10亿数据，如何做迁移？

10亿数据，如何做迁移？

一、分而治之 若把数据迁移比作吃蛋糕，没人能一口吞下整个十层蛋糕； 必须切成小块细嚼慢咽。

避坑案例：线程池滥用引发的血案 某团队用100个线程并发插入新库，结果目标库死锁频发。 最后发现是主键冲突导致——批处理必须兼顾顺序和扰动。

二、双写 经典方案是停机迁移，但对10亿数据来说停机成本难以承受，双写方案才是王道。

双写的三种段位： 青铜级：先停写旧库→导数据→开新库 →风险：停机时间不可控 黄金级：同步双写+全量迁移→差异对比→切流 →优点：数据零丢失 王者级：逆向同步兜底（新库→旧库回写），应对切流后异常场景

当然双写分为： 同步双写 异步双写 同步双写实时性更好，但性能较差。 异步双写实时性差，但性能更好。

三、用好工具 工具名称 适用场景 10亿数据速度参考 mysqldump 小型表全量导出 不建议（可能天级） MySQL Shell InnoDB并行导出 约2-4小时 DataX 多源异构迁移 依赖资源配置 Spark 跨集群大数据量ETL 30分钟-2小时

Spark迁移核心代码片段：

val jdbcDF = spark.read  
    .format("jdbc")  
    .option("url", "jdbc:mysql://source:3306/db")  
    .option("dbtable", "users")  
    .option("partitionColumn", "id")  
    .option("numPartitions", 100) // 按主键切分100个区  
    .load()  

jdbcDF.write  
    .format("jdbc")  
    .option("url", "jdbc:mysql://target:3306/db")  
    .option("dbtable", "new_users")  
    .mode(SaveMode.Append)  
    .save()

避坑经验： 分区数量应接近Spark执行器核数，太多反而降低效率 分区字段必须是索引列，防止全表扫

四、影子测试 - 迁移后的数据一致性验证 影子库验证流程： 生产流量同时写入新&旧双库（影子库） 对比新旧库数据一致性（抽样与全量结合） 验证新库查询性能指标（TP99/TP95延迟）

五、回滚 即便做好万全准备，也要设想失败场景的回滚方案

回滚预案关键点： 备份快照：迁移前全量快照（物理备份+ Binlog点位） 流量回切：准备路由配置秒级切换旧库 数据标记：新库数据打标，便于清理脏数据

处理10亿数据的核心： 分而治之：拆解问题比解决问题更重要 逐步递进：通过灰度验证逐步放大流量 守牢底线：回滚方案必须真实演练过 没有百分百成功的迁移，只有百分百准备的Plan B！