hadoop distcp是什么

這篇文章主要講解了“hadoop distcp是什么”，文中的講解內(nèi)容簡單清晰，易于學(xué)習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學(xué)習“hadoop distcp是什么”吧！

概述

distcp（分布式拷貝）是用于大規(guī)模集群內(nèi)部和集群之間拷貝的工具。 它使用Map/Reduce實現(xiàn)文件分發(fā)，錯誤處理和恢復(fù)，以及報告生成。 它把文件和目錄的列表作為map任務(wù)的輸入，每個任務(wù)會完成源列表中部分文件的拷貝。 由于使用了Map/Reduce方法，這個工具在語義和執(zhí)行上都會有特殊的地方。 這篇文檔會為常用distcp操作提供指南并闡述它的工作模型。

更新和覆蓋

這里給出一些 -update和 -overwrite的例子。 考慮一個從/foo/a 和 /foo/b 到 /bar/foo的拷貝，源路徑包括：

    hdfs://master1:8020/foo/a 
    hdfs://master1:8020/foo/a/aa 
    hdfs://master1:8020/foo/a/ab 
    hdfs://master1:8020/foo/b 
    hdfs://master1:8020/foo/b/ba 
    hdfs://master1:8020/foo/b/ab

如果沒設(shè)置-update或 -overwrite選項， 那么兩個源都會映射到目標端的 /bar/foo/ab。 如果設(shè)置了這兩個選項，每個源目錄的內(nèi)容都會和目標目錄的 內(nèi)容 做比較。distcp碰到這類沖突的情況會終止操作并退出。

默認情況下，/bar/foo/a 和 /bar/foo/b 目錄都會被創(chuàng)建，所以并不會有沖突。

現(xiàn)在考慮一個使用-update合法的操作:
distcp -update hdfs://master1:8020/foo/a \ 
               hdfs://master1:8020/foo/b \ 
               hdfs://master2:8020/bar

其中源路徑/大小:

    hdfs://master1:8020/foo/a 
    hdfs://master1:8020/foo/a/aa 32 
    hdfs://master1:8020/foo/a/ab 32 
    hdfs://master1:8020/foo/b 
    hdfs://master1:8020/foo/b/ba 64 
    hdfs://master1:8020/foo/b/bb 32

和目的路徑/大小:

    hdfs://master2:8020/bar 
    hdfs://master2:8020/bar/aa 32 
    hdfs://master2:8020/bar/ba 32 
    hdfs://master2:8020/bar/bb 64

會產(chǎn)生:

    hdfs://master2:8020/bar 
    hdfs://master2:8020/bar/aa 32 
    hdfs://master2:8020/bar/ab 32 
    hdfs://master2:8020/bar/ba 64 
    hdfs://master2:8020/bar/bb 32

只有master2的aa文件沒有被覆蓋。如果指定了 -overwrite選項，所有文件都會被覆蓋。

附錄

Map數(shù)目

distcp會嘗試著均分需要拷貝的內(nèi)容，這樣每個map拷貝差不多相等大小的內(nèi)容。 但因為文件是最小的拷貝粒度，所以配置增加同時拷貝（如map）的數(shù)目不一定會增加實際同時拷貝的數(shù)目以及總吞吐量。

如果沒使用-m選項，distcp會嘗試在調(diào)度工作時指定map的數(shù)目 為 min (total_bytes / bytes.per.map, 20 * num_task_trackers)， 其中bytes.per.map默認是256MB。

建議對于長時間運行或定期運行的作業(yè)，根據(jù)源和目標集群大小、拷貝數(shù)量大小以及帶寬調(diào)整map的數(shù)目。

hadoop distcp -Ddistcp.bytes.per.map=1073741824 -Ddfs.client.socket-timeout=240000000 -Dipc.client.connect.timeout=40000000 -i -update  hdfs://master1:8020/foo/a hdfs://master1:8020/foo/b hdfs://master2:8020/bar/foo

不同HDFS版本間的拷貝

對于不同Hadoop版本間的拷貝，用戶應(yīng)該使用HftpFileSystem。 這是一個只讀文件系統(tǒng)，所以distcp必須運行在目標端集群上（更確切的說是在能夠?qū)懭肽繕思旱腡askTracker上）。 源的格式是 hftp://<dfs.http.address>/<path> （默認情況dfs.http.address是 <namenode>:50070）。

Map/Reduce和副效應(yīng)

像前面提到的，map拷貝輸入文件失敗時，會帶來一些副效應(yīng)。

• 除非使用了-i，任務(wù)產(chǎn)生的日志會被新的嘗試替換掉。

• 除非使用了-overwrite，文件被之前的map成功拷貝后當又一次執(zhí)行拷貝時會被標記為 "被忽略"。

• 如果map失敗了mapred.map.max.attempts次，剩下的map任務(wù)會被終止（除非使用了-i)。

• 如果mapred.speculative.execution被設(shè)置為 final和true，則拷貝的結(jié)果是未定義的。

感謝各位的閱讀，以上就是“hadoop distcp是什么”的內(nèi)容了，經(jīng)過本文的學(xué)習后，相信大家對hadoop distcp是什么這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關(guān)知識點的文章，歡迎關(guān)注！