Hadoop跨集群数据拷贝工具DISTCP内部源码实现分析

最新推荐文章于 2024-05-03 13:30:58 发布

github_zwl

最新推荐文章于 2024-05-03 13:30:58 发布

阅读量2.9k

点赞数 2

概述

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，是Hadoop用户常用的命令之一。它使用Map/Reduce实现大量文件拷贝分发，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。由于使用了Map/Reduce方法，这个工具在语义和执行上都会有特殊的地方。 DISTCP的源码可以在Hadoop工程源码的hadoop-tools工程中找到，代码量不算大，主流程代码在org.apache.hadoop.tools和org.apache.hadoop.tools.mapred两个包中，笔者由于在工作中有需求要通过MR实现备份海量HDFS数据，因此研究了一波DISTCP源码并仿照它实现了自己的代码，实测在千兆网络中可以3~4小时内拷贝几TB的数据，这篇文档会介绍DISTCP的工作主流程，通过分析工具的代码也有助于我们更好的理解MR编程框架，并可以对HDFS文件系统有一个初步的了解。

注：笔者当前使用的hadoop版本是2.7.2

◇◆◇◆◇

用法

DISTCP最常用在集群之间的拷贝：

Bash# hadoop distcphdfs://nn1:8020/foo/bar hdfs://nn2:8020/bar/foo

这条命令会把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map任务，然后每个MapTask分别执行从nn1到nn2的拷贝操作。

DISTCP在支持跨集群拷贝的主功能上还支持很多额外的功能选项，丰富了用户的选择，主要的选项如下索引，但是我们这里分析源码的时候，会忽略这些额外的功能选项的源码，只看主体的数据拷贝功能实现，只要读懂了主体功能，其它的额外分支只需在这基础上研读就很方便了。

标识	描述	备注
-p[rbugp]	Preserve r: replication number b: block size u: user g: group p: permission	修改次数不会被保留。并且当指定 -update 时，更新的状态不会被同步，除非文件大小不同（比如文件被重新创建）
-i	忽略失败	这个选项会比默认情况提供关于拷贝的更精确的统计，同时它还将保留失败拷贝操作的日志，这些日志信息可以用于调试。最后，如果一个map失败了，但并没完成所有分块任务的尝试，这不会导致整个作业的失败
-log <logdir>	记录日志到 <logdir>	DistCp为每个文件的每次尝试拷贝操作都记录日志，并把日志作为map的输出。如果一个map失败了，当重新执行时这个日志不会被保留
-m <num_maps>	同时拷贝的最大数目	指定了拷贝数据时map的数目。请注意并不是map数越多吞吐量越大
-overwrite	覆盖目标	如果一个map失败并且没有使用-i选项，不仅仅那些拷贝失败的文件，这个分块任务中的所有文件都会被重新拷贝
-update	如果源和目标的大小不一样则进行覆盖	这不是"同步"操作。执行覆盖的唯一标准是源文件和目标文件大小是否相同；如果不同，则源文件替换目标文件
-f <urilist_uri>	使用<urilist_uri> 作为源文件列表	这等价于把所有文件名列在命令行中。 urilist_uri 列表应该是完整合法的URI

◇◆◇◆◇

源代码与过程分析

阅读源码可以从工程中org.apache.hadoop.tools包里的DistCp类开始入手，DistCp的构造方法先处理了一下输入参数（即上面说到的额外功能选项）、读入配置项以及做了hadoop初始化工作，这里的东西不用过多关注，它不会影响我们读懂源码。

public DistCp(Configuration configuration, DistCpOptions inputOptions) throws Exception {

Configuration config = new Configuration(configuration);

config.addResource(DISTCP_DEFAULT_XML);

setConf(config);

this.inputOptions = inputOptions;

this.metaFolder = createMetaFolderPath();

}

在DistCp类中，有一个有用的方法接口public int run(String[] argv)，实际上当我们运行工具进行HDFS数据跨集群拷贝时，就是通过这个方法调度运行的，这个方法也很简单，只是对路径等做一些检查以及对execute()方法做异常处理，而execute方法则是任务执行方法。

在execute()方法中，会调用createAndSubmitJob()创建MR任务，准备数据，设定数据输入格式，并把任务提交到hadoop集群运行，最后等待任务执行完毕。于是我们可以看到，主体功能实现就在createAndSubmitJob()这个函数体里，工程中其它的各个类无非都是为这个函数接口服务的。下面就是createAndSubmitJob()的代码，这里删除了一些不影响阅读的源码，只留下主体功能流程。

public Job createAndSubmitJob() throws Exception {

Job job = null;

try {

synchronized(this) {

metaFolder = createMetaFolderPath();

jobFS = metaFolder.getFileSystem(getConf());

job = createJob();

}

if (!inputOptions.shouldUseDiff()) {

createInputFileListing(job);

}

job.submit();

submitted = true;

} finally {

if (!submitted) {

cleanup();}

return job;

}

接下来我们就可以分析一下createAndSubmitJob()中各行分别实现了什么功能，下面我们一个部分一个部分的分析。

metaFolder：

metafolder是DISTCP工具准备元数据的地方，在createMetaFolderPath()中会结合一个随机数生成一个工作目录，在这个目录中迟点会通过getFileListingPath()生成fileList.seq文件，然后往这个文件中写入数据，这是一个SequenceFile文件，即Key/Value结构的序列化文件，这个文件里将存放所有需要拷贝的源目录/文件信息列表。其中Key是源文件的Text格式的相对路径，即relPath；而Value则记录源文件的FileStatus格式的org.apache.hadoop.fs.FileStatus信息，这里FileStatus是hadoop已经封装好了的描述HDFS文件信息的类，但是DISTCP为了更好的处理数据，重新继承并封装了CopyListingFileStatus类，其描述如下图1，不过我们其实可以认为这里的Value就是FileStatus即可。metafolder目录中的fileList.seq最终会作为参数传递给MR任务中的Mapper。

private Path createMetaFolderPath() throws Exception {

Configuration configuration = getConf();

Path stagingDir = JobSubmissionFiles.getStagingDir(

new Cluster(configuration), configuration);

Path metaFolderPath = new Path(stagingDir, PREFIX + String.valueOf(rand.nextInt()));

if (LOG.isDebugEnabled())

LOG.debug("Meta folder location: " + metaFolderPath);

configuration.set(DistCpConstants.CONF_LABEL_META_FOLDER, metaFolderPath.toString());

return metaFolderPath;

}

Job：

这个Job定义的就是我们的MapReduce任务了，在hadoop中每个任务都要定义一个Job，在Job中设定任务的输入输出、任务名字和运行逻辑等东西，DISTCP工具的Job在createAndSubmitJob()方法中的job = createJob()实现。实现源码如下：

private Job createJob() throws IOException {

String jobName = "distcp";

String userChosenName = getConf().get(JobContext.JOB_NAME);

if (userChosenName != null)

jobName += ": " + userChosenName;

Job job = Job.getInstance(getConf());

job.setJobName(jobName);

job.setInputFormatClass(DistCpUtils.getStrategy(getConf(), inputOptions));

job.setJarByClass(CopyMapper.class);

configureOutputFormat(job);

job.setMapperClass(CopyMapper.class);

job.setNumReduceTasks(0);

job.setMapOutputKeyClass(Text.class);

job.setMapOutputValueClass(Text.class);

job.setOutputFormatClass(CopyOutputFormat.class);

job.getConfiguration().set(JobContext.MAP_SPECULATIVE, "false");

job.getConfiguration().set(JobContext.NUM_MAPS,

String.valueOf(inputOptions.getMaxMaps()));

if (inputOptions.getSslConfigurationFile() != null) {

setupSSLConfig(job);

}

inputOptions.appendToConf(job.getConfiguration());

return job;

}

这里面的源码已经是很清晰的，跟常规MR任务的设定差不多，我们主要关注以下两行。

● job.setInputFormatClass(DistCpUtils.getStrategy(getConf(),inputOptions));

● job.setMapperClass(CopyMapper.class);

我们在设置MapReduce输入格式的时候，会调用上面第一行这样一条语句，这条语句保证了输入文件会按照我们预设的格式被读取。setInputFormatClass里设定了Mapper的数据读取格式，也就是由getStrategy(getConf(), inputOptions)得到，进到这个函数里面，可以看到最终Mapper数据输入格式由UniformSizeInputFormat.class这个类定义的，而这个类继承自InputFormat.class，MR中所有的输入格式类都继承自InputFormat，这是一个抽象类。

InputFormat抽象类仅有两个抽象方法：

● List<InputSplit>getSplits()，获取由输入文件计算出输入分片(InputSplit)，解决数据或文件分割成片问题。

● RecordReader<K,V>createRecordReader()，创建RecordReader，从InputSplit中读取数据，解决读取分片中数据问题。

通过InputFormat，Mapreduce框架可以做到：验证作业输入的正确性；将输入文件切割成逻辑分片(InputSplit)，一个InputSplit将会被分配给一个独立的MapTask；提供RecordReader实现，读取InputSplit中的“K-V对”供Mapper使用。

在DISTCP中，UniformSizeInputFormat继承了InputFormat并实现了数据读入格式，它会读取metafolder中fileList.seq序列化文件的内容，并根据用户设定的map数和拷贝总数据量进行分片，计算出分多少片，最终提供“K-V”对供Mapper使用。这个类的源码实现并不复杂，加上注释一共也才100多行，很容易就能读懂。

CopyMapper.class中则定义了每个map的工作逻辑，也就是拷贝的核心逻辑，任务提交到hadoop集群中运行时每个map就是根据这个逻辑进行工作的，通过setMapperClass设定。这里要注意的是DISTCP任务只有map没有reduce，因为只需要map就可以完成拷贝数据的工作。CopyMapper的源码实现在org.apache.hadoop.tools.mapred这个包中，CopyMapper里最核心实现是setup()和map()这两个方法，这两个方法其实也是MR中Mapper的固有通用方法，setup()中完成map方法的一些初始化工作，在DISTCP中，这个方法里会设定对端的目标路径，并做一些参数设置和判断工作，源码(删掉了参数设置部分)如下：

public void setup(Context context) throws IOException, InterruptedException {

conf = context.getConfiguration();

targetWorkPath = new Path(conf.get(DistCpConstants.CONF_LABEL_TARGET_WORK_PATH));

Path targetFinalPath = new Path(conf.get(

DistCpConstants.CONF_LABEL_TARGET_FINAL_PATH));

targetFS = targetFinalPath.getFileSystem(conf);

if (targetFS.exists(targetFinalPath) && targetFS.isFile(targetFinalPath)) {

overWrite = true; // When target is an existing file, overwrite it.

}

而map()方法，内容较多，我们可以看其接口如下：

● public void map(Text relPath,CopyListingFileStatus sourceFileStatus, Context context) throws IOException,InterruptedException

从输入参数可以看出来，这其实就是对上面分析过的UniformSizeInputFormat类里分片后的数据里的每一行进行处理，每行里存放的就是“K-V”对，也就是fileList.seq文件每行的内容。Map方法体前半部分有一大堆代码内容，其实都是一些准备和判断工作，为后面的拷贝服务，最终的拷贝动作发生在copyFileWithRetry(description,sourceCurrStatus, target, context, action, fileAttributes)这个函数中，进入这个函数一直往里面读，就能看到数据最终通过常用的Java输入输出流的方式完成点对点拷贝，最后拷贝方法源码如下：

long copyBytes(FileStatus sourceFileStatus, long sourceOffset,

OutputStream outStream, int bufferSize, Mapper.Context context)

throws IOException {

Path source = sourceFileStatus.getPath();

byte buf[] = new byte[bufferSize];

ThrottledInputStream inStream = null;

long totalBytesRead = 0;

try {

inStream = getInputStream(source, context.getConfiguration());

int bytesRead = readBytes(inStream, buf, sourceOffset);

while (bytesRead >= 0) {

totalBytesRead += bytesRead;

if (action == FileAction.APPEND) {

sourceOffset += bytesRead;

}

outStream.write(buf, 0, bytesRead);

updateContextStatus(totalBytesRead, context, sourceFileStatus);

bytesRead = readBytes(inStream, buf, sourceOffset);

}

outStream.close();

outStream = null;

} finally {

IOUtils.cleanup(LOG, outStream, inStream);

}

return totalBytesRead;

}

元数据生成（createInputFileListing）：

前面提到在metafolder目录中会生成fileList.seq文件，而这个文件是怎么生成以及文件里面保存些什么内容呢？这个逻辑就在createInputFileListing（job）中完成的，源码如下。首先由getFileListingPath（）方法创建一个空的seq文件，然后由buildListing（）方法往这个seq文件写入数据，数据写入的整体逻辑就是遍历源路径下所有目录和文件，把每个文件的相对路径和它的CopyListingFileStatus以“K-V”对的形式写入fileList.seq每行中，最终就得到Mapper的输入了。