关于hadoop:Distcp的那点事

[TOC]

灵魂拷问：你真的理解 distcp 吗？这里说的就是 distcp 的那点事

背景

明天在整顿笔记的时候，发现了好几篇长期记录都是记录的集群间文件复制须要留神的中央，尽管记录的货色和重点不同，然而外围的货色都是 distcp 相干的，所以，感觉还是有点必要归总一下，这篇文章的内容次要是一点细节问题，更多的是偏重 在遇到疑难的时候如何疾速去找到本人的答案
参考地址

概述

首先，distcp 是个什么货色呢, 从字面意思来说就是 distributed copy(分布式拷贝)，也就是说将原来以一个人做的事件，摊派给很多人来并行处理，当然这个工作分工的粒度是 基于文件 的，也就是说只有一个文件，那么这个拷贝最多也就只能一个人来实现

根本用法

# 能够应用 hdfs 协定（同版本 hadoop），也能够是用 hftp 协定(不同版本 hadoop 可用)
hadoop distcp hdfs://nn1:8020/foo/bar hdfs://nn2:8020/bar/foo
# 同时能够指定多个数据源进行拷贝
hadoop distcp hdfs://nn1:8020/foo/bar1 hdfs://nn2:8020/foo/bar2 hdfs://nn3:8020/bar/foo
# 也能够应用 -f，字面意思就是 -file 也就是我的数据源 source 是以绝对路径模式列表存储一个文件中

参数阐明

这里就不一一翻译每一个参数的中文意思，根本都能直译是什么意思，这里次要说一下我感觉应用上可能须要留神的细节问题

[yourFather@hadoop-onedata ~]$ hadoop distcp --help
usage: distcp OPTIONS [source_path...] <target_path>
              OPTIONS
 -append                Reuse existing data in target files and append new
                        data to them if possible
 -async                 Should distcp execution be blocking
 -atomic                Commit all changes or none
 -bandwidth <arg>       Specify bandwidth per map in MB
 -delete                Delete from target, files missing in source
 -diff <arg>            Use snapshot diff report to identify the
                        difference between source and target
 -f <arg>               List of files that need to be copied
 -filelimit <arg>       (Deprecated!) Limit number of files copied to <= n
 -i                     Ignore failures during copy
 -log <arg>             Folder on DFS where distcp execution logs are
                        saved
 -m <arg>               Max number of concurrent maps to use for copy
 -mapredSslConf <arg>   Configuration for ssl config file, to use with
                        hftps://
 -overwrite             Choose to overwrite target files unconditionally,
                        even if they exist.
 -p <arg>               preserve status (rbugpcaxt)(replication,
                        block-size, user, group, permission,
                        checksum-type, ACL, XATTR, timestamps). If -p is
                        specified with no <arg>, then preserves
                        replication, block size, user, group, permission,
                        checksum type and timestamps. raw.* xattrs are
                        preserved when both the source and destination
                        paths are in the /.reserved/raw hierarchy (HDFS
                        only). raw.* xattrpreservation is independent of
                        the -p flag. Refer to the DistCp documentation for
                        more details.
 -sizelimit <arg>       (Deprecated!) Limit number of files copied to <= n
                        bytes
 -skipcrccheck          Whether to skip CRC checks between source and
                        target paths.
 -strategy <arg>        Copy strategy to use. Default is dividing work
                        based on file sizes
 -tmp <arg>             Intermediate work path to be used for atomic
                        commit
 -update                Update target, copying only missingfiles or
                        directories

1. –append,–overwrite,–update 之间的关系

1. -m

这个很好解释，应为 distcp 应用的是 mapreduce 模型，和 sqoop 有点相似，所以 - m 就是 -map，说的就是并行度，启动 最多 多少个 map 来同时拷贝，为什么说最多呢，因为拷贝是基于文件的(严格来说应该是 block)，一个文件拆成多份拷贝的难度必定要略微大一点，所以如果 source 只有一个文件，那么 - m 指定多少个，也都只会有一个 map task 执行拷贝工作

1. -i

疏忽失败，就是如果拷贝工作比拟重，资源缓和时很有可能会中途失败啥的，然而又不像每次重启工作从新全量拷贝，这里能够思考疏忽失败，后续执行的时候的再增量拷贝

1. -strategy

拷贝策略问题，默认是依照文件的大小进行工作的拆分，可选参数为dynamic|uniform，默认是每个拷贝工作拷贝雷同的字节数

1. -p

字面意思就是保留到指标零碎中文件的 status，包含正本、block 大小、用户权限等，当然默认必定是和指标零碎保持一致

1. -bandwidth

很显著，就是带宽大小，因为 distcp 没有计算逻辑，属于 io 密集型工作，集群迁徙的时候须要对带宽的应用有严格的把控，这个参数就是管制 map 的应用带宽，那么限度 distcp 工作个数以及 distcp 工作的 map 个数即可管制整体迁徙程序的带宽应用

QA

这里记录的是我在应用的时候遇到的小问题，并不一定是什么原理优化的问题，就是应用上可能会产生疑难或者歧义的中央

Q1: 如果拷贝的时候，数据呈现抵触，会有什么后果？
A1: 如果 soure 呈现同名文件，distcp 工作会产生失败并打印出错日志；如果目标目录曾经存在待拷贝的文件，默认会疏忽掉源文件的拷贝工作，当然也能够设置报错；如果有另外的过程向指标文件中写数据也会报错并打印日志

Q2:distcp 的工作部署地位有要求吗？
A2: 只要求运行 distcp 工作的节点或者说 task 可能和上下游进行拜访交互即可，并不要求部署的地位，理论状况个别部署在指标集群的节点上

Q3:distcp 工作在做大数据迁徙的时候须要留神什么？
A3:distcp 工作是大 io 的工作，所以带宽是限度因素，能够写一个监控集群机器带宽 (shell/python 尤佳) 的脚本，而后在闲暇工夫去启动迁徙工作

附录

# 样例 1：复制目录的时候上游会主动生成目录，无需手动增加，如下
time hadoop distcp hdfs://nn1:8020/user/hive/warehouse/${database}.db/${table}/dt=${partition}  hdfs://nn2:8020/user/hive/warehouse/${database}.db/${table} >> /logs/distcp/${database}.log

# 样例 2：多参数的拷贝
hadoop distcp \
    -Dmapred.jobtracker.maxtasks.per.job=1800000 \   #工作最大 map 数（数据分成多 map 工作）-Dmapred.job.max.map.running=4000 \              #最大 map 并发
    -Ddistcp.bandwidth=150000000 \                   #带宽
    -Ddfs.replication=2 \                            #复制因子，两正本
    -Ddistcp.skip.dir=$skipPath \                    #过滤的目录（不拷贝的目录）-Dmapred.map.max.attempts=9 \                    #每个 task 最大尝试次数
    -Dmapred.fairscheduler.pool=distcp \             #指定工作运行的 pool
    -pugp \                                          #保留属性（用户，组，权限）-i \                                             #疏忽失败的 task
    -skipcrccheck \                                  #疏忽 CRC 校验（避免源，指标集群 hdfs 版本不统一导致工作失败。）hdfs://clusterA:9000/AAA/data  \                 #源地址
    hdfs://clusterB:9000/BBB/data                    #指标地址
    
# 样例 3：跨版本的拷贝, 参数和 dfs.http.address 保持一致
hadoop distcp -numListstatusThreads 40 -update -delete -prbugpaxtq hftp://nn1:50070/source hdfs://cluster2/target

参考链接：

1. hadoop 迁徙
2. 分布式拷贝

记录稍显仓促，如有谬误，请不吝指正