【Hadoop-Distcp】工具简介及参数说明

1）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。 它使用 Map/Reduce 实现文件分发，错误处理和恢复，以及报告生成。

Distcp 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。

官网地址：http://hadoop.apache.org/docs/r2.7.0/hadoop-distcp/DistCp.html

2）适合的场景及其有点

1、适合场景：

数据异地灾，机房下线，数据迁移等。

2、优点：

① 可以限制带宽，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，无条件覆盖目标文件，即使它们存在），update（增量写，如果 dest 文件的名称和大小与 src 文件不同，则覆盖；若目的文件大小和名称与源文件相同则跳过），delete（删除写，删除 dest 中存在的文件，但在 src 中不存在）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。

3）参数说明

此参数为Hadoop2.x版本

• -append：重用目标文件中的现有数据，并在可能的情况下添加新数据，新增进去而不是覆盖它
• -async：是否应该阻塞 distcp 执行
• -atomic：提交所有更改或不提交更改
• -bandwidth <arg>：以 MB/second 为单位指定每个 map 的带宽
• -delete：删除目标文件中存在的文件，但在源文件中不存在，走 HDFS 垃圾回收站
• -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
• -filters <arg>：从复制的文件列表中排除
• -i：忽略复制过程中的失败
• -log <arg>：HDFS 上的 distcp 执行日志文件夹保存
• -m <arg>：限制同步启动的 map 数，默认每个文件对应一个 map，每台机器最多启动20个 map
• -mapredSslConf <arg>：配置ssl配置文件
• -numListstatusThreads <arg>：用于构建文件清单的线程数（最多40个），当文件目录结构复杂时应该适当增大该值
• -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）
• -sizelimit <arg>：（已弃用！）限制复制到 <=n 的文件数字节
• -skipcrccheck：是否跳过源和目标路径之间的 CRC 检查。
• -strategy <arg>：选择复制策略，默认值 uniformsize，每个 map 复制的文件总大小均衡；可以设置为 dynamic，使更快的 map 复制更多的文件，以提高性能
• -tmp： 要用于原子的中间工作路径承诺
• -update：如果目标文件的名称和大小与源文件不同，则覆盖；如果目标文件大小和名称与源文件相同则跳过