Hadoop distcp工具

一般情况下我们使用hadoop处理数据都是单线程的操作，如果要并行拷贝很多文件，hadoop提供了一个小工具distcp，最常见的用法就是在两个hadoop集群间拷贝文件，帮助文档很详尽，这里就不一一解释了，开发环境没有两个集群，用同一个集群演示：

hadoop distcp hdfs://namenode:9000/user/hadoop/input hdfs://namenode:9000/user/hadoop/input1

完整options列表：

distcp [OPTIONS] <srcurl>* <desturl>

OPTIONS:
-p[rbugp]              Preserve status
                       r: replication number
                       b: block size
                       u: user
                       g: group
                       p: permission
                       -p alone is equivalent to -prbugp
-i                     Ignore failures
-log <logdir>          Write logs to <logdir>
-m <num_maps>          Maximum number of simultaneous copies
-overwrite             Overwrite destination
-update                Overwrite if src size different from dst size
-skipcrccheck          Do not use CRC check to determine if src is 
                       different from dest. Relevant only if -update
                       is specified
-f <urilist_uri>       Use list at <urilist_uri> as src list
-filelimit <n>         Limit the total number of files to be <= n
-sizelimit <n>         Limit the total size to be <= n bytes
-delete                Delete the files existing in the dst but not in src
-mapredSslConf <f>     Filename of SSL configuration for mapper task

看下distcp的执行结果你会发现， distcp是个MapReduce任务，但只有map没有reducer。

<pre>13/06/18 10:59:19 INFO tools.DistCp: srcPaths=[hftp://namenode:50070/user/hadoop/input]
13/06/18 10:59:19 INFO tools.DistCp: destPath=hdfs://namenode:9000/user/hadoop/input1
13/06/18 10:59:20 INFO tools.DistCp: hdfs://namenode:9000/user/hadoop/input1 does not exist.
13/06/18 10:59:20 INFO tools.DistCp: sourcePathsCount=3
13/06/18 10:59:20 INFO tools.DistCp: filesToCopyCount=2
13/06/18 10:59:20 INFO tools.DistCp: bytesToCopyCount=1.7m
13/06/18 10:59:20 INFO mapred.JobClient: Running job: job_201306131134_0009
13/06/18 10:59:21 INFO mapred.JobClient:  map 0% reduce 0%
13/06/18 10:59:35 INFO mapred.JobClient:  map 100% reduce 0%</pre>

distcp把一大堆文件平均分摊开交给map任务去执行，每个文件单独一个map任务。那么默认会分成几个map合适呢？首先按256MB平均分，如果总大小低于256MB，distcp只会分给一个map任务。但如果平分的结果出现节点的map数大于20的情况，每个节点的map数就会按20计算，看下流程图：

你可以通过-m手动设置，如果为了HDFS的均衡，最好是将map设置的多一些，将block分摊开来。
如果两个集群间的版本不一致，那么使用distcp工具时候，HDFS就可能会产生错误，因为RPC系统不兼容。那么这时候你可以使用基于http的hftp协议操作，但是目标地址还必须是HDFS的，像这样：

hadoop distcp hftp://namenode:50070/user/hadoop/input hdfs://namenode:9000/user/hadoop/input1

推荐用hftp的替代协议 webhdfs，源地址和目标地址都可以使用webhdfs，可以完全兼容，如下代码：

hadoop distcp webhdfs://namenode:50070/user/hadoop/input webhdfs://namenode:50070/user/hadoop/input1