大家好，我是明哥!
最近有小伙伴问到 hadoop distcp 的使用，对其中的一些细节和容易踩的坑不是很清楚，所以今天我们来看下 hadoop distcp 的原理，细节和容易踩的坑。
1.DistCp 概述
我们知道大数据集群内部都有节点级别和机架级别的容错机制(存储层对应的就是传统的三副本或纠删码机制)，但对于一些数据安全性要求更改的场景，比如在金融行业典型的两地三中心场景下，经常有跨区域跨集群灾备的需求，此时就会涉及到跨集群的数据同步。
DistCp (distributed copy) 就是一款跨集群的数据同步工具。
DistCp 可以用来做 hdfs 集群内部或集群之间的大规模的数据同步，由于在底层使用了 MapReduce 框架会通过多个 mapper 来拷贝需要拷贝的文件列表，其性能相比 hdfs dfs -get/put 等通过本地文件系统中转的数据同步方案，要高效快速很多。
同时由于 DistCp 可以跨 hdfs 大版本进行数据同步，且新版本的 DistCp(distcp version 2) 相比老版本的DistCp(legacy DistCp，version 1.2.1)在很多方面都做了优化和改进，所以大规模的数据同步，不论是集群内部还是集群之间，首选的方案都是DistCp。
很多商业的hdfs数据同步方案，其底层都是原生的 DistCp，比如 cdh 的 bdr 工具，比如 tdh 的 backup工具，其原理都是如此。
2.关于集群间数据同步
- 集群间数据同步，可以从原集群推送数据到目标集群，此时会为会占用原集群 yarn 中的资源;
- 集群间数据同步，也可以从目标集群发起作业，主动拉取原集群的数据，此时消耗的是目标集群的YARN资源;
- 如果原集群是生产集群，一般在目标集群执行命令hadoop distcp来发起作业，通过拉的方式来同步数据，此时不会消耗原集群即生产集群的YARN资源;
- 当原集群和目标集群大版本不同时，(比如在 hadoop 1.x 跟 hadoop 2.x 之间同步数据)，需要使用 webhdfs 协议，即通过以下格式指定远端集群：webhdfs://
: ;(当然，既可以从原集群推数据，也可以从目标集群拉数据); - 当原集群和目标集群大版本相同时，(比如都是 hadoop 2.x或都是hadoop 3.x)，推荐使用 hdfs 协议，此时性能比 webhdfs 更好;
- 如果 webhdfs 配置了 SSL 加密，则需要使用协议 “swebhdfs://” ;
3.关于开启了 kerberos 安全认证后的数据同步
- 如果原集群和目标集群都启用了kerberos认证 (hadoop.security.authentication=kerberos)，需要首先做 kerberos 的 realm 互信，然后才能通过推或拉的方式执行 dictcp 进行数据同步;
- 如果原集群与目标集群一个启用了kerberos认证，另一个没有启用kerberos认证，为简单起见，可以在启用了kerberos认证的集群中执行distCp，通过推或拉的方式进行数据同步;
4.DistCp 的底层工作机制
新版 DistCp 底层有以下组件，其各自的职责如下：
- DistCp Driver：负责解析 DistCp 的命令行参数，并编排协调具体的拷贝任务(首先调用 copy-listing-generator 获得需拷贝的文件列表，然后配置并提交 Map-Reduce 拷贝任务，最后根据配置项返回 MR 任务句柄并推出，或等待 MR任务执行结束;)
- Copy-listing generator：负责解析给定的 source-paths(目录或文件，可以包含通配符)，生成待拷贝的文件/目录列表，并输出到一个 SequenceFile;
- Input-formats 和 Map-Reduce：负责读取 Copy-listing generator 生成的 SequenceFile 中的待烤包的文件列表，并执行实际的文件拷贝;
5.DistCp 的重要参数讲解
DistCp 提供了多种参数，来控制拷贝任务的各种细节，经常使用到的关键参数有 -update, -delete, -overwrite, -m, -bandwidth，-diff，-p，-i 等：
- -m
：控制 map 任务的最大个数;(实际的 map 任务数，不会大于待拷贝的文件的个数;更多的 map 数不一定会提升整体IO吞吐); - -bandwidth：控制每个 map 任务可用的最大带宽，单位 MB;
- -p[rbugpcaxt]：控制是否保留源文件的属性，rbugpcaxt 分别指：replication number, block size, user, group, permission,checksum-type, acl, xattr,以及 tiemstamp;
- skipcrccheck：控制检查源和目标文件差异以生成待拷贝文件列表时，是否跳过 CRC 校验;
- update: 如果源和目标目录下的文件，在 文件大小/块大小/checksum 上有不同，就用;
- -update: 拷贝目标目录下不存在而源目录下存在的文件，或目标目录下和源目录在文件大小/块大小/checksum 上不同的文件;
- -overwrite: 覆盖目标目录下的同名文件。(如果某个 map 任务执行失败且没有指定 -i 参数，则所有的待拷贝的文件，包括拷贝失败的文件，都会被重新拷贝);
- -i： 忽略拷贝过程中某些 MAP 任务的错误，继续执行其余的 map拷贝任务，而不是直接失败整个作业;(默认情况下，如果有某个 map 任务失败的次数达到了 mapreduce.map.maxattempts，则未完成的 map 任务都会被 kill;);
- -delete: 删除目标目录下存在，但源目录下不存在的文件;该参数只能和 -update 或 -overwrite 配合使用;
- -diff 和 -rdiff：控制是否结合使用快照机制，会基于两个快照的差异(snapshot diff)来确定待拷贝的文件列表，以下要点需要注意：
- -diff 和 -rdiff，需要配合选项 -update 一起使用;
- -diff 和 -rdiff，不能和 -delete 一起使用，否则会报错：java.lang.IllegalArgumentException: -delete and -diff/-rdiff are mutually exclusive. The -delete option will be ignored;
- 该命令的前提条件：需要源目录下有指定的两个快照 from_snapshot 和 to_snapshot;
- 该命令的前提条件：需要目标目录下有快照 from_snapshot;
- 该命令的前提条件：需要目标目录在前期制作了 from_snapshot 快照后，没有新的文件写操作 (create, rename, delete);
- 该命令执行完毕后，目标目录下并不会自动创建快照 to_snapshot，如果后续还需要基于快照来做增量同步，需要手工在同步完毕后对目标目录制作快照 to_snapshot，为后续基于快照的同步(hadoop distcp -diff -update)做好准备;
6.易踩的坑 - skipcrccheck
- 参数 -skipcrccheck 的意思是 “Whether to skip CRC checks between source and target paths.”，即是否跳过原路径和目标路径下文件的 crc 校验(CRC：Cyclic Redundancy Check)。
- 如果指定了该参数，会跳过crc校验，同步作业速度会快些;
- 但指定该参数后，由于不校验 crc，而是通过文件名和文件大小来发现哪些文件需要进行同步，在极端情况下，可能会漏掉某些需要同步的小文件，比如某些只有少数几条记录的小文件，从而造成数据不一致;
- 下图展示的就是，某两个 hive orc 表都只有1条记录，对应的 HDFS 文件也比较小且都是 299 BYTE, 指定参数 skipcrccheck 执行同步操作时，就遗漏了该文件，造成了源目录与目标目录数据的不一致：“sudo -u hdfs hadoop distcp -update -delete -skipcrccheck -pugpb hdfs://nameservice1/user/hive/warehouse/hs_liming.db/test_single_row_scp hdfs://nameservice1/user/hive/warehouse/hs_liming.db/test_single_row_scp2“：
skipcrccheck 的坑-hdfs
skipcrccheck 的坑-hive sql
7.关于 hive 的跨集群数据同步
- 关于 hive的跨集群数据同步，hive 社区在推动 hive replication 的方案，但因为该方案的各种前提和限制，目前该方案在业界采用的比较少;
- 市面上采用的较多的hive的跨集群数据同步，是对hive的元数据和数据分别进行数据同步;
- 对于 hive 数据的同步，本质上就是对于底层 hdfs 数据的同步，可以采用上述hdfs的distcp方案;
- 对于hive元数据的同步，本质上就是对底层 metastore db，如 mysql/posggresql 等rdbms中的数据的同步，可以采用成熟的 mysqldump 和 source方案。
8.常用命令总结
- 执行数据同步操作时，需要停止对目标目录的其它写操作;
- 当没有对原目录的写操作时(即停止了对源目录的写操作)，可以使用以下命令来跨集群同步数据：hadoop distcp -delete -update -pugpb -m 10 -bandwidth 5 hdfs://xx.xx/ hdfs://yy.yy/
- 当有对原目录的写操作时(即有对原目录的并发写操作)，需要结合快照机制来同步数据：hadoop distcp -diff
-update -pugpb - 结合快照机制来同步数据时，有以下前提要求：
- 需要源目录下有指定的两个快照 from_snapshot 和 to_snapshot;
- 需要目标目录下有快照 from_snapshot;
- 需要目标目录在前期制作了 from_snapshot 快照后，没有新的文件写操作如 create/rename/delete (即要求目标目录的当前状态跟原目录的from-snapshot一致);
- 该命令执行完毕后，目标目录下并不会自动创建快照 to_snapshot，如果后续还需要基于快照来做增量同步，需要手工在同步完毕后对目标目录制作快照 to_snapshot，为后续基于快照的同步(hadoop distcp -diff -update)做好准
