
pattern = '(?i)^(?:[^/]*/)*my_db\.my_table\.(0[0-4][0-9][0-9][0-9]|05000)\.sql'
schema = "my_db"
table = "my_table"
type = "sql"

05001 ~ 10000のデータ ファイルのみをインポートするように、他のインスタンスの構成を変更できます。

その他の手順については、例 1 の関連する手順を参照してください。

エラー処理

一部のTiDB Lightningノードが異常終了する

並列インポート中に 1 つ以上のTiDB Lightningノードが異常終了した場合は、ログに記録されたエラーに基づいて原因を特定し、エラーの種類に従ってエラーを処理します。

  • エラーが通常の終了 (たとえば、kill コマンドに応じた終了) または OOM によるオペレーティング システムによる終了を示している場合は、構成を調整してからTiDB Lightningノードを再起動します。

  • ネットワーク タイムアウトなど、エラーがデータの精度に影響を与えない場合は、失敗したすべてのノードで tidb-lightning-ctl を使用してcheckpoint-error-ignoreを実行し、チェックポイント ソース データのエラーを消去します。次に、これらのノードを再起動して、チェックポイントからのデータのインポートを続行します。詳細については、 チェックポイント エラー無視を参照してください。

  • ソース ファイル内の無効なデータを示すチェックサムの不一致など、データの不正確さをもたらすエラーがログに報告されている場合は、失敗したすべてのノードで tidb-lightning-ctl を使用してcheckpoint-error-destroyを実行し、失敗したテーブルにインポートされたデータとチェックポイント ソース データ。詳細については、 チェックポイント エラー破棄を参照してください。このコマンドは、失敗したテーブルにインポートされたデータをダウンストリームで削除します。そのため、 filtersパラメータを使用して、すべてのTiDB Lightningノード (正常に終了したノードを含む) で失敗したテーブルのデータを再構成してインポートする必要があります。

インポート中に、「ターゲット テーブルはチェックサムを計算しています。チェックサムが完了するまで待ってから、もう一度やり直してください」というエラーが報告される

一部の並行インポートには、多数のテーブルまたは少量のデータを含むテーブルが含まれます。この場合、1 つ以上のタスクがテーブルの処理を開始する前に、このテーブルの他のタスクが終了し、データ チェックサムが進行中である可能性があります。このとき、エラーTarget table is calculating checksum. Please wait until the checksum is finished and try againが報告されます。この場合、チェックサムの完了を待ってから、失敗したタスクを再開できます。エラーはなくなり、データの精度は影響を受けません。

エコシステム
TiDB
TiKV
TiSpark
Chaos Mesh
© 2022 PingCAP. All Rights Reserved.