HDFS并行复制Distcp

1）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。

2）distcp命令是以MR作业(没有R任务)的形式实现的，把文件和目录的列表作为M任务的输入。每一个文件是由一个M任务来拷贝的，distcp尽量把大小之和相同的各个文件导入到同一个M任务中。这样可以每个M任务拷贝的数据量大致相同。

3）集群之间的拷贝(HDFS版本相同)：

bash$ hadoop distcp hdfs://nn1:8020/foo/bar hdfs://nn2:8020 /bar/foo

这个命令会把nn1集群的 /foo/bar 目录下的所有文件或目录名展开并存储到一个临时文件中，这些文件内容的拷贝工作被分配给多个M任务，然后每个TT分别执行从nn1到nn2的拷贝操作。【distcp使用绝对路径进行操作】

4) 多个源目录拷贝

bash$ hadoop distcp hdfs://nn1:8020/foo/a hdfs://nn1:8020/foo/b hdfs://nn2:8020/bar/foo

5) 更新-update和覆盖-overwrite

默认情况下，如果在拷贝的目的地同名文件已经存在，则会默认跳过这些文件。可以通过-overwrite选项指定覆盖掉同名文件，或者通过-update选项来更新同名文件。 关于distcp的更多用法，可以不加参数运行“hadoop distcp”命令来查看其用法。

6) 不同版本HDFS之间拷贝

如果两集群Hadoop版本不一致就不能使用hdfs标识符来拷贝文件了，因为两者的RPC系统是不兼容的。

• 一种方法是使用基于只读的HTTP的HFTP文件系统来读取源数据（此命令在目标集群上执行，以确保RPC版本兼容），在命令中需要指定nn1的网络端口，它是由dfs.http.address指定的，默认为50070.

% hadoop distcp hftp://namenode1:50070/foo hdfs://namenode2/bar

• 另一种方法是使用webhdfs协议(替换hftp协议)，这样在拷贝的源和目的地都可以使用http而不用担心版本不兼容的问题：

% hadoop distcp webhdfs://namenode1:50070/foo webhdfs://namenode2:50070/bar

M任务的个数是按如下方式决定的：

1)     考虑到创建M任务的开销，每个M任务至少处理256MB的数据（如果总输入文件小于256MB，则把这些输入数据全部交给一个M任务执行）。例如，一个1GB大小的输入数据会被分配四个M任务来拷贝。

2)　　如果待拷贝的数据实在很大，这时候就不能只按每个M任务256MB输入数据的标准来划分了，因为这样可能需要创建很多M任务。这时可以按每个DN有20个M任务来划分，例如，如果有1000GB的输入数据和100个节点，这是就会启动100*20=2000个M任务来拷贝数据，每个M任务拷贝512MB数据。同时我们也可通过-m选项指定要使用的M数，例如，-m 1000就会启动1000个M任务，每个M任务拷贝1GB数据。