Distcp 分布式拷貝

(1)discp原理

    DistCp（Distributed Copy）是用于大規(guī)模集群內(nèi)部或者集群之間的高性能拷貝工具，和在linux上執(zhí)行cp，scp實現(xiàn)效果是一致的，不同的是，cp是將本機的文件和目錄拷貝到本機的其它地方，scp則可以將A機器的文件或者目錄拷貝到B機器，而Distcp則可以實現(xiàn)的是A（hdfs）集群的數(shù)據(jù)拷貝到B（hdfs）集群，而分布式使得數(shù)據(jù)拷貝時，可以實現(xiàn)A級群的DN節(jié)點同時向B集群的DN節(jié)點發(fā)送數(shù)據(jù)，突破了單機拷貝的網(wǎng)卡速率限制，拷貝效率更高。

    同時Distcp它使用Map/Reduce任務(wù)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。（實際上Distcp只用到了map，沒用用到reduce）。

(2)使用場景

    1:數(shù)據(jù)異地災(zāi)備。

    2:機房下線，數(shù)據(jù)遷移。

    3:數(shù)據(jù)準實時同步。

(3)discp優(yōu)勢

    1:支持帶寬限流，可以使用bandwidth參數(shù)對distcp的每個map任務(wù)限流，同時控制map并發(fā)數(shù)量即可控制整個拷貝任務(wù)的帶寬，防止拷貝任務(wù)將帶寬打滿，影響其它業(yè)務(wù)。

    2:支持overwrite（覆蓋寫），update（增量寫），delete（刪除寫）等多種源和目的校驗的拷貝方式，大量數(shù)據(jù)的拷貝必然要做到數(shù)據(jù)拷貝過程中的校驗，來保證源和目的數(shù)據(jù)的一致性。

(4)discp命令

• 命令格式

hadoop distcp \
-Dmapred.jobtracker.maxtasks.per.job=1800000 \   #任務(wù)最大map數(shù)（數(shù)據(jù)分成多map任務(wù)）
-Dmapred.job.max.map.running=4000 \              #最大map并發(fā)
-Ddistcp.bandwidth=150000000 \                   #帶寬
-Ddfs.replication=2 \                            #復(fù)制因子，兩副本
-Ddistcp.skip.dir=$skipPath \                    #過濾的目錄（不拷貝的目錄）
-Dmapred.map.max.attempts=9 \                    #每個task最大嘗試次數(shù)
-Dmapred.fairscheduler.pool=distcp \             #指定任務(wù)運行的pool
-pugp \                                          #保留屬性（用戶，組，權(quán)限）
-i \                                             #忽略失敗的task
-skipcrccheck \                                  #忽略CRC校驗（防止源，目標集群hdfs版本不一致導(dǎo)致任務(wù)失敗。）
hdfs://clusterA:9000/AAA/data  \                 #源地址
hdfs://clusterB:9000/BBB/data                    #目標地址

(5)執(zhí)行輸出

[work@hq distcp]$ hadoop distcp \
-Dmapred.jobtracker.maxtasks.per.job=1800000 \
-Dmapred.job.max.map.running=4000 \
-Ddistcp.bandwidth=150000000 \
-Ddfs.replication=2 \
-Dmapred.map.max.attempts=9 \
-Dmapred.fairscheduler.pool=distcp \
-pugp -i -skipcrccheck \
hdfs://clusterA:9000/AAA/data \
hdfs://clusterB:9000/BBB/data

17/06/03 17:06:38 INFO tools.DistCp: srcPaths=[hdfs://clusterA:9000/AAA/data ]
17/06/03 17:06:38 INFO tools.DistCp: destPath=hdfs://clusterB:9000/BBB/data
17/06/03 17:06:39 INFO tools.DistCp: config no skip dir
17/06/03 17:06:40 INFO tools.DistCp: sourcePathsCount=241
17/06/03 17:06:40 INFO tools.DistCp: filesToCopyCount=240
17/06/03 17:06:40 INFO tools.DistCp: bytesToCopyCount=0.0
17/06/03 17:06:40 INFO tools.DistCp: mapTasks: 1
17/06/03 17:06:40 INFO corona.SessionDriver: My serverSocketPort 36822
17/06/03 17:06:40 INFO corona.SessionDriver: My Address 10.160.115.122:36822
17/06/03 17:06:40 INFO corona.SessionDriver: Connecting to cluster manager at jobtracker:8021
17/06/03 17:06:40 INFO corona.SessionDriver: HeartbeatInterval=15000
17/06/03 17:06:40 INFO corona.SessionDriver: Got session ID job_201706031706_267270
17/06/03 17:06:40 INFO tools.DistCp: targetsize=268435456
17/06/03 17:06:40 INFO tools.DistCp: targetfiles=500
17/06/03 17:06:40 INFO corona.SessionDriver: Started session job_201706031706_267270
17/06/03 17:06:45 INFO mapred.JobClient:  map 0% reduce 0%
17/06/03 17:06:59 INFO mapred.JobClient:  map 3% reduce 0%
17/06/03 17:07:01 INFO mapred.JobClient:  map 5% reduce 0%
17/06/03 17:07:05 INFO mapred.JobClient:  map 6% reduce 0%
.....
17/06/03 17:11:15 INFO mapred.JobClient:  map 97% reduce 0%
17/06/03 17:11:17 INFO mapred.JobClient:  map 100% reduce 0%
17/06/03 17:11:25 INFO corona.SessionDriver: Stopping session driver

(6)主要參數(shù)

Hadoop 1版本

distcp [OPTIONS] <srcurl> * <desturl>

選項：

-p [rbugp]             狀態(tài)

                       r：復(fù)制數(shù)

                       b：塊大小

                       u：用戶

                       g：組

                       p：權(quán)限

                       t：修改和訪問時間

                       -p單獨相當于-prbugpt

-i                     忽略失敗

-basedir <basedir>     從<srcurl>復(fù)制文件時，使用<basedir>作為基本目錄

-log <logdir>          將日志寫入<logdir>

-m <num_maps>          最大并發(fā)副本數(shù)

-overwrite             覆蓋目的地

-update                如果src大小與dst大小不同，則覆蓋

-skipcrccheck          不要使用CRC檢查來確定src是否是 不同于dest。

-copybychunk           剁碎和復(fù)制的文件

-f <urilist_uri>       將<urilist_uri>中的列表用作src列表

-filelimit <n>         將文件的總數(shù)限制為<= n

-filelimitpermap <n>   每個地圖要復(fù)制的最大文件數(shù)

-sizelimit <n>         將總大小限制為<= n個字節(jié)

-sizelimitpermap <n>   每個映射要復(fù)制的最大字節(jié)數(shù)

-delete                刪除dst中存在的文件，但不在src中

-mapredSslConf <f>     映射器任務(wù)的SSL配置文件名

-usefastcopy           使用FastCopy（僅適用于DFS）

注1：如果設(shè)置了-overwrite或-update，則每個源URI和目標URI保持同級一致。

例如：

hadoop distcp -p -update hdfs://A:9000//home/aa  hdfs://B:9000//home/bb

支持的通用選項是

-conf <configuration file>指定應(yīng)用程序配置文件

-D <property = value>給定屬性的使用值

-fs <local | namenode：port>指定一個namenode

-jt <local | jobtracker：port>指定jobtracker在corona上

-jtold <local | jobtracker：port>指定jobtracker在mapreduce上

-files <逗號分隔的文件列表>指定要復(fù)制到map reduce cluster的逗號分隔文件

-libjars <逗號分隔的jars列表> 指定要包含在類路徑中的逗號分隔的jar文件。

-archives <逗號分隔的歸檔列表> 指定要在計算機上取消歸檔的逗號分隔的歸檔。

Hadoop 2版本

用法：distcp OPTIONS [source_path ...] <target_path>

              OPTIONS

 -append                    重新使用目標文件中的現(xiàn)有數(shù)據(jù)并追加新的如果可能，給他們的數(shù)據(jù)

 -async                     應(yīng)該是distcp執(zhí)行阻塞

 -atomic                    提交所有更改或無

 -bandwidth <arg>           以MB為單位指定每個map的帶寬

 -delete                    從目標中刪除，源文件丟失

 -diff <arg>                使用snapshot diff報告來標識源和目標之間的差異

 -f <arg>                   需要復(fù)制的文件列表

 -filelimit <arg>          （已棄用?。┫拗茝?fù)制到<= n的文件數(shù)

 -i                         在復(fù)制期間忽略故障

 -log <arg>                 DFS上的distcp執(zhí)行日志文件夾保存

 -m <arg>                   要用于副本的最大并發(fā)map數(shù)

 -mapredSslConf <arg>       配置ssl配置文件，用于hftps：//

 -overwrite                 選擇無條件覆蓋目標文件，即使它們存在。

 -p <arg>                   保留源文件狀態(tài)（rbugpcaxt）

                            （復(fù)制，塊大小，用戶，組，權(quán)限，校驗和類型，ACL，XATTR，時間戳）

                            如果-p是指定為no <arg>，然后保留復(fù)制，塊大小，用戶，組，權(quán)限，校驗和類型和時間戳。

                            原始的* xattrs是源和目的地都保留路徑位于/.reserved/raw層次結(jié)構(gòu)中（HDF只要）。原始*      

                            xattrpreservation是獨立的-p標志。請參閱DistCp文檔更多細節(jié)。

 -sizelimit <arg>          （已棄用?。┫拗茝?fù)制到<= n的文件數(shù)字節(jié)

 -skipcrccheck              是否跳過源和源之間的CRC檢查目標路徑。

 -strategy <arg>            復(fù)制策略使用。默認是分工基于文件大小

 -tmp <arg>                 要用于原子的中間工作路徑承諾

 -update                    更新目標，僅復(fù)制missingfiles或目錄