1 概述
DistCp(分布式拷贝)是用于大规模集群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。官网地址:http://hadoop.apache.org/docs/r2.7.0/hadoop-distcp/DistCp.html
2 适合的场景及其有点
适合场景:数据异地灾;机房下线,数据迁移等。
优点:①可以限制带宽,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,无条件覆盖目标文件,即使它们存在),update(增量写,如果dest文件的名称和大小与src文件不同,则覆盖;若目的文件大小和名称与源文件相同则跳过),delete(删除写,删除dst中存在的文件,但在src中不存在)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。
2 参数说明
此参数为Hadoop2.x版本
# hadoop distcp
usage: distcp OPTIONS [source_path...] <target_path>OPTIONS-append 重用目标文件中的现有数据,并在可能的情况下添加新数据,新增进去而不是覆盖它-async 是否应该阻塞distcp执行-atomic 提交所有更改或不提交更改-bandwidth <arg> 以MB/second为单位指定每个map的带宽-delete 删除目标文件中存在的文件,但在源文件中不存在,走HDFS垃圾回收站-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-filters <arg> 从复制的文件列表中排除-i 忽略复制过程中的失败-log <arg> HDFS上的distcp执行日志文件夹保存-m <arg> 限制同步启动的map数,默认每个文件对应一个map,每台机器最多启动20个map-mapredSslConf <arg> 配置ssl配置文件,用于hftps://-numListstatusThreads <arg> 用于构建文件清单的线程数(最多40个),当文件目录结构复杂时应该适当增大该值-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)-sizelimit <arg> (已弃用!)限制复制到<= n的文件数字节-skipcrccheck 是否跳过源和目标路径之间的CRC检查。-strategy <arg> 选择复制策略,默认值uniformsize,每个map复制的文件总大小均衡;可以设置为dynamic,使更快的map复制更多的文件,以提高性能-tmp <arg> 要用于原子的中间工作路径承诺-update 如果目标文件的名称和大小与源文件不同,则覆盖;如果目标文件大小和名称与源文件相同则跳过
注意:如果设置了-overwrite或-update,则每个源URI和目标URI保持同级一致,如
hadoop distcp -i -p hdfs://192.168.40.100:8020/user/hive/warehouse/iot.db/dwd_pollution_distcp hdfs://192.168.40.200:8020/user/hive/warehouse/iot.db/
hadoop distcp -i -update -delete -p hdfs://192.168.40.100:8020/user/hive/warehouse/iot.db/dwd_pollution_distcp hdfs://192.168.40.200:8020/user/hive/warehouse/iot.db/dwd_pollution_distcp