Distcp 分布式拷贝

(1)discp原理

    DistCp（Distributed Copy）是用于大规模集群内部或者集群之间的高性能拷贝工具，和在linux上执行cp，scp实现效果是一致的，不同的是，cp是将本机的文件和目录拷贝到本机的其它地方，scp则可以将A机器的文件或者目录拷贝到B机器，而Distcp则可以实现的是A（hdfs）集群的数据拷贝到B（hdfs）集群，而分布式使得数据拷贝时，可以实现A级群的DN节点同时向B集群的DN节点发送数据，突破了单机拷贝的网卡速率限制，拷贝效率更高。

    同时Distcp它使用Map/Reduce任务实现文件分发，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。（实际上Distcp只用到了map，没用用到reduce）。

(2)使用场景

    1:数据异地灾备。

    2:机房下线，数据迁移。

    3:数据准实时同步。

(3)discp优势

    1:支持带宽限流，可以使用bandwidth参数对distcp的每个map任务限流，同时控制map并发数量即可控制整个拷贝任务的带宽，防止拷贝任务将带宽打满，影响其它业务。

    2:支持overwrite（覆盖写），update（增量写），delete（删除写）等多种源和目的校验的拷贝方式，大量数据的拷贝必然要做到数据拷贝过程中的校验，来保证源和目的数据的一致性。

    

(4)discp命令

• 命令格式

hadoop distcp /
-Dmapred.jobtracker.maxtasks.per.job=1800000 /   #任务最大map数（数据分成多map任务）
-Dmapred.job.max.map.running=4000 /              #最大map并发
-Ddistcp.bandwidth=150000000 /                   #带宽
-Ddfs.replication=2 /                            #复制因子，两副本
-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 /             #指定任务运行的pool
-pugp /                                          #保留属性（用户，组，权限）
-i /                                             #忽略失败的task
-skipcrccheck /                                  #忽略CRC校验（防止源，目标集群hdfs版本不一致导致任务失败。）
hdfs://clusterA:9000/AAA/data  /                 #源地址
hdfs://clusterB:9000/BBB/data                    #目标地址

(5)执行输出

[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)主要参数

Hadoop 1版本

---

distcp [OPTIONS] <srcurl> * <desturl>

选项：

-p [rbugp]             状态

                       r：复制数

                       b：块大小

                       u：用户

                       g：组

                       p：权限

                       t：修改和访问时间

                       -p单独相当于-prbugpt

-i                     忽略失败

-basedir <basedir>     从<srcurl>复制文件时，使用<basedir>作为基本目录

-log <logdir>          将日志写入<logdir>

-m <num_maps>          最大并发副本数

-overwrite             覆盖目的地

-update                如果src大小与dst大小不同，则覆盖

-skipcrccheck          不要使用CRC检查来确定src是否是 不同于dest。

-copybychunk           剁碎和复制的文件

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

-filelimit <n>         将文件的总数限制为<= n

-filelimitpermap <n>   每个地图要复制的最大文件数

-sizelimit <n>         将总大小限制为<= n个字节

-sizelimitpermap <n>   每个映射要复制的最大字节数

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

-mapredSslConf <f>     映射器任务的SSL配置文件名

-usefastcopy           使用FastCopy（仅适用于DFS）

注1：如果设置了-overwrite或-update，则每个源URI和目标URI保持同级一致。

例如：

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

支持的通用选项是

-conf <configuration file>指定应用程序配置文件

-D <property = value>给定属性的使用值

-fs <local | namenode：port>指定一个namenode

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

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

-files <逗号分隔的文件列表>指定要复制到map reduce cluster的逗号分隔文件

-libjars <逗号分隔的jars列表> 指定要包含在类路径中的逗号分隔的jar文件。

-archives <逗号分隔的归档列表> 指定要在计算机上取消归档的逗号分隔的归档。

Hadoop 2版本

---

用法：distcp OPTIONS [source_path …] <target_path>

              OPTIONS

 -append                    重新使用目标文件中的现有数据并追加新的如果可能，给他们的数据

 -async                     应该是distcp执行阻塞

 -atomic                    提交所有更改或无

 -bandwidth <arg>           以MB为单位指定每个map的带宽

 -delete                    从目标中删除，源文件丢失

 -diff <arg>                使用snapshot diff报告来标识源和目标之间的差异

 -f <arg>                   需要复制的文件列表

 -filelimit <arg>          （已弃用！）限制复制到<= n的文件数

 -i                         在复制期间忽略故障

 -log <arg>                 DFS上的distcp执行日志文件夹保存

 -m <arg>                   要用于副本的最大并发map数

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

 -overwrite                 选择无条件覆盖目标文件，即使它们存在。

 -p <arg>                   保留源文件状态（rbugpcaxt）

                            （复制，块大小，用户，组，权限，校验和类型，ACL，XATTR，时间戳）

                            如果-p是指定为no <arg>，然后保留复制，块大小，用户，组，权限，校验和类型和时间戳。

                            原始的* xattrs是源和目的地都保留路径位于/.reserved/raw层次结构中（HDF只要）。原始*      

                            xattrpreservation是独立的-p标志。请参阅DistCp文档更多细节。

 -sizelimit <arg>          （已弃用！）限制复制到<= n的文件数字节

 -skipcrccheck              是否跳过源和源之间的CRC检查目标路径。

 -strategy <arg>            复制策略使用。默认是分工基于文件大小

 -tmp <arg>                 要用于原子的中间工作路径承诺

 -update                    更新目标，仅复制missingfiles或目录