hadoop distcp

很久没有写了，感觉最近比较浮躁，现在实习了要静下心来 好好学点东西。

公司在做集群迁移的项目，在项目中遇到 一个问题，怎么把一个集群的数据拷贝到另个集群中

Hadoop数据迁移（集群内迁移，集群间迁移），主要通过拷贝数据来完成。对于小量数据，可以使用”hadoop fs -cp”来完成；对于大量数据，可以借助Distcp 来完成。

Distcp是Hadoop自带的分布式拷贝工具。它基于MapReduce实现，将需要拷贝的源数据尽量平均地split到多个map中，每个map将负责的split拷贝到目的集群上，最终利用了MapReduce的优势加速了拷贝（相对于”hadoop fs -cp”的单线程拷贝）。

hadoop distcp hdfs://hadoop-0001:29000/distcptest/abc  /distcptest/

第一个集群的子树/foo下的一个文件与第二个集群的改变进行同步。

 hadoop distcp -update hdfs://namenode1/foo hdfs://namenode2/bar/foo 

如果想在两个运行着不同版本HDFS的集群上利用distcp，使用hdfs协议是会失败的，因为RPC系统是不兼容的。想要弥补这种情况，可以使用基于HTTP的HFTP文件系统从源中进行读取。这个作业必须运行在目标集群上，使得HDFS RPC版本是兼容的。使用HFTP重复前面的例子：

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

注意，需要在URI源中指定名称节点的Web端口。这是由dfs.http.address的属性决定的，默认值为50070。

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

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