Hadoop数据迁移工具DistCp

DistCp 介绍

DistCp( distributed copy )是用于大型内部和集群之间拷贝的工具。 它使用Map/Reduce实现文件分发，错误处理和恢复，以及报告生成。 它把文件和目录的列表作为map任务的输入，每个任务会完成源列表中部分文件的拷贝。

Distcp用法

基本用法

集群间复制

# nn1是源集群，nn2是目标集群
hadoop distcp hdfs://nn1:8020/foo/bar hdfs://nn2:8020/bar/foo

这会将nn1 上的/foo/bar下的命名空间扩展为一个临时文件， 将其内容划分到一组map任务中，并在每个NodeManager上执行从nn1到nn2的拷贝任务。

指定多个源目录

hadoop distcp hdfs://nn1:8020/foo/a hdfs://nn1:8020/foo/b
hdfs://nn2:8020/bar/foo

或者使用 -f 选项，从文件中获取多个源：

hadoop distcp -f hdfs://nn1:8020/srclist hdfs://nn2:8020/bar/foo

其中srclist的内容：

hdfs://nn1:8020/foo/a
hdfs://nn1:8020/foo/b

指定map数

# -m 参数指定map数，即并行度
hadoop distcp -m 30 hdfs://nn1:8020/foo/bar hdfs://nn2:8020/bar/foo

指定拷贝策略

# -overwrite 覆盖目标
hadoop distcp -overwrite hdfs://nn1:8020/foo/bar hdfs://nn2:8020/bar/foo
# -update 源文件和目标文件大小、块大小和校验和不同则覆盖
hadoop distcp -update hdfs://nn1:8020/foo/bar hdfs://nn2:8020/bar/foo

指定运行参数

# -D 指定运行参数，可指定多个参数
hadoop distcp -D ipc.client.fallback-to-simple-auth-allowed=true hdfs://nn1:8020/foo/bar hdfs://nn2:8020/bar/foo

命令行选项

标识	描述	备注
-p[rbugpaxt]	Preserve r: replication number b: block size u: user g: group p: permission c: checksum-type a: ACL x: XAttr t: timestamp	当指定-update时，状态更新将不会同步，除非文件大小也不同(即文件被重新创建)。如果指定了-pa, DistCp也会保留权限，因为acl是权限的超集。选项-pr只有在源目录和目标目录都没有被擦除编码时才有效。
-i	忽略失败	就像在附录中提到的，这个选项会比默认情况提供关于拷贝的更精确的统计， 同时它还将保留失败拷贝操作的日志，这些日志信息可以用于调试。最后，如果一个map失败了，但并没完成所有分块任务的尝试，这不会导致整个作业的失败。
-log	写入日志的目录	DistCp为每个文件的每次尝试拷贝的操作都记录日志，并把日志作为map的输出。 如果一个map失败了，当重新执行这个map时，这个日志不会被保留。
-v	在 SKIP/COPY 日志中记录附加信息（路径、大小）	此选项只能与 -log 选项一起使用。
-m	同时拷贝的最大数量	指定了拷贝数据时map的数目。请注意，并不是map数越多吞吐量越大。
-overwrite	覆盖目标	如果map失败且未指定-i，则拆分中的所有文件（不仅是失败的文件）都将被重新拷贝。正如使用文档中所说到的那样，它还更改了生成目标路径的语义，因此用户应谨慎使用它。
-update	如果源和目标的大小、块大小或校验和不同，则覆盖	如前所述，这不是“sync”操作。检查的标准是源和目标文件大小、块大小和校验和；如果它们不同，源文件将替换目标文件。正如使用文档中所讨论的那样，它还更改了生成目标路径的语义，因此用户应谨慎使用它。
-append	具有相同名称但不同长度的文件的增量副本	如果源文件的长度大于目标文件的长度，则比较公共长度部分的校验和。如果校验和匹配，则使用读取和附加功能仅复制差异部分。-append选项仅适用于-update，不适用于-skipcrccheck
-f	使用 中的列表作为 src 列表	这相当于在命令行中列出每个源目录。urilist_uri列表应该是一个完全合法的URI。
-filters	一个包含正则表达式列表的文件的路径，该文件中每行一个正则表达式。与正则表达式匹配的路径将从拷贝任务中排除。	支持 java.util.regex.Pattern 指定的正则表达式。
-filelimit	限制文件总数小于等于n	已弃用！在新的 DistCp 中被忽略。
-sizelimit	限制总大小为小于等于n字节	已弃用！在新的 DistCp 中被忽略。
-delete	删除dst中存在但src中不存在的文件	删除是由 FS Shell 完成的。因此，如果它被使用，trash也将被使用。删除仅适用于-update或-overwrite选项。
-strategy{dynamic|uniformsize}	选择要在 DistCp 中使用的复制策略。	默认情况下，使用uniformsize。Map根据每个map复制的文件的总大小进行平衡，类似于遗留。如果指定了“dynamic”，则使用DynamicInputFormat。
-bandwidth	指定每个map的带宽，单位是MB/秒	每个map将被限制仅使用指定的带宽。这并不一定是精确的。在复制期间，map会减少其带宽消耗，使所使用的网络带宽趋向于指定的值。
-atomic {-tmp }	指定原子提交，带有可选的tmp目录。	-atomic命令DistCp将源数据复制到一个临时目录，然后将临时目录原子移动到最终目录。数据要么以完整一致的形式在最终目录处可用，要么完全不可用。可选项，-tmp可以用来指定临时目录位置。如果未指定，则选择默认值。注意：临时目录必须在最终目录的集群上。
-async	异步运行 DistCp。Hadoop 作业启动后立即退出。	Hadoop Job-id被记录下来，以便跟踪。
-diff	使用给定两个快照之间的快照差异报告来识别源和目标之间的差异，并将差异应用于目标，使其与源同步。	此选项仅与-update选项一起时有效，并且应满足以下条件。 1. 源文件系统和目标文件系统都必须是DistributedFileSystem。 2. 在源FS上已经创建了两个快照和，且比早。 3. 目标具有相同的快照。自从创建以来，没有对目标做任何更改，因此的内容与目标的当前状态相同。目标中的所有文件/目录与源的相同。
-rdiff	使用给定两个快照之间的快照差异报告，以确定自从在目标上创建快照以来，目标上发生了哪些更改，并将差异反向应用到目标，并从源的复制修改后的文件，使目标与相同。	此选项仅与-update选项一起时有效，且应满足以下条件。 1. 源文件系统和目标文件系统都必须是DistributedFileSystem。源和目标可以是两个不同的集群/路径，也可以是完全相同的集群/路径。在后一种情况下，修改后的文件将从目标的复制到目标的当前状态)。 2. 在目标FS上已经创建了两个快照和，且比早。自从在目标上创建以来，没有在目标上做任何更改。 3. 源有相同的快照，它的内容与目标上的相同。目标的中的所有文件或目录与源的相同。
-numListstatusThreads	用于构建文件列表的线程数	最多 40 个线程。
-skipcrccheck	是否跳过源路径和目标路径之间的 CRC 检查。
-blocksperchunk	每个块的块数。指定后，将文件分割成块以并行复制。	如果设置为正值，大于这个值的块将被分割成块的块，以便并行传输，并在目标上重新组装。默认情况下，是0，文件将被完整地传输，而不会被分割。此开关仅适用于源文件系统实现了getBlockLocations方法，目标文件系统实现了concat方法的情况。
-copybuffersize	要使用的复制缓冲区的大小。默认情况下，设置为8192B
-xtrack	将缺少源文件的信息保存到指定路径。	此选项仅对-update选项有效。这是一个实验属性，不能与-atomic选项一起使用。
-direct	直接写入目标路径	当目标是对象存储时，可用于避免可能非常昂贵的临时文件重命名操作。