HDFS数据(跨集群)迁移

一、数据迁移使用场景

1.冷热集群数据同步、分类存储
2.整体数据整体搬迁
3.数据准实时同步(备份)

二、考量因素

1.网络传输带宽及时间，是否会影响现有业务
2.性能，单机？多线程？分布式？
3.是否正常增量同步
4.数据迁移的同步性(同步单位时间数据超过单位时间)

三、DistCp工具使用

3.1 简介

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。 它使用 Map/Reduce 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。 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。 这篇文档会为常用 distcp 操作提供指南并阐述它的工作模型。
特性：
1.hadoop自带，并支持带宽限流
2.高性能，底层使用MapReduce 进行分布式计算
3.支持增量数据同步，主要有以下三个参数： 
    update(只拷贝不存在的文件或目录)：解决新增文件、目录的同步
    append(追加写目标路径下已存在的文件) ：解决已存在文件的增量同步
    diff(通过快照对比信息同步源端路径和目标路径)：解决删除或重命名文件的同步

3.2 命令指南　　

参考链接：https://hadoop.apache.org/docs/r3.1.4/hadoop-distcp/DistCp.html

hadoop distcp
usage: distcp OPTIONS [source_path...] <target_path>
 -append              拷贝文件时支持对现有文件进行追加写操作
 -async               异步执行distcp 拷贝任务
 -bandwidth <arg>     对每个Map任务的带宽限速
 -delete              删除对于源端多出的文件或目录
 -diff <arg>          通过快照diff信息进行数据同步
 -overwrite           以覆盖的方式进行拷贝，如果目标端存在，则直接覆盖
 -p <arg>             拷贝数据时，扩展信息保留，如权限 块大小信息
 -skipcrccheck        拷贝数据时是否跳过 checksum校验
 -update              拷贝数据时只拷贝相对于源端，目标端不存在的文件数据
 -i					忽略失败
 -f <urllist_uri>     将urlist_uri作为源文件列表
 -filters		     排除指定路径和文件不做拷贝          

3.3 基本使用方法

1.跨集群拷贝
其中source_path 、target_path 需要带上地址前缀以区分不同的集群
例如: hadoop distcp hdfs://nn1:8020/foo/a hdfs://nn2:8020/bar/foo (nn1 nn2 分别表示两个集群的namenode)
上面的命令表示从nnl集群拷贝/foo/a路径下的数据到nn2集群的/ bar/foo路径下，注意，源路径必须是绝对路径。

2.通过命令行指定多个源目录
hadoop distcp hdfs://nn1:8020/foo/a hdfs://nn1:8020/foo/b hdfs://nn2:8020/bar/foo

3.通过文件指定多个源目录
hadoop distcp -f hdfs://nn1:8020/srclist hdfs://nn2:8020/bar/foo
其中 srclist 的内容格式是
hdfs://nn1:8020/foo/a
hdfs://nn1:8020/foo/b

4.排除指定文件不拷贝
adoop distcp -filters /path/to/filterfile.txt hdfs://nn1:8020/source/path  hdfs://nn2:8020/destination/path  # 
# filterfile.txt 在本地文件系统上
# filterfile.txt文件格式
.*test.*                           # 正则表达式法
/source/test                       # 在源集群上
hdfs://0.0.0.0:8020/source/test    # 在目标集群上，需要写全路径

3.4 其他　　

1.map数目
distcp会尝试着均分需要拷贝的内容，这样每个map拷贝差不多相等大小的内容。 但因为文件是最小的拷贝粒度，所以配置增加同时拷贝（如map）的数目不一定会增加实际同时拷贝的数目以及总吞吐量。
如果没使用 -m选项，distcp会尝试在调度工作时指定map的数目 为 min (total_bytes / bytes.per.map, 20 * num_task_trackers)， 其中 bytes.per.map默认是256MB。
建议对于长时间运行或定期运行的作业，根据源和目标集群大小、拷贝数量大小以及带宽调整map的数目。
hadoop distcp -Ddistcp.bytes.per.map=1073741824 -Ddfs.client.socket-timeout=240000000 -Dipc.client.connect.timeout=40000000 -i -update hdfs://nn1:8020/foo/a hdfs://nn1:8020/foo/b hdfs://nn2:8020/bar/foo

2.不同HDFS版本间的拷贝(大版本)
对于不同Hadoop版本间的拷贝，用户应该使用HftpFileSystem。 这是一个只读文件系统，所以distcp必须运行在目标端集群上（更确切的说是在能够写入目标集群的TaskTracker上）。 
源的格式是 webhdfs://<dfs.http.address>/<path> （默认情况 dfs.http.address是 <namenode>:port, prot:3.x 8020,2.x 50070）
# 此命令适用于2.x迁移到3.x
hadoop distcp webhdfs://nn1:50070/user/hive/warehouse/demo.db hdfs://nn2:8020/user/hive/warehouse