hadoop 之distcp（分散式拷貝）

基本使用方法

distcp最常用在叢集之間的拷貝：

 hadoop distcp hdfs://master1:8020/foo/bar hdfs://master2:8020/bar/foo

這條命令會把master叢集的/foo/bar目錄下的所有檔案或目錄名展開並儲存到一個臨時檔案中，這些檔案內容的拷貝工作被分配給多個map任務， 然後每個TaskTracker分別執行從master1到master2的拷貝操作。注意distcp使用絕對路徑進行操作。

命令列中可以指定多個源目錄：

 hadoop distcp hdfs://master1:8020/foo/a hdfs://master1:8020/foo/b hdfs://master2:8020/bar/foo

或者使用-f選項，從檔案裡獲得多個源：
 hadoop distcp -f hdfs://master1:8020/srclist hdfs://master2:8020/bar/foo 

其中srclist 的內容是
    hdfs://master1:8020/foo/a 
    hdfs://master1:8020/foo/b

當從多個源拷貝時，如果兩個源衝突，distcp會停止拷貝並提示出錯資訊， 如果在目的位置發生衝突，會根據選項設定解決。 預設情況會跳過已經存在的目標檔案（比如不用原始檔做替換操作）。每次操作結束時 都會報告跳過的檔案數目，但是如果某些拷貝操作失敗了，但在之後的嘗試成功了， 那麼報告的資訊可能不夠精確。

每個TaskTracker必須都能夠與源端和目的端檔案系統進行訪問和互動。 對於HDFS來說，源和目的端要執行相同版本的協議或者使用向下相容的協議。 

拷貝完成後，建議生成源端和目的端檔案的列表，並交叉檢查，來確認拷貝真正成功。 因為distcp使用Map/Reduce和檔案系統API進行操作，所以這三者或它們之間有任何問題 都會影響拷貝操作。一些distcp命令的成功執行可以通過再次執行帶-update引數的該命令來完成， 但使用者在如此操作之前應該對該命令的語法很熟悉。

值得注意的是，當另一個客戶端同時在向原始檔寫入時，拷貝很有可能會失敗。 嘗試覆蓋HDFS上正在被寫入的檔案的操作也會失敗。 如果一個原始檔在拷貝之前被移動或刪除了，拷貝失敗同時輸出異常 FileNotFoundException

選項

選項索引

標識	描述	備註
-p[rbugp]	Preserve   r: replication number   b: block size   u: user   g: group   p: permission	修改次數不會被保留。並且當指定 -update 時，更新的狀態不會 被同步，除非檔案大小不同（比如檔案被重新建立）。
-i	忽略失敗	就像在 附錄中提到的，這個選項會比預設情況提供關於拷貝的更精確的統計， 同時它還將保留失敗拷貝操作的日誌，這些日誌資訊可以用於除錯。最後，如果一個map失敗了，但並沒完成所有分塊任務的嘗試，這不會導致整個作業的失敗。
-log <logdir>	記錄日誌到 <logdir>	DistCp為每個檔案的每次嘗試拷貝操作都記錄日誌，並把日誌作為map的輸出。 如果一個map失敗了，當重新執行時這個日誌不會被保留。
-m <num_maps>	同時拷貝的最大數目	指定了拷貝資料時map的數目。請注意並不是map數越多吞吐量越大。
-overwrite	覆蓋目標	如果一個map失敗並且沒有使用-i選項，不僅僅那些拷貝失敗的檔案，這個分塊任務中的所有檔案都會被重新拷貝。 就像下面提到的，它會改變生成目標路徑的語義，所以 使用者要小心使用這個選項。
-update	如果源和目標的大小不一樣則進行覆蓋	像之前提到的，這不是"同步"操作。 執行覆蓋的唯一標準是原始檔和目標檔案大小是否相同；如果不同，則原始檔替換目標檔案。 像 下面提到的，它也改變生成目標路徑的語義， 使用者使用要小心。
-f <urilist_uri>	使用<urilist_uri> 作為原始檔列表	這等價於把所有檔名列在命令列中。 urilist_uri 列表應該是完整合法的URI。

更新和覆蓋

這裡給出一些 -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

如果沒設定-update或 -overwrite選項， 那麼兩個源都會對映到目標端的 /bar/foo/ab。 如果設定了這兩個選項，每個源目錄的內容都會和目標目錄的 內容 做比較。distcp碰到這類衝突的情況會終止操作並退出。

預設情況下，/bar/foo/a 和 /bar/foo/b 目錄都會被建立，所以並不會有衝突。

現在考慮一個使用-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檔案沒有被覆蓋。如果指定了 -overwrite選項，所有檔案都會被覆蓋。

Map數目

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

如果沒使用-m選項，distcp會嘗試在排程工作時指定map的數目 為 min (total_bytes / bytes.per.map, 20 * num_task_trackers)， 其中bytes.per.map預設是256MB。

建議對於長時間執行或定期執行的作業，根據源和目標叢集大小、拷貝數量大小以及頻寬調整map的數目。

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

對於不同Hadoop版本間的拷貝，使用者應該使用HftpFileSystem。 這是一個只讀檔案系統，所以distcp必須執行在目標端叢集上（更確切的說是在能夠寫入目標叢集的TaskTracker上）。 源的格式是 hftp://<dfs.http.address>/<path> （預設情況dfs.http.address是 <namenode>:50070）。

Map/Reduce和副效應

像前面提到的，map拷貝輸入檔案失敗時，會帶來一些副效應。

• 除非使用了-i，任務產生的日誌會被新的嘗試替換掉。
• 除非使用了-overwrite，檔案被之前的map成功拷貝後當又一次執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任務會被終止（除非使用了-i)。
• 如果mapred.speculative.execution被設定為 final和true，則拷貝的結果是未定義的。