标签：hadoop
(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
本文出自 “酱酱酱子” 博客，请务必保留此出处http://heqin.blog.51cto.com/8931355/1959693
标签：hadoop
原文地址：http://heqin.blog.51cto.com/8931355/1959693
